압데라만 레젭 a , 알리레자 압돌라히 b , 카림 레젭 c , 호르스트 트레블마이어 d,
- a 로마 2 로마 00133 Via Columbia 대학 경제학부 경영 및 법학부
- b 카라즈미대학교 경영학부 경영학과, 1599964511 테헤란, 이란
- c 튀니지 7021 Bizerte, Zarzouna, 카르타고 대학교 Bizerte 과학 학부
- d 국제 경영 학교, Modul University Vienna, Am Kahlenberg 1, 1190 Vienna, Austria
기사 정보 | 추상 |
키워드 : 드론 UAV 정밀 농업 사물의 인터넷 서지학 | 무인 항공기(UAV)라고도 하는 드론은 최근 수십 년 동안 놀라운 발전을 목격했습니다. 농업에서 그들은 농민들에게 상당한 비용 절감을 제공함으로써 농업 관행을 변화시켰습니다. 운영 효율성 및 더 나은 수익성. 지난 수십 년 동안 농업용 드론의 주제는 학계의 주목을 끌었다. 따라서 우리는 서지학을 기반으로 포괄적인 검토를 수행합니다. 기존 학술 문헌을 요약 및 구조화하고 현재 연구 동향 및 핫스팟을 나타냅니다. 우리 서지 기술을 적용하고 농업용 드론을 둘러싼 문헌을 분석하여 요약하고 이전 연구를 평가합니다. 우리의 분석은 원격 감지, 정밀 농업, 딥 러닝, 머신 러닝 및 사물 인터넷이 농업용 드론과 관련된 중요한 주제임을 나타냅니다. 공동 인용 분석은 문헌에서 XNUMX개의 광범위한 연구 클러스터를 나타냅니다. 본 연구는 농업 분야의 드론 연구를 요약하고 향후 연구 방향을 제시하고자 하는 첫 번째 시도 중 하나이다. |
개요
농업은 세계의 주요 식량 공급원이며(Friha et al., 2021)
식품, 식품 안전 및 보안 문제에 대한 수요 증가와 환경 보호, 물 보존 및
지속 가능성(이노우에, 2020). 9.7년까지 세계 인구가 2050억에 도달할 것으로 예상되기 때문에 이러한 발전은 계속될 것으로 예상됩니다.
(2019). 농업은 전 세계적으로 물 소비의 가장 두드러진 예를 구성하기 때문에 식량 수요와 물
가까운 장래에 소비가 급격히 증가할 것입니다. 또한, 비료와 살충제의 소비가 증가하고 있습니다.
농업 활동의 강화와 함께 미래의 환경 문제로 이어질 수 있습니다. 마찬가지로 경작할 수 있는 토지는 제한되어 있으며,
전 세계적으로 농부의 수가 감소하고 있습니다. 이러한 도전은 혁신적이고 지속 가능한 농업 솔루션의 필요성을 강조합니다(Elijah
et al., 2018; Friha et al., 2021; 이노우에, 2020; Tzounis et al., 2017).
새로운 기술을 통합하는 것이 이러한 문제를 해결할 수 있는 유망한 솔루션으로 확인되었습니다. 스마트 농업(Brewster et al.,
2017년; Tang et al., 2021) 및 정밀 농업(Feng et al., 2019; Khanna & Kaur, 2019)은 이러한 논쟁의 결과로 등장했습니다. 그만큼
전자는 정보 통신 기술(ICT) 및 기타 첨단 혁신을 농업 활동에 채택하여 효율성과 효능을 높이는 일반적인 개념입니다(Haque et al., 2021). 후자는 토지가 분할되는 현장별 관리에 중점을 둡니다.
균질한 부품으로 구성되며 각 부품은 새로운 기술을 통해 작물 수확량 최적화를 위한 정확한 농업 투입량을 얻습니다(Feng et al., 2019; Khanna & Kaur, 2019). 이 분야에서 학자들의 관심을 끈 저명한 기술로는 WSN(Wireless Sensor Networks)(J. Zheng & Yang, 2018; Y. Zhou et al., 2016), 사물인터넷(IoT)(Gill et al., 2017; He et al., 2021; Liu et al., 2019),
기계 학습 및 딥 러닝을 포함한 인공 지능(AI) 기술(Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), 컴퓨팅 기술(Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), 빅 데이터(Gill et al., 2017; Tantalaki
et al., 2019) 및 블록체인(PW Khan et al., 2020; Pincheira et al., 2021).
위에서 언급한 기술 외에도 원격 감지는 개선 가능성이 높은 기술 도구로 간주되었습니다.
스마트하고 정밀한 농업. 인공위성, 사람이 조종하는 항공기 및 드론은 널리 사용되는 원격 감지 기술입니다(Tsouros et al., 2019).
무인 항공기(UAV), 무인 항공기 시스템(UAS) 및 원격 조종 항공기로 널리 알려진 드론은 다음과 같습니다.
다른 원격 감지 기술과 비교할 때 여러 이점이 있기 때문에 매우 중요합니다. 예를 들어 드론은
흐린 날의 고화질 및 고해상도 이미지(Manfreda et al., 2018). 또한 가용성 및 전송 속도는 다른 구성 요소를 구성합니다.
혜택(Radoglou-Grammatikis et al., 2020). 항공기와 비교할 때 드론은 비용 효율적이고 설정 및 유지 관리가 쉽습니다(Tsouros et al., 2019). 처음에는 주로 군사 목적으로 사용되었지만 드론은 인도주의적 목적(A. Rejeb, Rejeb, et al., 2021c), 스마트 농업, 측량 및 매핑, 문화 유산 문서화, 재난 관리, 산림 및 야생 동물 보호(Panday, Pratihast, et al., 2021). 농업에서 드론의 다양한 응용 분야는 새로운 기술, 컴퓨팅 기능 및 온보드 센서와 통합되어 작물 관리(예: 매핑, 모니터링, 관개, 식물 진단)를 지원하기 때문에 존재합니다(H. Huang et al., 2020). , 재난 감소, 조기 경보 시스템, 야생 동물 및 산림 보존 등을 예로 들 수 있습니다(Negash et al., 2021). 마찬가지로 드론은 작물 및 성장 모니터링, 수확량 추정, 수분 스트레스 평가, 잡초, 해충 및 질병 감지를 포함한 여러 농업 활동에 활용될 수 있습니다(Inoue, 2019; Panday, Pratihast, et al., 2020). 드론은 감각 데이터를 기반으로 한 모니터링, 추정 및 탐지 목적뿐만 아니라 정밀 관개 및 정밀 잡초, 해충 및 질병 관리에도 사용할 수 있습니다. 즉, 드론은 환경 데이터를 기반으로 정확한 양의 물과 살충제를 살포할 수 있습니다. 농업에서 드론의 이점은 표 2020에 요약되어 있습니다.
농업에서 드론의 주요 이점.
이익 | 참조 |
시간 및 공간 향상 감지 해상도 | (Gago 외, 2015; Niu 외, 2020; Srivastava 등, 2020) |
정밀 농업 촉진 | (L. Deng 외, 2018; Kalischuk 외, 2019; 마이마이티장 외, 2017) |
분류 및 정찰 작물 | (이노우에, 2020; Kalischuk et al., 2019; Lopez- ' Granados 외, 2016; Maimaitijiang 외, 2017; Melville et al., 2019; 모하라나 & 두타, 2016) |
비료의 사용 | (L. Deng 외, 2018; Guan 외, 2019) |
가뭄 모니터링 | (Fawcett 외, 2020; Panday, Pratihast 외, 2020년; Su et al., 2018) |
바이오매스 추정 | (Bendig 외, 2014) |
수율 추정 | (이노우에, 2020; Panday, Shrestha, et al., 2020; Tao 등, 2020) |
재해경감 | (네가시 외, 2019) |
야생동물 보호와 산림 관리 | (Negash 외, 2019; Panday, Pratihast 외, 2020) |
수분 스트레스 평가 | (이노우에, 2020; J. Su, Coombes, et al., 2018; L. 장 외, 2019) |
해충, 잡초 및 질병 검색 | (Gaßparovic et al., 2020; Inoue, 2020; J. Su, Liu, 외, 2018; X. 장 외, 2019) |
반면 드론도 한계가 있다. 파일럿 참여, 엔진 출력, 안정성 및 신뢰성, 탑재하중으로 인한 센서 품질
중량 제한, 구현 비용 및 항공 규제가 그 중 하나입니다(C. Zhang & Kovacs, 2012). 우리는 단점을 비교
표 2의 세 가지 모바일 원격 감지 기술 중 토양 센서와 같은 다른 원격 감지 기술은 이 연구의 초점을 벗어납니다.
다양한 모바일 원격 감지 기술의 단점.
원격 감지 기술 | 단점 | 참고자료 |
드론(UAV) | 파일럿 참여; 이미지' 품질(평균); 구현 비용(평균); 안정성, 기동성 및 신뢰할 수 있음; 표준화; 엔진 출력; 제한된 힘 소스(배터리 수명); 제한된 비행 시간, 충돌 사이버 공격; 제한된 페이로드 무게; 대규모 데이터세트 제한된 데이터 처리 능력; 규제 부족; 전문성 부족, 높은 진입 접근을 가로막는 장벽 농업용 드론; | (Bacco et al., 2018; 다왈리비 et al., 2020; 하딘 & 하딘, 2010; 하딘 & 젠슨, 2011; Lagkas et al., 2018년; Laliberte et al., 2007; Laliberte & Rango, 2011; 만프레다 외, 2018, 2018; Nebiker et al., 2008; 푸리 외, 2017; Velusamy et al., 2022년; C. Zhang & Kovacs, 2012) |
위성 | 주기적인 위성 커버리지, 제한된 스펙트럼 분해능; 가시성 문제에 대한 취약성 (예: 구름); 이용 불가 그리고 낮은 전송 속도; 방향 및 비네팅 비용이 많이 드는 공간 데이터에 영향 수집; 느린 데이터 전달 최종 사용자까지의 시간 | (Aboutalebi 외, 2019; Cen 외, 2019; 첸 외, 2019년; 난센 & 엘리엇, 2016년; 판다이, 프라티하스트, et al., 2020; 사이 비네스 등, 2019) |
항공기 | 높은 채택 비용; 복잡한 설정; 유지비; 신뢰할 수 없는 비행기, 기하학 이미지; 비정규 데이터 인수; 유연성 부족; 치명적인 사고; 센서 데이터 진동으로 인한 변동; 지리 참조 문제 | (암스트롱 외, 2011; 앳킨슨 외, 2018; Barbedo & Koenigkan, 2018; 코발레프 & 보로실로바, 2020년; Suomalainen et al., 2013년; 탐 등, 2013) |
농업의 다학제 및 다목적 기술로서 드론은 다양한 관점에서 연구되어 왔다. 예를 들어, 학자들은 농업에서의 드론 응용(Kulbacki et al., 2018; Mogili & Deepak, 2018), 정밀 농업에 대한 기여(Puri et al., 2017; Tsouros et al., 2019), 다른 드론과의 상보성을 조사했습니다. 첨단 기술(Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), 탐색 및 감지 기능 향상 가능성(Bareth et al. , 2015; Suomalainen et al., 2014). 농업에서 드론 응용에 대한 연구가 보편화되었기 때문에(Khan et al., 2021), 현존하는 문헌을 요약하고 도메인의 지적 구조를 밝힐 필요가 있습니다. 또한 지속적으로 개선되는 첨단기술 분야로서 기존 문헌을 주기적으로 요약하고 중요한 연구 격차를 식별하기 위한 구조적 검토가 필요합니다. 에게
현재 농업 부문에서 드론 적용을 논의하는 리뷰는 거의 없습니다. 예를 들어, Mogili와 Deepak(2018)은 작물 모니터링 및 살충제 살포에 대한 드론의 의미를 간략하게 검토했습니다. Inoue(2020)는 농업에서 원격 감지에서 위성 및 드론 사용에 대한 검토를 수행합니다. 저자는 사례 연구 및 모범 사례를 기반으로 스마트 농업 채택의 기술적 과제와 위성 및 드론의 기여를 탐구합니다. Tsouroset al. (2019)는 다양한 데이터 수집 및 처리 방법을 강조하면서 다양한 유형의 드론과 농업에서의 주요 응용 프로그램을 요약합니다. 보다 최근에는 Aslan et al. (2022)는 농업 활동에서 UAV 응용 프로그램에 대한 포괄적인 검토를 수행하고 온실에서 UAV에 대한 동시 위치 및 매핑의 관련성을 강조했습니다. Diaz-Gonzalez et al. (2022)는 다양한 기계 학습 기술과 원격을 기반으로 한 작물 수확량 생산에 대한 최근 연구를 검토했습니다.
감지 시스템. 그들의 발견은 UAV가 토양 지표를 추정하는 데 유용하고 공간 해상도, 정보 시간성 및 유연성 측면에서 위성 시스템을 능가하는 것으로 나타났습니다. Basiriet al. (2022)는 정밀 농업의 맥락에서 다중 로터 UAV의 경로 계획 문제를 극복하기 위한 다양한 접근 방식과 방법을 철저히 검토했습니다. 또한 Awais et al. (2022)는 물 상태를 추정하기 위해 작물에서 UAV 원격 감지 데이터의 적용을 요약하고 폐기물 스트레스 적용을 위한 UAV 원격 감지의 예상 용량에 대한 심층 종합을 제공했습니다. 마지막으로 Aquilani et al. (2022)는 목초지 기반 축산 시스템에 적용된 예비 농업 기술을 검토하고 UAV에 의해 지원되는 원격 감지가 바이오매스 평가 및 무리 관리에 유리하다고 추론했습니다.
또한 최근에는 가축의 모니터링, 추적, 소집에 UAV를 사용하려는 시도가 보고되고 있다.
이러한 리뷰가 새롭고 중요한 통찰력을 제공하지만, 문헌에서 서지 측정에 기반한 포괄적이고 최신의 리뷰를 찾을 수 없으며, 이는 명확한 지식 격차를 나타냅니다. 또한, 학문적 생산이 과학 영역에서 성장하면 연구자가 해당 영역의 지식 구조를 이해하기 위해 정량적 검토 접근 방식을 사용하는 것이 중요해진다고 명시되어 있습니다(Rivera & Pizam, 2015). 유사하게, Ferreira et al. (2014) 연구 분야가 성숙하고 복잡해짐에 따라 학자들은 새로운 기여를 밝히고 연구 전통과 경향을 포착하고 연구 주제를 식별하고 지식 구조를 탐구하기 위해 생성 및 축적된 지식을 때때로 이해하는 것을 목표로 해야 한다고 주장했습니다. 분야 및 잠재적 연구 방향. Raparelli와 Bajocco(2019)는 농업 및 임업에서 드론 응용 분야의 지식 영역을 조사하기 위해 서지 분석을 수행했지만, 그들의 연구는 1995년에서 2017년 사이에 발표된 학술 연구만 고려하며 빠르게 움직이는 이 지역의 역학을 반영하지 않습니다. 또한 저자는 해당 분야에서 가장 영향력 있는 공헌을 식별하고, 문헌을 클러스터링하고, 동시 인용 분석을 사용하여 지적 구조를 평가하려고 시도하지 않았습니다. 따라서 현재 연구의 초점과 경향, 핫스팟을 밝히기 위해 문헌을 요약할 필요가 있다.
이러한 지식 격차를 메우기 위해 우리는 정량적 방법론과 엄격한 서지 방법을 활용하여 드론과 농업의 교차점에서 현재 연구 상태를 조사합니다. 우리는 현재 연구가 이 부문의 여러 측면을 변경할 수 있는 엄청난 잠재력을 제공하기 때문에 농업에 매우 필요한 신흥 기술을 조사함으로써 기존 문헌에 여러 기여를 한다고 주장합니다. 농업용 드론에 대한 서지 분석의 필요성은 농업 맥락에서 드론에 대한 흩어져 있고 파편화된 지식을 고려할 때 훨씬 더 감지됩니다. 마찬가지로 농업용 드론에 관한 문헌은 이 분야의 기반을 다지는 가장 영향력 있는 연구를 고려할 때 체계적으로 집적할 필요가 있다. 분석의 장점은 또한 문헌에 나타난 주요 연구 주제의 설명을 포함합니다. 기술의 변형 가능성을 고려하면 심층 네트워크 분석이 영향력 있는 작품을 결정하고 드론의 농업 잠재력에 관한 주제를 밝혀 새로운 통찰력을 얻을 수 있다고 가정합니다.
따라서 우리는 다음과 같은 연구 목표를 달성하기 위해 노력합니다.
- 농업 분야의 드론 응용에 탁월한 공헌을 한 영향력 있는 출판물을 식별합니다.
- 동시 인용 분석을 사용하여 의미론적 유사성을 기반으로 하는 문헌의 클러스터링, 연구 초점 식별 및 주요 '지적 구조' 연구의 매핑.
- 해당 분야의 다양한 간행물 간의 시간 경과에 따른 연결 및 인용 네트워크의 진화에 대한 이해와 향후 연구 방향 및 화두 파악.
문서의 나머지 부분은 다음과 같이 구성됩니다. 섹션 2에서는 방법론 및 데이터 수집 단계를 간략하게 설명합니다. 섹션 3은 분석 결과를 제공합니다. 4장에서는 연구 결과를 논의하고 연구 기여, 시사점 및 향후 방향으로 결론을 맺습니다.
방법론
이 현재 연구 연구에서 우리는 농업에서 드론 응용 프로그램을 탐색하기 위해 서지 분석을 수행합니다. 이러한 정량적 접근은 지식 영역의 지적 구조(Arora & Chakraborty, 2021)와 이 방법을 적용하여 조사할 수 있는 현황, 화두 및 향후 연구 방향(Kapoor et al., 2018; Mishra et al. , 2017, A. Rejeb, Rejeb 등, 2021b, A. Rejeb 등, 2021d, MA Rejeb 등, 2020). 일반적으로 서지 분석은 통계 및 수학적 방법을 기반으로 한 학문의 진화와 서면 의사 소통의 숨겨진 패턴을 요약하고 밝히기 위해 현존하는 문헌을 조사하며 대규모 데이터 세트에 적용됩니다(Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). 우리는 서지학을 사용하여 유사성을 기반으로 도메인에 기여하는 기존 패러다임과 연구 초점을 더 잘 이해하고자 합니다(Thelwall, 2008). Bibliometrics는 방법론의 객관적인 양적 강점에 의해 뒷받침되는 새로운 통찰력을 제공합니다(Casillas & Acedo, 2007). 많은 학자들이 이전에 농업, 원격 감지 및 디지털 변환을 포함한 관련 영역에서 서지 연구를 수행했습니다(Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021, Wang et al., 2019).
인용 분석
인용 분석은 주어진 연구 분야에 대한 다양한 통찰력을 보여줍니다. 우선, 주어진 연구 분야에 기여하고 상당한 영향을 미치는 가장 영향력 있는 저자 및 출판물을 공개하는 데 도움이 됩니다(Gundolf & Filser, 2013). 둘째, 지식의 흐름과 저자 간의 커뮤니케이션 링크를 밝힐 수 있습니다. 마지막으로 인용된 작품과 인용한 작품 사이의 연결을 추적함으로써 시간이 지남에 따라 지식 영역의 변화와 진화를 탐색할 수 있습니다(Pournader
et al., 2020). 출판물의 높은 인용 횟수는 연구 영역에 대한 관련성과 상당한 기여를 반영합니다(Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). 출판물의 인용 분석은 또한 관련 저작물을 식별하고 시간 경과에 따른 인기도와 진행 상황을 추적하는 데 도움이 됩니다.
문서동시인용분석
동시 인용 분석은 출판물 간의 관계를 탐색하고 한 분야의 지적 구조를 묘사하는 유용한 방법입니다(Nerur et al., 2008). 즉, 가장 많이 인용된 출판물과 그 연결을 식별함으로써 이 방법은 출판물을 별개의 연구 클러스터로 그룹화하여 클러스터의 출판물이 정기적으로 유사한 아이디어를 공유하는 것입니다(McCain, 1990; Small, 1973). 유사성이 출판물의 결과가 동일하다는 것을 의미하지는 않는다는 점을 언급하는 것이 중요합니다.
응집력 있고 서로 동의합니다. 출판물은 주제 유사성으로 인해 동일한 클러스터에 속하지만 상충되는 관점을 가질 수 있습니다.
데이터 수집 및 분석
White and Griffith(1981)가 제안한 방법론에 따라 우리는 농업에서 드론 응용의 전체 연구 영역을 포괄하는 저널 기사의 포괄적인 검색을 수행하여 다음 XNUMX단계를 수행했습니다.
- 첫 번째 단계는 데이터 수집이었습니다. Scopus는 표준화된 결과를 제공하는 가장 포괄적이고 신뢰할 수 있는 데이터베이스 중 하나로 선정되었습니다. 농업의 모든 드론 응용과 관련된 출판물의 메타데이터를 검색했습니다. 그런 다음 선택한 기사를 분석하여 분석에서 주제를 벗어난 기사를 제거했습니다.
- 문헌을 분석하고 연구 분야에서 사용되는 가장 중요한 키워드를 식별했습니다.
- 인용 분석을 사용하여 저자와 문서 간의 연결을 탐색하여 기본 인용 패턴을 드러냈습니다. 우리는 또한 농업용 드론 분야에 상당한 공헌을 한 가장 영향력 있는 저자와 출판물을 식별했습니다.
- 우리는 유사한 출판물을 클러스터로 그룹화하기 위해 동시 인용 분석을 수행했습니다.
- 마지막으로 국가, 기관, 저널 간의 연결과 연계성을 분석하여 협업 네트워크를 묘사했습니다.
적절한 검색어 식별
데이터 집계를 위해 다음 검색 문자열을 적용했습니다. (drone* OR "무인 항공기" OR uav* OR "무인 항공기 시스템” 또는 미국 또는 "원격 조종 항공기”) AND (농업 또는 농업 또는 농업 또는 농부). 검색은 2021년 2021월에 수행되었습니다. 드론에는 UAV, UAS 및 원격 조종 항공기를 포함하여 여러 명칭이 있습니다(Sah et al., 2021). 농업과 관련된 구체적인 검색어는 Abdollahi et al. (1). 명확성과 투명성을 위해 우리가 사용한 정확한 쿼리는 부록 1.6.16에 나와 있습니다. 데이터 정리 프로세스 후에 인용 및 동시 인용 분석을 위한 공통 도구인 BibExcel에 로드된 텍스트 파일을 생성했습니다. 이 도구는 또한 다른 소프트웨어와의 간단한 상호 작용을 제공하고 데이터 처리 및 분석에서 상당한 자유도를 제공합니다. VOSviewer 버전 2009은 결과를 시각화하고 서지 네트워크를 생성하는 데 사용되었습니다(Eck & Waltman, 2020). VOSviewer는 특히 서지 지도 분석을 위한 직관적인 시각화의 범위를 제공합니다(Geng et al., 2021). 또한 결과를 더 잘 이해하는 데 도움이 되는 일반 시각적 결과를 제공하는 데 도움이 됩니다(Abdollahi et al., 5,085). 위에서 언급한 검색 문자열을 적용하여 모든 관련 출판물을 수집하고 저장했습니다. 첫 번째 검색 결과 총 4,700개의 문서가 생성되었습니다. 선택한 샘플의 품질을 보장하기 위해 동료 검토 저널 기사만 연구에서 고려되어 책, 장, 회의 절차 및 편집 노트와 같은 다른 유형의 문서는 제외했습니다. 심사 과정에서 관련 없는(즉, 이 작업의 범위를 벗어남), 중복된(즉, 이중 색인에서 비롯된 중복), 영어를 사용하지 않는 출판물은 걸러졌습니다. 이 프로세스를 통해 최종 분석에 XNUMX개의 문서가 포함되었습니다.
발견 및 토론
시작하기 위해, 우리는 농업용 드론에 관한 최신 문헌의 출판물 출력의 발전을 분석했습니다. 학술 연구의 시간적 분포는 그림 1에 나와 있습니다. 우리는 2011년부터 출판물이 급격히 증가하는 것을 볼 수 있습니다(30편). 따라서 분석 기간을 두 단계로 나누기로 결정했습니다. 우리는 1990년에서 2010년 사이의 기간을 구축 단계라고 하며, 연간 약 2010편의 논문이 발표되었습니다. 2010년 이후의 기간은 농업 분야의 드론 응용에 대한 연구가 이 기간 동안 기하급수적으로 급증한 것을 목격한 이후 성장 단계라고 불렸습니다. 2018년 이후, 출판물이 증가함에 따라 연구자들의 관심이 증가하고 있음을 확인시켜주며, 이는 또한 드론이 원격 감지에 적용되고 정밀 농업에 사용되었음을 반영합니다(Deng et al., 2019; Maes & Steppe, 2020; Messina & Modica, 108) ). 구체적으로, 2013년 498건에서 2018년 1,275건으로 증가했고 2020년 935건으로 정점을 찍었습니다. 2021년 XNUMX월부터 XNUMX월 중순까지 총 XNUMX건의 논문이 게재되었습니다. 이후 우리는 성장 단계에 더 집중적으로 분석하기로 결정했습니다. 이 기간은 농업용 드론의 가장 최근의 중요한 미묘함을 반영하기 때문입니다.
키워드 분석
저자가 출판물을 위해 선택한 키워드는 논문이 표현되는 방식과 과학 커뮤니티 내에서 전달되는 방식에 결정적인 영향을 미칩니다. 그들은 연구의 핵심 주제를 식별하고 성공 또는 실패 가능성을 결정합니다(Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). 보다 광범위한 연구 동향과 방향을 밝히는 도구인 키워드 분석은 도메인 내 모든 관련 출판물의 키워드를 취합하는 것을 말합니다(Dixit & Jakhar, 2021). 현재 연구에서 우리는 가장 인기 있는 주제를 탐색하기 위해 집계된 키워드를 두 세트(즉, 2010년과 2011-2021년까지)로 나눴습니다. 이렇게 하면 두 세트 모두에서 중요한 키워드를 추적하고 필요한 모든 데이터를 캡처할 수 있습니다. 각 세트에 대해 상위 3개 키워드가 표 XNUMX에 나와 있습니다. "드론" 및 "드론" 또는 유사하게 "사물 인터넷" 및 "IoT"와 같이 의미적으로 동일한 키워드를 병합하여 불일치를 제거했습니다.
표 3은 "무인항공기"가 "드론" 및 "무인항공시스템"에 비해 두 기간 모두에서 더 많이 사용되는 키워드임을 보여준다. 또한 "원격 감지", "정밀 농업" 및 "농업"이 두 기간 모두에서 높은 순위를 차지했습니다. XNUMX기에는 '정밀농업'이 XNUMX위, XNUMX기에는 XNUMX위를 차지해 정밀농업에 드론이 얼마나 중요한지 알 수 있다.
다른 원격 감지 및 지상 기반 시스템과 비교하여 탐지 및 추정 작업을 더 빠르고 저렴하며 쉽게 수행할 수 있습니다. 또한 필요할 때 정확한 양의 투입물(예: 물 또는 살충제)을 살포할 수 있습니다(Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
가장 자주 사용되는 키워드 목록입니다.
계급 | 1990-2010 | 의 번호 발생 | 2011-2021 | 의 번호 발생 |
1 | 무인 항공 자동차 | 28 | 무인 항공 차량 | 1628 |
2 | 원격 감지 | 7 | 정확 농업 | 489 |
3 | 농업 | 4 | 원격 감지 | 399 |
4 | 공기로 운반되는 | 4 | 무인 비행기 | 374 |
5 | 정확 농업 | 4 | 무인 공중 시스템 | 271 |
6 | 무인 항공 | 4 | 농업 | 177 |
7 | 초분광 감지기 | 3 | 깊은 학습 | 151 |
8 | 인공 신경 네트워크 | 2 | 기계 배우기 | 149 |
9 | 자율 비행 | 2 | 초목 색인 | 142 |
10 | 커피 | 2 | 인터넷 것들 | 124 |
또 다른 흥미로운 기능은 보완 기술의 존재입니다. 첫 번째 단계에서 "초분광 센서"와 "인공 신경망"(ANN)이 상위 XNUMX개 키워드 중 하나입니다. 초분광 이미징은 다양한 파장에서 엄청난 수의 이미지를 수집하여 기존 이미징에 혁명을 일으켰습니다. 이를 통해 센서는 다중 스펙트럼 이미징, 분광학 및 RGB 이미지에 비해 더 나은 공간 및 스펙트럼 정보를 동시에 수집할 수 있습니다(Adao ~ et al.,
2017). 첫 번째 단계에서 “ANN”이, 두 번째 단계에서 “딥러닝”(DL)과 “머신러닝”(ML)이 등장한다는 것은 출판된 대부분의 논문이 드론- 기반 농업. 드론은 자율적으로 비행할 수 있지만 여전히 조종사의 개입이 필요하며 이는 낮은 수준의 장치 지능을 의미합니다. 그러나 이 문제는 더 나은 상황 인식과 자율적 의사 결정 지원을 제공할 수 있는 AI 기술의 발전으로 인해 해결될 수 있습니다. AI가 장착된 드론은 탐색 중 충돌을 피하고 토양 및 작물 관리를 개선하며(Inoue, 2020) 인간의 노동과 스트레스를 줄일 수 있습니다(BK Sharma et al., 2019).
방대한 양의 비선형 데이터를 처리할 수 있는 유연성과 능력으로 인해 AI 기술은 예측 및 의사 결정을 위해 드론 및 기타 원격 감지 및 지상 기반 시스템이 전송하는 데이터를 분석하는 데 적합한 방법입니다(Ali et al., 2015; 이노우에, 2020). 또한 두 번째 기간에 "IoT"의 존재는 농업에서 새로운 역할을 나타냅니다. IoT는 드론, ML, DL, WSN 및 빅 데이터를 포함한 다른 기술을 상호 연결하여 농업에 혁명을 일으키고 있습니다. IoT 구현의 주요 이점 중 하나는 다양한 작업(데이터 수집, 데이터 분석 및 처리, 의사 결정 및 구현)을 거의 실시간으로 효율적이고 효과적으로 병합하는 기능입니다(Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). 또한 드론은 식생의 활력과 식생 속성을 계산하는 데 필요한 데이터를 캡처하는 효율적인 도구로 간주됩니다(Candiago et al., 2015). 도 2a 및 2b는 두 기간 모두에 대한 키워드 동시 발생 네트워크를 보여줍니다.
영향력 있는 작가
이 섹션에서는 영향력 있는 저자를 결정하고 저자 인용 네트워크가 현재 문헌을 시각화하고 구성할 수 있는 방법을 조사합니다. 그림 3은 인용 횟수가 가장 많은 모든 연구자의 연대순 오버레이를 보여줍니다. 색상 척도는 저자 인용의 연도별 변화를 반영합니다. 최소 50 인용 및 XNUMX 간행물의 임계값을 사용하여 농업용 드론에 대한 연구를 발표한 연구자의 인용 구조를 조사합니다. 밖으로
12,891명의 저자 중 115명만이 이 조건을 충족했습니다. 표 4는 영향력 있는 상위 1,963명의 저자를 최대 인용 횟수별로 정렬하여 나열합니다. Lopez-Granados F.가 1,909회 인용으로 XNUMX위를 차지했으며 Zarco-Tejada PJ가 XNUMX회 인용으로 그 뒤를 이었습니다.
가장 많이 인용된 저자 목록입니다.
순위 | 저자 | 인용 |
1 | 로페즈-그라나도스 ´ F. | 1,963 |
2 | 자르코-테자다 PJ | 1,909 |
3 | 페냐 ~ 제이엠 | 1,644 |
4 | 토레스-S' 안체스 J. | 1,576 |
5 | 페레레스 E | 1,339 |
6 | 레몬디노 F | 1,235 |
7 | 볼튼 A | 1,160 |
8 | 바레스 지 | 1,155 |
9 | 베르니 JA | 1,132 |
10 | 데 카스트로 AI | 1,036 |
개별 출판물과 관련하여 Zhang and Kovacs(2012)의 기사는 Precision Agriculture에서 가장 많이 인용된 연구입니다. 여기에서 저자는 정밀 농업에서 UAS의 적용을 검토했습니다. 그들의 연구 결과는 농부들에게 신뢰할 수 있는 최종 제품을 제공하기 위해 플랫폼 설계, 생산, 이미지 지리 참조의 표준화 및 정보 검색 워크플로를 발전시킬 필요가 있음을 시사합니다. 또한, 특히 현장 계획, 이미지 캡처, 데이터 해석 및 분석에서 농부를 더 강력하게 참여시킬 것을 권장합니다. 중요하게도, 이 연구는 필드 매핑, 활력 매핑, 화학 물질 함량 측정, 식생 스트레스 모니터링 및 식물 성장에 대한 비료의 영향 평가에서 UAV의 중요성을 처음으로 보여주었습니다. 기술과 관련된 문제에는 엄청난 비용, 센서 기능, 플랫폼 안정성 및 신뢰성, 표준화 부족, 방대한 양의 데이터를 분석하기 위한 일관된 절차 등이 포함됩니다.
인용 분석
인용 분석은 문서의 영향에 대한 연구를 나타내지만 흐름(예: 인용 편향, 자기 인용)이 영향 평가를 위한 표준 도구 중 하나로 간주됩니다(Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). 인용은 또한 특정 주제에 대한 문헌에 대한 논문 기여의 중요성과 활력을 반영합니다(R. Sharma et al., 2022). 농업용 드론에 대한 가장 영향력 있는 연구를 결정하기 위해 인용 분석을 수행하고 그 내용을 요약했습니다. 표 5는 1990-2010년 및 2011-2021년 기간 동안 가장 영향력 있는 2009개의 논문 목록을 보여줍니다. Berni et al. (2010)b와 Austin(1990)은 2010년과 831년에 각각 498회와 2009회 인용되어 가장 많이 인용되었습니다. Berni et al. (2009)b는 저렴한 열 및 협대역 다중 스펙트럼 이미징 센서가 장착된 헬리콥터 기반 UAV를 통해 정량적 원격 감지 제품을 개발할 가능성을 보여주었습니다. 기존의 유인 항공 센서와 비교하여 농업용 저비용 UAV 시스템은 작물의 생물물리학적 매개변수에 대한 비교 가능한 추정치를 달성할 수 있습니다. 빠른 처리 시간에 사용할 수 있는 높은 스펙트럼, 공간 및 시간 해상도와 함께 저렴한 비용 및 운영 유연성으로 인해 UAV는 관개 일정 및 정밀 농업을 포함하여 시간이 중요한 관리가 필요한 다양한 응용 프로그램에 적합합니다. Berni et al.의 논문. (2010)b는 무인 회전익 플랫폼과 디지털 및 열 센서를 농업 응용 분야에 필요한 보정 메커니즘과 효과적으로 통합했기 때문에 많이 인용되었습니다. 두 번째로 많이 인용된 출판물은 설계, 개발 및 배포 관점에서 UAV를 논의한 Austin(XNUMX)이 저술한 책입니다. 농업에서 UAV는 작물 색상 변화를 통해 조기에 질병을 감지하고 작물 파종 및 살포를 용이하게 하고 무리를 모니터링 및 운전함으로써 작물 모니터링을 지원합니다.
Sullivan 등의 연구. (2007), Lumme et al. (2008), 및 Gokto ¨ ǧan et al. (2010) 가장 많이 인용된 상위 XNUMX개 논문 목록을 마칩니다. 이 기사는 농업을 지원하기 위한 UAV 기반 시스템의 개발을 설명합니다. 그들은 작물 모니터링 및 스캐닝, 잡초 감시 및 관리, 의사 결정 지원과 같은 다양한 문제에 대한 솔루션을 제공합니다. 그들은 또한 샘플링 효율성을 높이고 농부들이 정확하고 효과적인 방법을 고안하도록 돕는 UAV의 능력을 제안하고 논의합니다
심기 전략. Berni가 저술한 두 개의 논문(Berni et al., 2009b; Berni et al., 2009a)은 농업용 드론 관련 연구에 대한 그의 중요한 영향을 강조합니다. Zarco-Tejada et al.의 논문. (2014)는 나무 높이 정량화에 저비용 UAV 이미지를 사용할 필요성을 설명하는 선구적인 연구 중 하나였습니다.
가장 많이 인용된 출판물의 목록입니다.
계급 | 1990에서 2010로 | 2011에서 2021로 | ||
문서 | 소환 | 문서 | 소환 | |
1 | (버니 외, 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (오스틴, 2010) | 498 | (넥스앤레몬디노, 2014) | 893 |
3 | (헌트 외, 2010) | 331 | (플로레아노 & 우드, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (호세인 모틀라흐 외, 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (버니 외, 2009b) | 250 | (마 외, 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendig 외, 2014) | 360 |
8 | (Hrabar 등, 2005) | 175 | (Zarco-Tejada 외, 2014) | 347 |
9 | (Y. 황 외, 2009) | 129 | (기원 후 AO 외, 2017) | 335 |
10 | (Schmale III 등, 2008) | 119 | (Honkavaara 등, 2013a) | 331 |
11 | (Abd-Elrahman 외., 2005) | 79 | (Candiago 외, 2015) | 327 |
12 | (테크 외, 2010) | 69 | (시앙 & 티안, 2011) | 307 |
13 | (설리반 외, 2007) | 51 | (Matese 외, 2015) | 303 |
14 | (루미 외, 2008) | 42 | (가고 외, 2015) | 275 |
15 | (곡토 ¨ ǧan et al., 2010) | 40 | (아센 외, 2015a) | 269 |
두 번째 기간(2011-2021)에는 Zhang and Kovacs(2012)와 Nex and Remondino(2014)의 연구가 가장 자주 인용되는 출판물이 되었습니다. Zhang과 Kovacs(2012)는 정밀 농업이 지리 정보 시스템, GPS 및 원격 감지와 같은 지리 공간 기술 및 센서를 구현하여 현장의 변화를 포착하고 대안 전략을 사용하여 처리할 수 있다고 주장합니다. 정밀 농업 분야의 판도를 뒤바꾼 드론의 채택은 원격 감지의 새 시대를 예고하고 항공 관찰을 단순화하고 작물 성장 데이터, 토양 조건 및 살포 지역을 캡처합니다. Zhang and Kovacs(2012)의 리뷰는 플랫폼 및 카메라 제한, 데이터 처리 문제, 농부 참여 및 항공 규정과 같은 환경 모니터링 및 정밀 농업에서 이러한 장치의 기존 사용 및 과제를 공개함으로써 UAV에 대한 통찰력을 제공하기 때문에 중요합니다. . 두번째
Nex와 Remondino(2014)에서 가장 많이 인용된 연구는 지구 이미지를 캡처, 처리 및 분석하기 위한 UAV의 최신 기술을 검토했습니다.
그들의 작업은 또한 UAV 이미지 처리의 최신 발전을 보여주는 여러 UAV 플랫폼, 응용 프로그램 및 사용 사례에 대한 개요를 제시했습니다. 농업에서 농부는 UAV를 사용하여 비용과 시간을 절약하고, 신속하고 정확한 피해 기록을 수신하고, 가능한 문제를 예측하기 위한 효과적인 결정을 내릴 수 있습니다. 기존 고소 작업대와 달리 UAV는 고정밀 잠재력을 유지하면서 운영 비용을 절감하고 열악한 위치에서 접근 위험을 줄일 수 있습니다. 그들의 논문은 특히 정확도와 해상도 측면에서 UAV의 다양한 장점을 요약합니다.
2011년에서 2021년 사이에 가장 많이 인용된 나머지 2014개의 출판물 중에서 우리는 이미징 임무에서 드론 응용과 관련된 연구에 더 집중하는 것을 발견했습니다(Bendig et al., 2017; Ma et al., 2014; Zarco-Tejada et al., 2015). , 정밀 농업(Candiago et al., 2013; Honkavaara et al., 2015a), 정밀 포도 재배(Matese et al., 2015), 수분 스트레스 평가(Gago et al., 2015) 및 식생 모니터링(Aasen et al. , XNUMXa). 초기에 연구자들은 집중적으로
농업을 위한 저비용, 경량, 정밀 UAV 기반 시스템 개발에 대한 추가 정보; 보다 최근의 연구는 농업 및 현장 조사를 위한 UAV 응용 프로그램의 검토에 더 초점을 맞추었습니다. 요약하면, 이 분석은 영향력 있는 출판물이 대부분 UAV의 현재 과학 및 기술 상태를 평가하기 위한 선행 연구에 대한 리뷰를 제공하고 정밀 농업을 지원하기 위해 UAV 시스템을 개발했음을 보여줍니다. 흥미롭게도 우리는 경험적 방법을 사용한 연구를 찾지 못했습니다.
상당한 지식 격차를 구성하고 이 주제에 대한 더 많은 연구를 요구하는 방법론 또는 설명 사례 연구.
동시 인용 분석
Gmür(2006)에 따르면 동시 인용 분석은 유사한 출판물을 식별하고 클러스터링합니다. 클러스터를 주의 깊게 조사하면 출판물 사이의 공통 연구 분야를 밝힐 수 있습니다. 농업용 드론 관련 문헌의 동시 인용을 조사하여 관련 주제 영역을 설명하고 출판물의 지적 패턴을 감지합니다. 이와 관련하여 Small(1973)은 가장 영향력 있고 중요한 연구를 연구하기 위해 동시 인용 분석의 사용을 권장했습니다.
규율 내에서. 가장 중요한 논문(Goyal & Kumar, 2021)으로 집합을 제한하기 위해 동시 인용 임계값을 25로 설정했습니다. 즉, 두 논문이 25개 이상의 서로 다른 출판물의 참조 목록에서 함께 인용되어야 함을 의미합니다. 클러스터링도 최소 클러스터 크기 1로 수행되었으며 더 작은 클러스터와 더 큰 클러스터를 병합하는 방법이 없습니다. 그 결과 연구의 유사성과 지적 구조에 따라 6개의 클러스터가 생성되었다. 표 XNUMX은 각 클러스터의 출판물 분포를 보여줍니다.
클러스터 1: 이 클러스터에는 이 클러스터의 간행물이 환경 모니터링, 작물 관리 및 잡초 관리를 지원하는 데 있어 드론의 역할에 대해 논의한 후 게시된 2018개의 문서가 포함되어 있습니다. 예를 들어, Manfreda et al. (XNUMX)은 자연 농업 생태계 모니터링에서 UAV의 현재 연구 및 구현에 대한 개요를 제공하고 이 기술이 환경 모니터링을 획기적으로 향상시키고 감소시킬 수 있는 엄청난 잠재력을 제공한다고 주장합니다.
현장 관찰과 기존의 항공 및 우주선 원격 감지 사이의 기존 격차. 이것은 저렴한 방법으로 넓은 지역에 대한 향상된 시간 검색 및 공간 통찰력을 위한 새로운 용량을 제공함으로써 수행될 수 있습니다. UAV는 지속적으로 환경을 감지하고 결과 데이터를 센서를 제어하는 지능적인 중앙 집중식/분산 엔티티로 보내 질병 또는 물 감지 부족과 같은 최종 문제를 식별할 수 있습니다(Padua ' et al., 2017). Adao ~ et al. (2017)은 UAV가 물 상태, 바이오매스 추정 및 활력 평가와 관련된 방대한 양의 원시 데이터를 캡처하여 식물의 상태를 평가하는 데 이상적이라고 가정합니다. UAV 탑재 센서는 또한 원격 감지 데이터를 적시에 캡처할 수 있도록 적절한 환경 조건에 신속하게 배치될 수 있습니다(Von Bueren et al., 2015). UAV를 통해 농부는 실내 농업 환경의 2015차원 공간(예: 온실)의 거의 모든 장소에서 측정값을 획득하여 실내 농업 활동을 수행할 수 있으므로 지역 기후 제어 및 식물 모니터링을 보장합니다(Roldan ' et al. ., XNUMX). 정밀도의 맥락에서
농업, 작물 관리 결정에는 적절한 시간 및 공간 해상도와 함께 정확하고 신뢰할 수 있는 작물 데이터가 필요합니다(Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). 이러한 이유로 Agüera Vega et al. (2015)는 성장기 동안 해바라기 작물의 이미지를 획득하기 위해 UAV 장착 다중 스펙트럼 센서 시스템을 사용했습니다. 유사하게, Huang et al. (2009)는 UAV에 기반한 원격 감지가 수집된 스펙트럼 데이터에서 작물과 토양 측정을 용이하게 할 수 있다고 언급했습니다. Verger et al. (2014) 밀과 유채 작물에 초점을 맞춘 정밀 농업 응용 분야에서 UAV 반사율 측정에서 녹지 지수(GAI)를 추정하는 기술을 개발하고 테스트했습니다. 따라서 드론은 빈번한 재방문과 높은 공간 해상도로 작물 상태 정보를 검색할 수 있는 새로운 가능성을 제공합니다(Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
농업용 드론에 대한 영향력 있는 출판물 클러스터링.
클러스터 | 광범위한 주제 | 참고자료 |
1 | 환경 모니터링, 작물 관리, 잡초 관리 | (기원 후 ao et al., 2017; 아구에라 베가 외, 2015; 드 카스트로 외, 2018; Gomez-Cand ' on ' et al., 2014; YB 황 등, 2013; Khanal 등, 2017년; 로페즈-그라나도스, ´ 2011; Manfreda et al., 2018; 피 아두아 등, 2017년; Pena ~ et al., 2013; 페레즈-오르티즈 외, 2015; Rasmussen 등, 2013, 2016년; 토레스-S' 안체즈 등, 2014; 토레스-산체스, ' 로페즈-그라나도스, ' & 페나, ~ 2015년; Verger et al., 2014; 폰 Bueren et al., 2015; C. 장 & 코박스, 2012) |
2 | 원격 표현형, 수율 추정, 작물 표면 모델, 식물의 수를 세다 | (Bendig 외, 2013, 2014; Geipel et al., 2014; 그나딩거 ¨ & 슈미트할터, 2017; Haghattalab et al., 2016; Holman et al., 2016; 진 외, 2017; W. Li 등, 2016; Maimaitijiang et al., 2017; 산카란 외, 2015; 쉬르만 외, 2016; Shi et al., 2016; Yue et al., 2017; 엑스. 저우 외, 2017) |
3 | 물에 대한 열화상, 다중 스펙트럼 이미징 | (Baluja 외, 2012; Berni 외, 2009b; Berni et al., 2009a ; 칸디아고 et al., 2015; 가고 등, 2015; Gonzalez-Dugo 외, 2013, 2014; Grenzdorffer ¨ et al., 2008; 칼리크 외, 2019; Matese 등, 2015; Ribeiro-Gomes 외, 2017; Santesteban 외, 2017; Uto et al., 2013) |
4 | 초분광 이미징, 스펙트럼 영상 | (Aasen 외, 2015a; Bareth 외, 2015년; Hakala et al., 2013; Honkavaara et al., 2013a; 루시에르 외, 2014; Saari 등, 2011; Suomalainen 외, 2014) |
5 | 3D 매핑 애플리케이션 | (Jim'enez-Brenes et al., 2017; Nex & 레몬디노, 2014년; Salami et al., 2014년; 토레스-S' 안체스, 로페즈- ´ Granados, Serrano 등, 2015; Zahawi et al., 2015; 자르코-테자다 등, 2014) |
6 | 농업 감시 | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008년; Primicerio et al., 2012; 샹 & 티안, 2011) |
또한 드론은 잡초 지도 작성을 비롯한 농업 분야의 도전적인 작업에 유용합니다. 장치로 캡처한 이미지는 현장에서 조기 잡초 탐지에 유용함이 입증되었습니다(de Castro et al., 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ' et al., 2016, Rozenberg et al., 2021). 이와 관련하여 de Castro et al. (2018)은 UAV 이미지와 OBIA(객체 기반 이미지 분석)의 병합으로 실무자가 초지 작물의 조기 감지 자동화 문제를 극복할 수 있게 되었다고 가정합니다. 이는 잡초 연구에서 큰 진전입니다. 마찬가지로, Pena ~ et al. (2013) OBIA 절차와 함께 UAV의 초고해상도 이미지를 사용하면 제철 잡초 방제 조치를 계획하는 데 사용할 수 있는 초기 옥수수 작물의 잡초 지도를 생성할 수 있다고 지적합니다. 위성 및 전통적인 공중 이미지의 능력을 넘어서는 작업. 이미지 분류 또는 객체 감지 알고리즘과 비교하여 의미론적 분할 기술은 잡초 매핑 작업에서 더 효과적이므로(J. Deng et al., 2020), 따라서 농부는 재배 기간 동안 필드 조건을 감지하고 손실을 완화하며 수확량을 개선할 수 있습니다(Ramesh et al., 2020). 딥 러닝 기반 의미론적 세분화는 고해상도 항공 이미지에서 초목 덮개의 정확한 측정을 제공할 수도 있습니다(Ramesh et al., 2020; A. Zheng et al., 2022). 원격에 대한 잠재력에도 불구하고
감지 픽셀 분류, 의미론적 분할 기술에는 상당한 계산과 엄청나게 높은 GPU 메모리가 필요합니다(J. Deng et al., 2020).
기계 학습 및 UAV를 기반으로 하는 P'erez-Ortiz et al. (2015)는 농부들이 초기 출현 후 잡초 방제를 채택할 때 현장별 잡초 방제 전략을 제공하기 위해 잡초 매핑 접근 방식을 제안했습니다. 마지막으로 Rasmussen et al. (2013)은 드론이 뛰어난 공간 해상도 유연성과 함께 저렴한 감지 기능을 제공한다고 강조했습니다. 전반적으로 이 클러스터의 출판물은 원격 감지, 작물 모니터링 및 잡초 매핑을 지원하는 UAV의 잠재력을 탐구하는 데 중점을 둡니다. 환경 모니터링, 작물 관리 및 잡초 지도 작성에 드론을 적용하여 보다 지속 가능한 농업을 달성할 수 있는 방법을 추가로 조사하려면 추가적인 심층 연구가 필요합니다(Chamuah & Singh, 2019; 이슬람 외, 2021; Popescu 외, 2020; J Su, Liu, et al., 2018) 작물 보험 적용에서 이 기술의 거버넌스 문제를 해결합니다(Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). 연구원은 처리된 데이터의 궁극적인 품질을 향상시키기 위해 효율적인 처리 기술로 UAV 수집 측정을 검증하는 데 집중해야 합니다(Manfreda et al., 2018). 또한, 디지털 이미지에서 잡초를 표시하고 UAV 잡초 매핑 중 관련 없는 배경을 제거하는 픽셀을 인식하는 적절한 알고리즘의 개발이 필요합니다(Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020, Lopez-' Granados et al., 2016). 식물 인식, 잎 분류 및 질병 매핑에서 의미론적 세분화 기술의 채택에 대한 추가 연구를 환영합니다(Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
클러스터 2. 이 클러스터의 출판물은 농업용 드론의 여러 측면에 초점을 맞췄습니다. 원격 표현형 관련, Sankaran et al. (2015)는 현장에서 작물의 빠른 표현형을 위해 UAV와 함께 저고도, 고해상도 항공 영상을 사용할 가능성을 검토했으며, 지상 기반 감지 플랫폼과 비교할 때 적절한 센서가 있는 소형 UAV가 몇 가지 이점을 제공한다고 주장합니다. , 현장 접근 용이성, 고해상도 데이터, 효율적인 데이터 수집,
필드 성장 조건의 신속한 평가 및 낮은 운영 비용. 그러나 저자는 또한 현장 표현형을 위한 UAV의 효과적인 적용이 두 가지 기본 요소, 즉 UAV 기능(예: 안전, 안정성, 위치 지정, 자율성)과 센서 특성(예: 해상도, 무게, 스펙트럼 파장, 필드 보기). Haghighattalab et al. (2016)은 UAV 이미지에서 플롯 수준 데이터를 검색하고 번식 과정을 가속화하기 위해 반자동 이미지 처리 파이프라인을 제안했습니다. Holman et al. (2016) 높은 개발
처리량 필드 표현형 시스템을 사용하고 UAV가 양질의 방대한 필드 기반 표현형 데이터를 수집할 수 있으며 장치가 넓은 영역과 다양한 필드 위치에 걸쳐 효과적이라는 점을 강조했습니다.
수율 추정은 특히 제 시간에 사용할 수 있을 때 매우 중요한 정보이므로 UAV가 모든 현장 측정을 제공하고 고품질 데이터를 효율적으로 획득할 가능성이 있습니다(Daakir et al., 2017; Demir et al., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). 이와 관련하여 Jin et al. (2017)은 매우 낮은 고도에서 UAV로 얻은 고해상도 이미지를 활용하여 출현 단계에서 밀 식물 밀도를 추정하는 방법을 개발하고 평가했습니다. 저자에 따르면 UAV는 카메라가 장착된 로버 시스템의 한계를 극복하고 작물의 식물 밀도를 추정하는 비침습적 방법을 나타냄으로써 농부가 토양의 교통성과 무관하게 현장 표현형에 필요한 높은 처리량을 달성할 수 있도록 합니다. Li et al. (2016)은 UAV 기반 시스템을 사용하여 캐노피 높이 및 지상 바이오매스를 포함한 옥수수 매개변수를 추정하는 초고해상도로 수백 개의 스테레오 이미지를 수집했습니다. 마지막으로 Yue et al. (2017)은 UAV에서 결정된 작물 높이가 지상 바이오매스(AGB) 추정을 향상시킬 수 있음을 발견했습니다.
작물 성장을 모니터링하는 접근 방식은 작물 표면 모델을 개발하는 아이디어입니다(Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). 여러 연구에서 식물의 높이를 포착하고 성장을 모니터링하기 위해 UAV에서 촬영한 이미지의 가능성을 강조했습니다. 예를 들어, Bendig et al. (2013)은 UAV를 사용하여 0.05m 미만의 매우 높은 해상도를 가진 다중 시간 작물 표면 모델의 개발을 설명했습니다. 그들은 작물을 감지하는 것을 목표로했습니다.
성장 변동성과 작물 처리, 품종 및 스트레스에 대한 의존성. Bendig et al. (2014)는 UAV를 사용하여 작물 표면 모델에서 추출한 식물 높이를 기반으로 신선 및 건조 바이오매스를 추정했으며 공중 플랫폼 및 지상 레이저 스캐닝과 달리 UAV의 고해상도 이미지가 다양한 성장에 대한 식물 높이 모델링의 정확도를 크게 높일 수 있음을 발견했습니다. 단계. 같은 맥락에서 Geipel et al. (2014) 연구에 UAV를 사용하여 이미지 획득
시즌 초부터 중기까지 2017가지 다른 성장 단계에서 옥수수 곡물 수확량 예측을 위한 데이터 세트를 사용하여 항공 이미지와 작물 표면 모델을 기반으로 한 스펙트럼 및 공간 모델링의 조합이 중기 옥수수 수확량을 예측하는 데 적합한 방법이라고 결론지었습니다. 마지막으로 Gnadinger ¨ 및 Schmidhalter(2)는 정밀 표현형에서 UAV의 유용성을 조사했으며 이 기술의 사용이 농장 관리를 향상시키고 육종 및 농업 목적을 위한 현장 실험을 가능하게 할 수 있음을 강조했습니다. 전반적으로, 우리는 클러스터 XNUMX의 출판물이 원격에서 UAV의 주요 이점에 초점을 맞추고 있음을 관찰합니다.
표현형, 수확량 추정, 작물 표면 모델링 및 식물 계수. 미래 연구는 원격 감지 데이터 처리를 자동화하고 최적화할 수 있는 원격 표현형 분석을 위한 새로운 방법을 개발함으로써 더 깊이 파고들 수 있습니다(Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). 또한 UAV에 탑재된 IoT 센서의 성능과 비용, 노동력, 수율 추정의 정밀도 간의 균형에 대한 연구가 필요하다.
미래(Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). 궁극적으로 신뢰할 수 있는 정보를 생성하고 농업 생산의 효율성을 극대화하며 농민의 수작업 계산 작업을 최소화할 수 있는 효율적인 이미지 처리 방법을 개발할 필요가 있습니다(RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
클러스터 3. 이 클러스터의 출판물은 UAV 플랫폼에서 사용되는 농업 자원의 원격 감지를 위한 다양한 유형의 이미징 시스템에 대해 설명합니다. 이와 관련하여 열화상을 사용하면 표면 온도를 모니터링하여 작물 피해를 방지하고 가뭄 스트레스를 조기에 감지할 수 있습니다(Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; 염, 2021). Balujaet al. (2012)는 다중 스펙트럼 및 열화상 카메라를 선상에서 사용한다고 주장했습니다.
UAV를 통해 연구자들은 고해상도 이미지를 얻고 포도나무 물 상태를 평가할 수 있었습니다. 이것은 원격 감지 데이터를 사용하여 새로운 물 일정 모델을 개발하는 데 유용할 수 있습니다(Baluja et al., 2012). 때문에
UAV의 제한된 부하 용량, Ribeiro-Gomes et al. (2017)은 비냉각식 열화상 카메라를 UAVS에 통합하여 플랜트의 수분 스트레스를 결정하는 것을 고려했으며, 이는 이러한 유형의 UAV를 기존의 위성 기반 원격 감지 및 냉각식 열화상 카메라가 장착된 UAV보다 더 효율적이고 실행 가능하게 만듭니다. 저자에 따르면 비냉각식 열화상 카메라는 냉각식 카메라보다 가볍기 때문에 적절한 보정이 필요합니다. Gonzalez-Dugo et al. (2014)는 열화상이 감귤 과수원 사이 및 내에서 수분 상태를 평가하고 수분 스트레스를 정량화하기 위해 작물 수분 스트레스 지수의 공간 맵을 효과적으로 생성한다는 것을 보여주었습니다. Gonzalez-Dugo et al. (2013) 및 Santesteban et al. (2017)은 상업용 과수원과 포도원의 물 상태 변동성을 추정하기 위해 고해상도 UAV 열화상 사용을 조사했습니다.
다중 스펙트럼 이미징은 기존의 RGB(빨간색, 녹색 및 파란색) 이미지와 비교하여 방대한 데이터를 제공할 수 있습니다(Ad~ ao et al., 2017; Navia et al., 2016). 공간 데이터와 함께 이 스펙트럼 데이터는 분류, 매핑, 예측, 예측 및 탐지 목적에 도움이 될 수 있습니다(Berni et al., 2009b). Candiago et al.에 따르면 (2015), UAV 기반 다중 스펙트럼 이미징은 신뢰할 수 있고 효율적인 자원으로서 작물 평가 및 정밀 농업에 크게 기여할 수 있습니다. 또한,
Khaliq et al. (2019)은 위성과 UAV 기반 다중 스펙트럼 이미징을 비교했습니다. UAV 기반 이미지는 포도밭 가변성과 작물 캐노피를 나타내는 활력 지도를 보다 정확하게 설명하는 결과를 가져왔습니다. 간단히 말해서, 이 클러스터의 기사는 열 및 다중 스펙트럼 이미징 센서를 농업용 UAV에 통합하는 방법에 대해 설명합니다. 따라서 열 및 다중 스펙트럼 이미징이 AI와 통합될 수 있는 방법을 이해하려면 더 많은 연구가 필요합니다.
식물 스트레스를 감지하는 기술(예: 딥 러닝)(Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). 이러한 통찰력은 식물 성장, 스트레스 및 현상학의 모니터링뿐만 아니라 보다 효율적이고 정확한 탐지를 보장하는 데 도움이 될 것입니다(Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
클러스터 4. 이 클러스터는 농업 관행을 지원하는 데 있어 스펙트럼 이미징 및 초분광 이미징의 중요한 역할을 중심으로 하는 2009개의 논문으로 구성됩니다. 초분광 이미징은 지구 시스템의 정량적 평가를 가능하게 하는 원격 감지 방법으로 자리 잡았습니다(Schaepman et al., XNUMX). 더 정확하게 말하면 표면 물질의 식별, (상대) 농도의 정량화 및 표면 구성 요소 비율 할당
혼합 픽셀 내(Kirsch et al., 2018; Zhao et al., 2022). 다시 말해, 초분광 시스템이 제공하는 더 높은 스펙트럼 분해능은 채식주의 특성이나 잎의 수분 함량과 같은 다양한 매개변수를 보다 정확하게 추정할 수 있게 해줍니다(Suomalainen et al., 2014). 이 클러스터의 연구원들은 이러한 시스템의 다양한 측면을 조사했습니다. 그 중에서도 Aasen et al. (2015b)는 경량에서 XNUMX차원 초분광 정보를 유도하는 독특한 접근 방식을 제공했습니다.
초목 모니터링을 위해 UAV에 사용되는 스냅샷 카메라. Lucieeret al. (2014)는 새로운 초분광 UAS의 설계, 개발 및 항공 작업과 함께 수집된 이미지 데이터의 보정, 분석 및 해석에 대해 논의했습니다. 마지막으로 Honkavaara et al. (2013b)는 FabryPerot 간섭계 기반 스펙트럼 이미지에 대한 포괄적인 처리 접근 방식을 개발하고 정밀 농업을 위한 바이오매스 추정 절차에서 사용을 보여주었습니다. 이 현재 클러스터의 잠재적인 미래 경로에는 센서 기술의 기술적 개선(Aasen et al., 2015b)의 필요성과 보완 기술, 특히 빅 데이터 및 분석 통합 및 향상의 필요성 강조가 포함됩니다(Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). 후자는 주로 스마트 농업에 구현된 다양한 센서에 의해 생성되는 계속 증가하는 데이터에서 비롯됩니다(C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
클러스터 5. 이 클러스터의 출판물은 드론 기반 3D 매핑 애플리케이션을 조사했습니다. 3D 매핑에 드론을 사용하면 복잡한 현장 작업을 완화하고 효율성을 크게 높일 수 있습니다(Torres-Sanchez ' et al., 2015). 클러스터의 2015개 기사는 주로 플랜트 모니터링 애플리케이션에 중점을 두었습니다. 예를 들어, 수관 면적, 나무 높이 및 수관 부피에 대한 2014차원 데이터를 얻기 위해 Torres-Sanchez ' et al. (2017) UAV 기술을 사용하여 디지털 표면 모델을 생성한 다음 객체 기반 이미지 분석(OBIA) 접근 방식을 생성했습니다. 또한, Zarco-Tejada et al. (3) UAV 기술과 XNUMX차원 사진 재구성 방법을 통합하여 나무 높이를 정량화했습니다. Jim'enez-Brenes Lopez-Granados, ' De Castro, et al. (XNUMX)은 UAV 기술과 고급 OBIA 방법론을 통합하여 수십 그루의 올리브 나무에 대한 다중 시간 XNUMXD 모니터링을 위한 새로운 프로세스를 시연했습니다. 이 클러스터의 미래 작업에 대한 흥미로운 경로에는 현재
방법론(Zarco-Tejada et al., 2014)은 OBIA(de Castro et al., 2017, 2016, Ventura et al. , 2018), 사진 재구성 또는 새로운 방법 개발(Díaz-Varela et al., 2020; Torres-S' anchez et al., 2018).
클러스터 6. 이 클러스터는 농업 감시에서 드론의 역할에 대해 논의합니다. UAV는 위성 및 항공기 이미징의 단점을 보완하고 극복할 수 있습니다. 예를 들어, 연료 또는 파일럿 문제가 적은 고해상도에 가까운 실시간 이미징을 제공하여 지속적이고 실시간으로 감시하고 의사 결정을 개선할 수 있습니다(S. Herwitz et al., 2004). UAV의 또 다른 주요 기여는 다양한 매개변수에 대한 고해상도의 상세한 데이터를 통해 농부가 토지를 균질한 부분으로 나누고 그에 따라 처리할 수 있도록 하기 때문에 정밀 농업 또는 현장 특정 농업을 위한 현장 특정 데이터를 제공하는 능력입니다(Hunt et al. , 2010, CC Lelong et al., 2008, Primicerio et al., 2012). 이러한 UAV 기반 농업 감시는 식량 안보 모니터링 및 의사 결정을 지원할 수 있습니다(SR Herwitz et al., 2004). 농업 감시 분야의 연구를 발전시키기 위해서는 센서, UAV 및 기타 관련 기술의 개선과 통신 및 데이터 전송 방법의 개선뿐만 아니라(Ewing et al., 2020; Shuai et al., 2019) 다양한 드론과의 통합이 필요합니다. 모니터링, 농업 감시 및 의사 결정과 같은 스마트 농업과 관련된 다양한 작업을 최적화하기 위한 기술은 잠재적인 연구 영역입니다(Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). 이와 관련하여 IoT, WSN 및 빅 데이터는 흥미로운 보완 기능을 제공합니다(van der Merwe et al., 2020). 구현 비용, 비용 절감, 에너지 효율성 및 데이터 보안은 이러한 통합에 대해 연구되지 않은 영역 중 하나입니다(Masroor et al., 2021).
국가 및 학술 기관
마지막 단계에는 출신 국가 및 저자의 학계 조사가 포함되었습니다. 이 분석을 통해 우리는 농업에서 드론의 응용에 기여하는 학자들의 지리적 분포를 더 잘 이해하는 것을 목표로 합니다. 국가와 학술 기관의 다양성을 주목할 만합니다. 국가적 관점에서 보면 미국, 중국, 인도, 이탈리아가 출판물 수 기준으로 상위권에 랭크되어 있다(표 7). 현재
농업용 드론에 대한 연구는 주로 정밀 농업 응용 분야에 대한 높은 참여로 인해 북미 및 아시아 국가에 집중되어 있습니다. 예를 들어, 미국에서 농업용 드론 시장은 841.9년에 2020억 30만 달러로 추산되어 세계 시장 점유율의 약 2021%를 차지합니다(ReportLinker, 2.6). 세계 최대 경제국인 중국은 2027년에 약 XNUMX억 달러의 시장 규모에 도달할 것으로 예상됩니다. 이 국가는 생산성 문제를 극복하고 더 나은 수확량, 노동 완화 및 더 적은 생산 투입을 달성하기 위해 농업용 드론에 호소하고 있습니다. 그러나 중국에서 이 기술의 채택은 인구 규모와 기존 작물 관리 관행을 혁신하고 개선해야 할 필요성과 같은 요인에 의해 주도됩니다.
에 기여하는 가장 생산적인 국가 및 대학/조직
농업용 드론 관련 연구.
계급 | 나라 |
1 | USA |
2 | 중국 |
3 | 인도 |
4 | 이탈리아 |
5 | 스페인 |
6 | 독일 |
7 | 브라질 |
8 | 호주 |
9 | 일본 |
10 | 영국 |
계급 | 대학/단체 |
1 | 중국 과학 아카데미 |
2 | 중화인민공화국 농업부 |
3 | 우수한 과학 수사위원회 |
4 | Texas A&M University |
5 | 중국 농업 대학 |
6 | USDA 농업 연구 서비스 |
7 | CSIC - Instituto de Agricultura Sostenible IAS |
8 | 퍼듀 대학 (Purdue University) |
9 | 국립 연구위원회 |
10 | 남 중국 농업 대학 |
대학 및 조직적 관점에서 중국과학원(Chinese Academy of Sciences)이 출판물 수 면에서 XNUMX위를 차지했고, 중화인민공화국 농업부와 Consejo Superior de Investigaciones Científicas가 그 뒤를 이었습니다. 중국과학원은 저자 Liao Xiaohan과 Li Jun이 대표합니다. Han Wenging은 중화인민공화국 농업부를 대표합니다. Consejo Superior de Investigaciones Científicas는 Lopez-Granados, ´ F. 및 Pena, ~ Jos´e María S로 대표됩니다. 미국에서 Texas A&M University 및 Purdue University와 같은 대학은
언급하다. 가장 많은 출판물이 있는 대학과 그 연결이 그림 4에 나와 있습니다. 또한 이 목록에는 과학 연구에 적극적이지만 학술 기관은 아닌 Consiglio Nazionale delle Ricerche 및 Consejo Superior de Investigaciones Científicas와 같은 기관이 포함됩니다. .
우리의 선택에는 거의 모든 이용 가능한 데이터를 포함하는 다양한 저널이 포함되었습니다. 표 8에서 볼 수 있듯이 원격 감지(Remote Sensing)가 258개 논문으로 126위에 올랐고, Journal of Intelligent and Robotic Systems: Theory and Applications(98개), Computers and Electronics in Agriculture(87개)가 그 뒤를 이었습니다. 원격 감지는 주로 드론의 응용 및 개발에 중점을 두고 있지만 농업의 컴퓨터 및 전자 제품은 주로 농업의 컴퓨터 하드웨어, 소프트웨어, 전자 및 제어 시스템의 발전을 다룹니다. IEEE Robotics and Automation Letters(34개 간행물 포함) 및 IEEE Access(959개 간행물 포함)와 같은 교차 영역 아울렛도 이 분야 최고의 아울렛입니다. 상위 20.40개 매체는 전체 출판물의 약 5%에 해당하는 XNUMX개의 문서로 문헌에 기여했습니다. 저널 동시 인용 분석을 통해 출판물 간의 중요성과 유사성을 조사할 수 있습니다. 동시 인용 분석은 그림 XNUMX와 같이 세 개의 클러스터를 생성합니다. 빨간색 클러스터는 Remote Sensing, Computer and Electronics in Agriculture, Sensors,
및 원격 감지의 국제 저널. 이 모든 아울렛은 원격 감지 및 정밀 농업 분야에서 매우 평판이 좋은 저널입니다. 녹색 클러스터에는 Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access, Drones와 같은 로봇 공학을 다루는 저널이 포함되어 있습니다. 이 아울렛은 주로 자동화에 관한 논문을 출판하며 농업 엔지니어에게 유용합니다. 최종 클러스터는 농업 및 생물 공학의 국제 저널과 같은 농업 경제학 및 농업 공학과 관련된 저널에 의해 형성됩니다.
농업용 드론 관련 연구의 상위 15개 저널.
계급 | Journal | 카운트 |
1 | 원격 감지 | 258 |
2 | 지능형 및 로봇 시스템 저널: 이론 및 어플리케이션 | 126 |
3 | 농업 분야의 컴퓨터 및 전자 제품 | 98 |
4 | IEEE 로봇 공학 및 자동화 서신 | 87 |
5 | 센서 | 73 |
6 | 원격 감지 국제 저널 | 42 |
7 | 정밀 농업 | 41 |
8 | 드론 | 40 |
9 | 농업 경제학 | 34 |
10 | IEEE 액세스 | 34 |
11 | 첨단 로봇 시스템의 국제 저널 | 31 |
12 | 농업 및 생물 공학의 국제 저널 | 25 |
13 | PLoS ONE | 25 |
14 | 현장 로봇 공학 저널 | 23 |
15 | 생물 시스템 공학 | 23 |
결론
요약
본 연구에서는 농업용 드론에 대한 기존 연구를 요약하여 분석하였다. 다양한 서지 기술을 적용하여 농업용 드론 관련 연구의 지적 구조를 더 잘 이해하기 위해 노력했습니다. 요약하자면, 우리의 리뷰는 문헌에서 키워드를 식별 및 논의하고, 드론 분야에서 의미론적으로 유사한 커뮤니티를 형성하면서 지식 클러스터를 드러내고, 초기 연구를 요약하고, 미래 연구 방향을 제안함으로써 여러 기여를 제공합니다. 아래에서는 농업용 드론 개발에 대한 검토의 주요 결과를 요약합니다.
• 전체 문헌은 2012년 이후 기사 수의 증가에서 알 수 있듯이 지난 2011년 동안 빠르게 성장했으며 엄청난 관심을 끌었습니다. 이 지식 분야가 아직 완전한 성숙에 도달하지는 않았지만(Barrientos et al., 2019; Maes & Steppe, 2022), 몇 가지 질문에 여전히 답이 없습니다. 예를 들어, 실내 농업에서 드론의 유용성은 여전히 논쟁의 여지가 있습니다(Aslan et al., 2021; Krul et al., 2015; Rold' an et al., 2019). 필드 장면의 복잡성과 다양한 이미징 환경(예: 그림자 및 조명)으로 인해 클래스 내 스펙트럼 변동이 더 커질 수 있습니다(Yao et al., 2021). 후기 연구 단계에서도 연구자들은 특정 시나리오와 요구되는 이미지 품질에 따라 최적의 비행 계획을 결정해야 하는 과제를 안고 있습니다(Soares et al., XNUMX; Tu et al.,
2020).
• 우리는 이 분야가 효율적인 UAV 시스템 개발에서 농업용 드론 설계에 머신 러닝 및 딥 러닝과 같은 AI 기술을 통합하는 방향으로 발전했음을 확인했습니다(Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020, Mazzia et al., 2020, Tetila et al., 2020).
• 농업용 드론에 대한 연구는 환경 모니터링, 작물 관리 및 잡초 관리(클러스터 1)와 원격 표현형 및 수확량 추정(클러스터 2)에서 기술의 잠재력을 탐색하여 원격 감지에 대해 주로 논의했습니다. 농업용 드론에 대한 영향력 있는 연구 세트에는 Austin(2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex와 Remondino(2014), Zhang과 Kovacs(2012). 이러한 연구는 농업의 맥락에서 드론 관련 연구의 개념적 기반을 개발했습니다.
• 방법론과 관련하여 우리는 지금까지 수행된 대부분의 연구가 시스템 설계, 개념 또는 검토 기반 연구로 구성되었음을 관찰했습니다(Inoue, 2020; Nex & Remondino, 2014; P'erez-Ortiz et al. , 2015; Yao et al., 2019). 우리는 또한 농업용 드론을 조사할 때 실증적, 정성적, 사례 연구 기반 방법이 부족하다는 것을 알게 되었습니다.
• 최근에는 정밀 농업, AI 기술, 정밀 포도 재배 및 물 스트레스 평가와 관련된 주제가 상당한 주목을 받았습니다(Espinoza et al., 2017; Gomez-Cand ' on ' et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021, Z. Zhou et al., 2021). 1990–2010년과 2011–2021년의 두 개의 별도 시대에 연구 클러스터를 주의 깊게 조사하면 해당 영역의 지적 구조가 발전했음을 알 수 있습니다. 1990년부터 2010년까지의 기간은 무인 항공기의 설계, 개발 및 구현에 대한 논의에서 분명하게 드러난 드론의 중심 개념과 개념의 구축을 구성했습니다. 두 번째 시대에는 연구 초점을 이전 연구로 확장하여 농업에서 UAV 사용 사례를 합성하기 위해 노력합니다. 우리는 또한 이미징 작업 및 정밀 농업에서의 드론 응용에 대해 논의하는 수많은 연구를 발견했습니다.
계급 | Journal | 카운트 |
1 | 원격 감지 | 258 |
2 | 지능형 및 로봇 시스템 저널: 이론 및 | 126 |
어플리케이션 | ||
3 | 농업 분야의 컴퓨터 및 전자 제품 | 98 |
4 | IEEE 로봇 공학 및 자동화 서신 | 87 |
5 | 센서 | 73 |
6 | 원격 감지 국제 저널 | 42 |
7 | 정밀 농업 | 41 |
8 | 드론 | 40 |
9 | 농업 경제학 | 34 |
10 | IEEE 액세스 | 34 |
11 | 첨단 로봇 시스템의 국제 저널 | 31 |
12 | 농업 및 생물 공학의 국제 저널 | 25 |
13 | PLoS ONE | 25 |
14 | 현장 로봇 공학 저널 | 23 |
15 | 생물 시스템 공학 | 22 |
시사점
우리의 서지 검토는 학자, 농부, 농업 전문가, 작물 컨설턴트 및 UAV 시스템 설계자를 염두에 두고 설계 및 수행되었습니다. 저자가 아는 한, 이것은 심층 서지 분석을 수행한 최초의 원본 리뷰 중 하나입니다.
농업에서의 드론 응용. 우리는 출판물의 인용 및 동시 인용 분석을 사용하여 이 지식 기관에 대한 포괄적인 검토를 수행했습니다. 드론 연구의 지적 구조를 설명하려는 우리의 시도는 학계에도 새로운 통찰력을 제공합니다. 시간이 지남에 따라 사용된 키워드를 주의 깊게 검토하면 드론 관련 문헌에서 핫스팟과 중점 연구 영역을 알 수 있습니다. 또한 해당 분야에서 완료된 가장 영향력 있는 연구 작업을 식별하기 위해 가장 많이 인용된 연구 목록을 제시합니다. 기사와 키워드의 식별은 결과적으로 미래 연구를 위한 여러 길을 밝히는 견고한 출발점을 제공할 수 있습니다.
중요한 것은 비교 가능한 작업을 분류하고 결과를 자세히 설명하는 클러스터를 공개했다는 것입니다. 클러스터로 분류된 연구는 UAV 연구의 지적 구조를 이해하는 데 도움이 됩니다. 특히, 우리는 드론의 채택 요인을 조사한 연구가 부족하다는 것을 발견했습니다.
농업 활동의 장벽(표 9 참조). 미래의 연구자들은 다양한 농업 활동과 기후 조건에서 드론의 채택 요인을 평가하는 실증적 조사를 수행하여 이러한 잠재적 격차를 해결할 수 있습니다. 또한 드론의 효율성에 대한 사례 연구 기반 연구는 현장의 실제 데이터를 뒷받침해야 합니다. 또한 학술 연구에 농부와 관리자를 참여시키는 것은 드론 연구의 이론 및 실제 발전 모두에 유리할 것입니다. 우리는 또한 가장 저명한 연구원과 그들의 공헌을 식별할 수 있었는데, 이는 최근의 획기적인 연구에 대한 인식이 미래의 학문적 노력에 대한 지침을 제공할 수 있기 때문에 가치가 있습니다.
표 9
UAV 채택 장벽.
장벽 | 상품 설명 |
데이터 보안 | 사이버 보안은 구현을 위한 주요 과제입니다. IoT 솔루션(Masroor et al., 2021). |
상호 운용성 및 완성 | UAV, WSN, IoT 등 다양한 기술 통합하고 데이터를 전송해야 합니다. 복잡성 수준 증가(Alsamhi et al., 2021; Popescu 등, 2020; Vuran 등, 2018). |
구현 비용 | 이것은 특히 소농과 다양한 첨단 기술을 통합( Masroor 외, 2021). |
노동 지식과 전문적 지식 | UAV를 운용하려면 숙련된 드론 조종사가 필요합니다. 또한 다양한 첨단 기술을 구현하여 기술에는 숙련된 작업자가 필요합니다(YB Huang 외, 2013; Tsouros 외, 2019). |
엔진 출력 및 비행 지속 | 드론은 장시간 작동할 수 없습니다. 넓은 지역(Hardin & Hardin, 2010; Laliberte et al., 2007). |
안정성, 신뢰성 및 기동성 | 악천후에서는 드론이 안정적이지 않습니다. (Hardin & Hardin, 2010; Laliberte et al., 2007). |
페이로드 제한 및 센서의 품질 | 드론은 제한된 하중만 운반할 수 있습니다. 낮은 품질의 센서를 로드할 수 있는 기능(Nebiker et al., 2008). |
규제 | 드론도 위험할 수 있으므로 일부 지역의 규정(Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
농민의 지식과 관심 | 다른 첨단 기술로 드론의 성공적인 구현에는 전문성이 필요하며 또한 불확실성과 함께(Fisher et al., 2009; Lambert et al., 2004; 스태포드, 2000). |
수확량을 극대화하기 위해 가용 자원을 효율적으로 사용해야 하는 지속적인 필요성이 있기 때문에 농부는 드론을 활용하여 신속하고 정확하며 비용 효율적인 밭 스캔을 보장할 수 있습니다. 이 기술은 농부들이 작물의 상태를 결정하고 물 상태, 숙성 단계, 곤충 침입 및 영양 요구를 평가하도록 지원할 수 있습니다. 드론의 원격 감지 기능은 농부들에게 중요한 데이터를 제공하여 초기 단계에서 문제를 예측하고 적절한 개입을 신속하게 수행할 수 있습니다. 그러나 기술의 이점은 문제가 적절하게 해결되어야만 실현될 수 있습니다. 에 비추어
데이터 보안, 센서 기술 문제(예: 측정의 신뢰성 또는 정확성), 통합의 복잡성 및 상당한 구현 비용과 관련된 현재 문제, 향후 연구는 농업용 드론 및 기타 절단 기술 통합의 기술적, 경제적 및 운영 가능성도 검토해야 합니다. 엣지 기술.
제한 사항
우리의 연구에는 몇 가지 제한 사항이 있습니다. 첫째, 결과는 최종 분석을 위해 선택된 출판물에 의해 결정됩니다. 농업용 드론과 관련된 모든 관련 연구, 특히 Scopus 데이터베이스에 색인되지 않은 연구를 캡처하는 것은 어렵습니다. 또한, 데이터 수집 프로세스는 검색 키워드 설정으로 제한되며, 이는 포괄적이지 않고 결정적이지 않은 결과로 이어질 수 있습니다. 따라서 향후 연구에서는 데이터 수집의 근본적인 문제에 더 많은 관심을 기울일 필요가 있습니다.
더 신뢰할 수 있는 결론. 또 다른 제한 사항은 인용 횟수가 적은 새로운 출판물과 관련이 있습니다. 서지 분석은 수년에 걸쳐 더 많은 인용을 받는 경향이 있기 때문에 이전 출판물에 편향되어 있습니다. 최근의 연구는 주목을 끌고 인용을 축적하는 데 어느 정도의 시간이 필요합니다. 따라서 패러다임의 전환을 가져온 최근의 연구는 영향력 있는 XNUMX위권에 들지 못할 것입니다. 이러한 한계는 농업용 드론과 같이 급부상하는 연구 영역에 대한 조사에서 널리 퍼져 있습니다. 이 작업에 대한 문헌을 연구하기 위해 Scopus와 상의했기 때문에 미래의 연구자들은 다른 방법을 고려할 수 있습니다.
Web of Science 및 IEEE Xplore와 같은 데이터베이스를 사용하여 지평을 확장하고 연구 구조를 강화합니다.
잠재적인 서지 연구는 회의 논문, 장 및 책과 같은 다른 중요한 지식 소스를 고려하여 새로운 통찰력을 생성할 수 있습니다. 농업용 드론에 대한 글로벌 간행물을 매핑하고 조사했음에도 불구하고 우리의 연구 결과는 대학의 학술적 성과 뒤에 숨겨진 이유를 밝히지 못했습니다. 이것은 농업에 관한 연구와 관련하여 일부 대학이 다른 대학보다 생산성이 높은 이유를 질적으로 설명하는 새로운 연구 영역으로 가는 길을 열어줍니다.
드론. 또한 미래 연구는 여러 연구자가 지적한 바와 같이 환경 모니터링, 작물 관리 및 잡초 지도 작성과 같은 여러 방식으로 농업 지속 가능성을 증가시키는 드론의 잠재력에 대한 통찰력을 제공할 수 있습니다(Chamuah & Singh, 2019; 이슬람 외, 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). 선정된 논문의 수가 많아 텍스트 분석이 불가능하였기 때문에 이에 대한 체계적인 문헌 고찰이 필요하다.
사용된 연구 방법 및 이전 연구에 대한 농부의 참여. 요컨대, 드론 연구에 대한 우리의 분석은 이 지식체의 보이지 않는 연결을 드러냅니다. 따라서 이 리뷰는 출판물 간의 관계를 밝히고 연구 분야의 지적 구조를 탐색하는 데 도움이 됩니다. 또한 저자의 키워드, 소속 및 국가와 같은 문헌의 다양한 측면 간의 연결을 보여줍니다.
경쟁 관심의 선언
저자는이 논문에보고 된 작업에 영향을 미칠 수있는 경쟁적인 재정적 이해 관계 나 개인적 관계가 없다고 선언합니다.
부록 1
TITLE-ABS-KEY(((드론* 또는 "무인 항공기" 또는 uav* 또는 "무인 항공기 시스템” 또는 미국 또는 "원격 조종 항공기”) AND (농업 또는 농업 또는 농업 또는 농부))) 및 (제외(PUBYEAR, 2022)) 및 (제한적(언어, "영어")).
참고자료
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. 초목 모니터링을 위한 경량 UAV 스냅샷 카메라로 3D 초분광 정보 생성: from
품질 보증을 위한 카메라 보정. ISPRS J. Photogramm. 원격 센서 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. 무인 항공기 이미지에서 자동 조류 감지를 위한 패턴 인식 알고리즘 개발.
조사. 토지 정보. 과학. 65(1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. 농업의 무선 센서 네트워크: 서지 분석의 통찰력. 지속 가능성 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., 고해상도 광학 이미지에서 그림자 감지를 위한 다양한 방법 평가 및 계산에 대한 그림자 영향 평가 NDVI 및 증발산. 이리그. 과학. 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. 초분광 이미징: UAV 기반 센서에 대한 검토, 데이터 처리 및
농업 및 임업을 위한 응용 프로그램. 원격 감지 9(11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. 해바라기 작물 모니터링을 위한 무인 항공기를 사용한 다중 시간 이미징. 바이오시스트. 영어
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. UAV에서 정확한 디지털 고도 모델 생성은 낮은 비율의 중첩 이미지를 획득했습니다. 국제
J. 원격 센서 38(8–10), 3113–3134. https://doi.org/10.1080/01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. 원격 감지 데이터에서 바이오매스 및 토양 수분 검색을 위한 기계 학습 접근 방식 검토. 원격 감지 7(12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., B5G 네트워크에서 UAV를 사용하는 녹색 사물 인터넷: 애플리케이션 검토
및 전략. 기원 후. 임시 네트워크 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. 양 가축 모니터링을 위한 드론. In: 제20회 IEEE 지중해 전기 기술 회의. https://도이.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. 다중 스펙트럼 이미징 및 인공 지능을 활용한 감귤류의 UAV 기반 고처리량 표현형. 원격 감지 11(4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: 인공 지능을 활용하는 정밀 농업 애플리케이션을 위해 UAV 수집 데이터를 처리, 분석 및 시각화하는 클라우드 기반 애플리케이션. 계산 전자. 농업. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. 농업에서 초분광 정보를 사용한 빅 데이터 및 기계 학습. IEEE 액세스 9, 36699–36718. https://doi.org/10.1109/
ACCESS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. 검토: 목초지 기반 가축 시스템의 정밀 가축 농업 기술. 동물 16(1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., 첨단 정보 통신 기술 동향
농업 생산성 향상: 서지 분석. 농업 경제학 10(12), 12조. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. 플라잉 게이터: occam-π의 공중 로봇 공학으로. 통신 프로세스 아키텍트. 2011, 329–340. https://도이. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. 소비자 불만 행동(CCB) 연구의 지적 구조: 서지 분석. J. 비즈니스 해상도 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
야외 및 온실에서 정밀 농업을 위한 UAV를 사용한 최근 연구에 대한 포괄적인 조사. 적용 과학. 12(3), 1047. https://doi.org/10.3390/
앱12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM(2018). 미래를 위한 현장 표현형. 연례 식물 검토 온라인(pp. 719–736). 남자
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. 무인 항공기 시스템: UAVS 설계, 개발 및 배치. In: 무인 항공기 시스템: UAVS 설계, 개발 및
전개. 존 와일리와 아들. 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. 식물 스트레스에서 UAV 기반 원격 감지는 디지털 농업 관행에 고해상도 열 센서를 사용하는 것을 상상합니다. 메타 검토. 국제 J. 환경. 과학. 기술. https://도이.
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. 스마트 농업: 기회, 도전
및 기술 인에이블러. 2018 IoT 수직 및. 농업에 관한 주제 정상 회담 - 투스카니(IOT 투스카니) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. UAV 이미지의 라인 작물에서 잡초 감지를 위한 감독되지 않은 데이터 라벨링을 사용한 딥 러닝. 원격 감지 10(11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. 인용 할당의 규범적 대 사회적 구성주의 프로세스: 네트워크 분석 모델. 이다. 사회. 계시록 63(6), 829–846. https://도이.
org / 10.2307 / 2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. 열 및 다중 스펙트럼에 의한 포도원 물 상태 변동성 평가
무인항공기(UAV)를 이용한 영상. 이리그. 과학. 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., 차세대 육종. 식물 과학. 242, 3–13. https://doi.org/10.1016/j.
plantci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. 소를 모니터링하기 위한 무인 항공 시스템의 사용에 대한 관점. 아웃룩 농업. 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. 저중량 및 UAV 기반 초분광 풀프레임 카메라
작물 모니터링용: 휴대용 분광 복사계 측정과 스펙트럼 비교. 사진 측량, Fernerkundung, 지리 정보 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., 농업의 공중 원격 감지: 지역 범위에 대한 실용적인 접근
그리고 미니 공중 로봇의 함대에 대한 경로 계획. J. 필드 롭. 28(5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. 다중 로터 UAV에 대한 경로 계획 알고리즘의 정밀 적용에 대한 설문 조사
농업. J. Navig. 75(2), 364–383.
Basnet, B., Bang, J., 2018. 지식 집약적 농업의 최첨단: 응용 감지 시스템 및 데이터 분석에 대한 검토. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. 작물 성장 변동성을 모니터링하기 위한 다중 시간, 매우 고해상도 작물 표면 모델을 위한 UAV 기반 이미징. 사진 측량, Fernerkundung, 지리 정보 2013(6), 551–562. https://도이. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. UAV 기반 RGB 이미징에서 파생된 작물 표면 모델(CSM)을 사용하여 보리의 바이오매스 추정. 원격 감지 6(11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. 작물 표면에서 UAV 기반 식물 높이 결합 모델,
보리의 바이오매스 모니터링을 위한 가시광선 및 근적외선 식생 지수. 국제 J. Appl. 지구 관찰 지오인프. 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. 고해상도를 사용하여 올리브 과수원에서 캐노피 컨덕턴스와 CWSI 매핑
열 원격 감지 이미지. 원격 감지 환경. 113(11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ' L., Fereres, E., 2009b. 무인 항공기에서 식생 모니터링을 위한 열 및 협대역 다중 스펙트럼 원격 감지. IEEE 트랜스. 지구과학. 원격 센서 47(3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. 식품 안전의 사물 인터넷: 문헌 검토 및 서지 분석. 트렌드 식품 과학. 기술. 94,54-64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. 농업의 IoT: 유럽 전역의 대규모 파일럿 설계. IEEE 커뮤니티. 잡지. 55(9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. 밀리미터 정확도로 개별 묘목 및 묘목 군집을 추적하는 다중 센서 UAV. 드론 3(4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. UAV 이미지에서 정밀 농업 애플리케이션을 위한 다중 스펙트럼 이미지 및 식생 지수 평가. 원격 감지 7(4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. UAV에서 파생된 WDRVI(광역 식생 지수)를 사용한 사탕무 성장 지표 모니터링
다중 스펙트럼 이미지. 계산 전자. 농업. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. 가족 기업 문헌의 지적 구조의 진화: FBR에 대한 서지 연구. Family Business 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. 벼의 바이오매스 동적 모니터링
듀얼 이미지 프레임 스냅샷 카메라와 함께 경량 UAV를 사용하여 다양한 질소 처리. 식물 방법 15(1), 32. https://doi.org/10.1186/s13007-019-
0418 - 8.
Chamuah, A., Singh, R., 2019. 민간 UAV를 통한 인도 농업의 지속 가능성 확보: 책임 있는 혁신 관점. SN 응용 프로그램. 과학. 2(1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. 인도 작물 보험 적용을 위한 민간 무인 항공기(UAV) 혁신의 책임 있는 거버넌스. J. 책임
기술. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. 정밀 관개 관리에 작물 캐노피의 고해상도 가시 채널 항공 영상 적용. 농업. 물
관리 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. 온보드 사진 측량 및 단일 주파수 GPS 포지셔닝을 갖춘 경량 UAV 계측 애플리케이션용. ISPRS J. Photogramm. 원격 센서 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. 자율 드론 운영 관리를 위한 블록체인 기반 IoT 플랫폼. In: 2차 ACM 절차
5G 이상을 위한 드론 지원 무선 통신에 관한 MobiCom 워크샵, pp. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. 과학 논문을 작성하고 출판하는 방법. 캠브리지 대학 출판부. de Castro, AI, Pena, ~ JM, Torres-Sanchez, ' J., Jim'enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ' F., 2020. cynodon dactylon 감염 매핑 정밀 포도 재배를 위한 자동 결정 트리-OBIA 절차 및 UAV 이미지로 작물을 덮습니다. 원격 감지 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. 자동 랜덤 포레스트-OBIA 알고리즘 UAV 이미지를 사용하여 자르기 줄 사이 및 내에서 초기 잡초 매핑. 원격 감지 10(2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. UAV 이미지에서 파생된 DSM을 사용하여 밀 유전자형의 식물 높이 자동 측정. 절차 2(7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. 무인 항공기를 사용한 실시간 잡초 매핑을 위한 경량 의미론적 분할 네트워크. 적용 과학. 10(20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. 정밀 농업을 위한 UAV 기반 다중 스펙트럼 원격 감지: 서로 다른 카메라 간의 비교. ISPRS J. Photogramm. 원격 센서 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. 토양 지표 추정에 적용된 기계 학습 및 원격 감지 기술 – 검토. 에코. 산업 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. 3D 사진을 사용하여 올리브 나무 크라운 매개변수를 평가하기 위한 고해상도 공중 UAV 이미지
재건: 육종 시험에 적용. 원격 감지 7(4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. 공항 수용력 관리: 검토 및 서지 분석. J. Air Transp. 관리 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.
RapidEye 이미지를 사용하여 캐나다 온타리오주에서 작물 성장 및 수확량의 현장 내 변동성을 식별합니다. 정밀 농업. 20(6), 1231-1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. 코로나19 이후 식량 공급망을 이해하기 위한 농업용 드론 및 iot의 적용. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), 농업 정보학: IoT 및 기계 학습을 사용한 자동화. Wiley, pp. 67–87. van Eck, N., Waltman, L., 2009년. 소프트웨어 조사: VOSviewer, 서지 매핑용 컴퓨터 프로그램. 사이언메트릭스 84(2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. 농업 분야의 사물 인터넷(IoT) 및 데이터 분석 개요: 이점과 과제.
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. 농경학의 검증 UAV 및 필드
토마토 품종 측정. 계산 전자. 농업. 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. 고해상도 다중 스펙트럼 및 열 원격 감지 기반 물 스트레스 평가
지하 관개 포도 덩굴. 원격 감지 9(9), 961. https://doi.org/10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. 토양 그라데이션을 위한 초분광 원격 감지 활용. 원격 감지 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. 드론 기반 다중 스펙트럼 표면 반사율 및 작동 조건의 식생 지수에 대한 다중 규모 평가. 원격 감지 12(3), 514.
Feng, X., Yan, F., Liu, X., 2019. 정밀 농업을 위한 사물 인터넷의 무선 통신 기술 연구. 무선 퍼스. 통신 108(3),
1785 - 1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. 국제 비즈니스 연구의 거래 비용 이론: 98년에 걸친 서지 연구. 사이언메트릭스 3(1899), 1922–10.1007. https://doi.org/11192/s013-1172-8-XNUMX.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009년. 호주 남동부의 정밀 농업 발전. I. 시뮬레이션을 위한 회귀 방법론
농민의 과거 목장 수확량과 정규화 된 차이 식생 지수를 사용한 곡물 수확량의 공간적 변화. 작물 목장 과학. 60(9), 844–858.
Floreano, D., Wood, RJ, 2015. 과학, 기술 및 소형 자율 드론의 미래. 자연 521(7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. 스마트 농업의 미래를 위한 사물 인터넷: 신흥 기술에 대한 포괄적인 조사. 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. 무화과 식물 세분화 깊은 컨볼루션 인코더-디코더 네트워크를 사용하여 항공 이미지에서. 원격 감지 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. UAV는 물 스트레스 평가에 도전합니다.
지속 가능한 농업. 농업. 물관리사. 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. 열화상 공장에서
적자 관개 전략 하에서 아몬드 나무(cv. Guara)의 작물-물 상태를 평가하기 위한 수준. 농업. 물관리사. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. 작은 초분광 UAS를 사용한 표면 반사율 및 태양 유도 형광 분광법 측정. 원격 감지 9(5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. 자동 방법
UAV 이미지를 기반으로 한 귀리 밭의 잡초 매핑. 계산 전자. 농업.
Gebbers, R., Adamchuk, VI, 2010. 정밀 농업 및 식량 안보. 과학 327(5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. 무인 항공기 시스템으로 획득한 항공 이미지 및 작물 표면 모델을 기반으로 하는 옥수수 수확량의 결합된 스펙트럼 및 공간 모델링. 원격 감지 6(11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. 사용자를 위한 지속 가능한 디자인: 문헌 검토 및 서지 분석. 환경. 과학. 오염. 해상도 27(24), 29824–29836. https://도이. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. 다중 스펙트럼 위성과 초분광을 결합하여 스펙트럼 시간 응답 표면 생성
정밀 농업 애플리케이션을 위한 UAV 이미지. IEEE J. Sel. 맨 위. 적용 지구 관찰 원격 센서 8(6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. 클라우드 및 빅 데이터 서비스로서의 IoT 기반 농업: 디지털 인도의 시작. J. 조직. 및 최종 사용자 컴퓨팅. (JOEUC) 29(4),
1 - 23.
Gmür, M., 2006. 동시 인용 분석 및 보이지 않는 대학 검색: 방법론적 평가. 사이언메트릭스 57(1), 27–57. https://doi.org/10.1023/
에이:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. 무인 항공기(UAV)에 의한 옥수수 식물의 디지털 계수. 원격 감지 9(6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. 수중 잡초 감시 및
관리. J. 인텔. 로봇 시스템: 이론. 적용 57(1–4), 467–484. https://도이. org/10.1007/s10846-009-9371-5.
Gomez-Cand ' on, ' D., De Castro, AI, Lopez-Granados, ' F., 2014. 밀의 정밀 농업용 무인 항공기(UAV) 이미지의 모자이크 정확도 평가. 대의 필기. 농업. 15(1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ' on, ' D., Virlet, N., Labb'e, S., Jolivot, A., Regnard, J.-L., 2016. UAV 감지 이미지에 의한 나무 규모에서 수분 스트레스의 현장 표현형 : 새로운 통찰력
열 획득 및 교정. 대의 필기. 농업. 17(6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. 감귤 과수원의 수분 부족 지표로 작물 수분 스트레스 지수 사용의 적용 가능성 및 한계. 농업. 을 위한. 운석. 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. 고해상도 UAV 열화상을 사용하여
상업 과수원 내 14가지 과수 종의 물 상태의 변동성을 평가합니다. 대의 필기. 농업. 6(660), 678–10.1007. https://doi.org/11119/s013-9322-9-XNUMX.
Goyal, K., Kumar, S., 2021. 금융 이해력: 체계적인 검토 및 서지 분석. 국제 J. 소비자 연구 45(1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. 임업 및 농업에서 저렴한 무인 항공기의 사진 측량 잠재력. 사진 측량, 원격 감지 및 공간 정보 과학의 국제 기록 보관소 – ISPRS 기록 보관소 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. 고해상도 상관관계 평가
비료 적용 수준 및 소형 UAV를 사용한 쌀 및 밀 작물의 수확량을 나타내는 NDVI. 원격 감지 11(2), 112.
Gundolf, K., Filser, M., 2013. 경영 연구 및 종교: 인용 분석. J. 버스. 윤리 112(1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. 공간의 CFD 시뮬레이션 및 실험적 검증 및 시간 분포
호버에 있는 쿼드 로터 농업용 UAV의 다운워시 기류. 계산 전자. 농업. 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. , 폴란드, J., 2016.
대규모 밀 육종묘의 높은 처리량 표현형을 위한 무인 항공 시스템의 적용. 식물 방법 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. 다양한 조명 조건에서 UAV의 스펙트럼 이미징 . GG Bill R.(Ed.), 국제 사진 측량 기록 보관소, 원격 감지 및 공간 정보 과학 - ISPRS 기록 보관소(Vol. 40, Issue 1W2, pp. 189–194). 국제 사진 측량 및 원격 감지 학회. 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. 무인 항공에서 섬 식생 매핑을 위한 기술 평가
차량(UAV) 이미지: 픽셀 분류, 시각적 해석 및 기계 학습 접근 방식. 국제 J. Appl. 지구 관찰 지오인프. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., 이슬람교, N., Samrat, NH, Dey, S., Ray, B., 2021. 방글라데시에서 책임 있는 리더십을 통한 스마트 농업: 가능성, 기회 및 그 너머.
지속 가능성 13(8), 4511.
Hardin, PJ, Hardin, TJ, 2010. 환경 연구에서 소규모 원격 조종 차량. 지리 나침반 4(9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. 환경 원격 감지의 소규모 무인 항공기: 도전과 기회. GISci. 원격 센서 48(1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. 농업용 사물 인터넷: 기술 및 응용 프로그램(1판 2021년판). 뛰는 사람.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, 황동, JA, 2004.
무인 항공기에서 촬영: 농업 감시 및 의사 결정 지원. 계산 전자. 농업. 44(1), 49–61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, UAV 기반 원격 감지를 사용한 필드 플롯 시험에서 밀 식물 높이 및 성장률의 높은 처리량 필드 표현형. 원격 감지 8(12). https://도이. org/10.3390/rs8121031.
Honkavaara, E., Saari, H., Kaivosoja, J., Pol ¨ onen, ¨ I., Hakala, T., Litkey, P., M¨akynen, J., Pesonen, L., 2013. 처리 및 평가 정밀 농업용 경량 UAV 분광 카메라를 사용하여 수집한 분광, 입체 이미지. 원격 감지 5(10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. 저고도 무인 항공기 기반 사물 서비스 인터넷: 포괄적인 조사 및 미래 전망. 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. UAV용 도시 협곡의 결합된 광학 흐름 및 스테레오 기반 탐색. 에서: 2005 IEEE/RSJ
지능형 로봇 및 시스템에 관한 국제 회의, pp. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. 클라우드 포그 컴퓨팅을 위한 크리에이티브 IoT 농업 플랫폼. 지속시키다. 계산 정보 시스템 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. 무인 항공기의 잡초 매핑을 위한 완전 컨볼루션 네트워크( UAV) 이미지. 플로스원 13(4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. UAV 이미지의 잡초 매핑에서 딥 러닝 대 객체 기반 이미지 분석(OBIA). 국제 제이.
원격 센서 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. 작물 모니터링에서 UAV 이미지에 대한 딥 컬러 보정
로컬에서 글로벌 관심으로 의미론적 스타일 전송을 사용합니다. 국제 J. Appl. 지구 관찰 지오인프. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. 농업 생산을 위한 무인 항공기 기술의 개발 및 전망
관리. 국제 J. Agric. 바이올. 영어 6(3), 1–10. https://doi.org/10.3965/j. 이자베.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. 무인 항공기 플랫폼용 스프레이 시스템 개발. 적용 영어 농업. 25(6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. NIR-green-blue 디지털 사진 획득
작물 모니터링을 위한 무인 항공기. 원격 감지 2(1), 290–305. https://도이. org/10.3390/rs2010290. Inoue, Y., 2020. 스마트 농업을 위한 위성 및 무인 항공기 기반 농작물 및 토양 원격 감지 – 검토. 토양 과학. 식물 Nutr. 66(6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
이슬람, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. 사물 인터넷(IoT) 및 통신 기술에 대한 응용 프로그램 및 통신 기술 검토
무인항공기(UAV) 기반의 지속 가능한 스마트 농업. 지속 가능성 13(4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. 다음으로 계산된 고해상도 디지털 표면 모델의 정확도 평가
최적이 아닌 조사 조건의 PhotoScan® 및 MicMac®. 원격 감지 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. 올리브 나무 아키텍처 및 연간에 대한 가지 치기 영향 정량화 UAV 기반 3D 모델링을 사용하여 캐노피 성장. 식물 방법 13(1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl', M., Comar, A., 2017. 초저고도 UAV 이미지에서 나온 밀 작물의 식물 밀도 추정. 원격 감지
환경. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. 클라우드 컴퓨팅이 지원하는 농산물 모니터링 시스템. 클러스터 컴퓨팅. 22(4), 8929–8938.
Ju, C., & Son, HI 2018a. 농업에서 원격 감지를 위한 여러 UAV 시스템의 성능 평가. 로봇 공학 및 자동화에 관한 IEEE ICRA(International Conference on Robotics and Automation) 국제 회의(ICRA), 호주 브리즈번, 21–26에서 농업의 로봇 비전 및 행동에 관한 워크샵의 절차.
Ju, C., Son, HI, 2018b. 농업용 다중 UAV 시스템: 제어, 구현 및 평가. 전자 7(9), 162. https://doi.org/10.3390/
전자공학7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. 원격 감지 및 인공 지능을 개선하는 도구로서의 잠재력
농업 생산 시스템의 회복력. 커 의견. 생명공학. 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. 무인 항공기 지원 다중 스펙트럼 작물 영상을 수박의 거미줄기 마름병에 대한 기존의 정찰 관행에 통합한 개선된 작물 정찰 기술. 플랜트 디스. 103(7), 1642-1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. 소셜 미디어 연구의 발전: 과거, 현재 및 미래. 알리다. 시스템 앞쪽. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: 다중 스펙트럼 이미지 및 깊이 지도를 기반으로 하는 덩굴 질병 감지 네트워크. 원격탐사 12(20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. 포도원에 대한 위성 및 UAV 기반 다중 스펙트럼 이미지 비교
변동성 평가. 원격 감지 11(4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT 블록체인은 고급 딥 러닝을 사용하여 식품 산업 4.0에 최적화된 출처 시스템을 가능하게 했습니다. 센서 20(10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. 식물 질병의 이미지 기반 감지: 고전적인 기계 학습에서 딥 러닝 여정까지. 무선통신. 모바일 컴퓨팅. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. UAV 기반 작물/잡초 분류를 위한 새로운 반 감독 프레임워크. 플로스원 16(5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. 정밀 농업에서 열 원격 감지의 현재 및 잠재적 응용 프로그램에 대한 개요. 계산 전자.
농업. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. 사물 인터넷(IoT)의 진화와 정밀 농업 분야에 미치는 중요한 영향. 계산 전자. 농업. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. 지속 가능한 조직을 위한 직원 참여: 소셜 네트워크 분석 및 버스트를 사용한 키워드 분석
탐지 접근. 지속 가능성 8(7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. 통합 지상파 및 드론
탐사 매핑 및 광산 모니터링을 위한 초분광 및 사진 측량 감지 방법. 원격 감지 10(9), 1366. https://doi.org/10.3390/
RS10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. 딥 러닝 및 UAV 이미지를 사용한 옥수수 식물 계수. IEEE Geosci. Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. 고처리량 이미지 기반 식물 표현형을 위한 자동화된 기계 학습. 원격탐사 13(5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. 화물 UAV 생태계 개발의 현대 기술 동향. J. Phys. 회의 Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. 단안 카메라가 있는 소형 무인 항공기를 사용한 실내 가축 및 농업용 Visual SLAM: 타당성 조사.
드론 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. 농업 자동화를 위한 드론 조사 심기에서
수확하다. IN: INES 2018 – 지능 공학 시스템에 관한 IEEE 22차 국제 회의, pp. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT 프레임워크 관점 및 과제: 드론을 "사물"로 보호하는 방향. 센서 18(11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. 건조한 상공에서 무인 항공기로 획득한 XNUMX분의 XNUMX 미만 이미지 분석을 위한 이미지 처리 및 분류 절차
방목지. GISci. 원격 센서 48(1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. 방목지 매핑 및 모니터링을 위한 무인 항공기: 두 시스템의 비교. ASPRS 연례 회의 절차.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. 자생 초원의 잡초 매핑을 위한 오픈 소스 워크플로
무인항공기 사용: Rumex obtusifolius를 사례 연구로 사용. 유로 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. 정밀 농업 데이터의 채택, 수익성 및 더 나은 활용.
작업 용지. 퍼듀대학교. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb'e, S., Baret, F., 2008. 소규모 구획에서 밀 작물의 정량적 모니터링을 위한 무인 항공기 이미지 평가. 센서 8(5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. 빅 데이터 및 사물 인터넷 기반 스마트 농업 설계. 국제 J. 배포. 센스넷. 16(5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. A의 고해상도 스테레오 이미지를 사용한 옥수수 캐노피 높이 및 지상 바이오매스 원격 추정 저가형 무인항공기 시스템. 에코. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. 농업의 기계 학습: 검토. 센서 18(8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. 모바일 다중 센서 접근 방식을 사용한 옥수수 형질의 원격, 공중 표현형. 식물 방법 11(1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. 무인 항공 시스템 이미지와 딥 러닝을 사용한 수수 원추 감지 및 계수. 앞쪽. 식물 과학. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. 클라우드 컴퓨팅을 기반으로 하는 현대 생태 농업의 사물 인터넷 모니터링 시스템. IEEE 액세스 7, 37050–37058.
Lopez-Granados, ´ F., 2011. 현장별 잡초 관리를 위한 잡초 탐지: 매핑 및 실시간 접근 방식. 위드 해상도. 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. 고해상도 UAV 이미지를 사용하여 잔디 작물에서 잔디 잡초의 개체 기반 조기 모니터링. 아그론. 지속시키다. 개발 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. UAV 기술을 사용한 해바라기의 초기 계절 잡초 매핑: 잡초 임계값에 대한 제초제 처리 맵의 가변성. 대의 필기. 농업. 17(2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – 다중 로터 무인 항공기 시스템의 이미징 분광법. J. 필드 롭. 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. 지상파 레이저 스캐닝 농작물. 제이제이에서
Chen J. Maas H–G. (Ed.), 국제 사진 측량 기록 보관소, 원격 감지 및 공간 정보 과학 - ISPRS 기록 보관소(Vol. 37, pp. 563–566).
국제 사진 측량 및 원격 감지 학회. 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. 감독된 객체 기반 토지 피복 이미지 분류에 대한 검토. ISPRS J. Photogramm. 원격 센서 130,
277-293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. 정밀 농업에서 무인 항공기를 사용한 원격 감지에 대한 관점. 동향 식물 과학. 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., 버켄, J., 프리치, F., 2017.
다중 센서 데이터 융합과 익스트림 러닝 머신을 이용한 UAS(Unmanned Aerial System) 기반 대두 표현형 분석. ISPRS J. Photogramm. 원격 센서 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.
위성/UAV 데이터 융합 및 기계 학습을 사용한 작물 모니터링. 원격 감지 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. 무인 항공 시스템의 사용에 관하여
환경 모니터링. 원격 감지 10(4), 641.
Marinko, RA, 1998. 논문의 여성 연구 저널 인용, 1989 및 The Serials Librarian 35(1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. UAV 지원 무선 네트워크의 리소스 관리: 최적화 관점. 임시 네트워크. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. 정밀한 다중 스펙트럼, 열 및 RGB 고해상도 이미지를 기반으로 하는 다중 센서 UAV 플랫폼의 실제 응용
포도 재배. 농업 8(7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. 정밀 포도 재배에서 UAV 사용을 주류화하는 핵심 요소로서 전통적인 NDVI 지수를 넘어. 과학. 의원 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 UAV, 항공기 상호비교
정밀 포도 재배를 위한 위성 원격 감지 플랫폼. 원격 감지 7(3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. 정밀도를 위한 위성 기반 식생 지수의 UAV 및 기계 학습 기반 개선
농업. 센서 20(9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. 지적 공간의 저자 매핑: 기술 개요. 제이엠 사회 정보 과학. 41(6), 433–443.
Meinen, BU, Robinson, DT, 2021. 농업 침식 모델링: UAV 시계열 데이터를 사용하여 USLE 및 WEPP 현장 규모 침식 평가 평가. 환경. 모델. 소프트웨어 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. 초분광 UAS(Unmanned Aircraft System) 이미지를 사용한 저지대 토착 초원 군집 분류
태즈메이니아 중부지방. 드론 3(1), 5.
Messina, G., Modica, G., 2020. 정밀 농업에서의 UAV 열화상 응용: 최신 기술 및 미래 연구 전망. 원격 감지 12(9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. 빅 데이터에 대한 서지 연구: 개념, 추세 및 과제. 비즈니스 프로세스 관리. J. 23(3),
555 - 573.
Mochida, K., Saisho, D., Hirayama, T., 2015. 현장 조건에서 획득한 수명 주기 데이터 세트를 사용한 작물 개선. 앞쪽. 식물 과학. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. 정밀 농업에서 드론 시스템의 적용에 대한 검토. 프로시디아 컴퓨팅. 과학. 133, 502–509.
Moharana, S., Dutta, S., 2016. 초분광 이미지에서 벼의 엽록소 및 질소 함량의 공간적 변동성. ISPRS J. Photogramm. 원격 센서 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. 스마트 팜을 위한 IoT 및 농업 데이터 분석. 계산 전자. 농업. 156, 467–474.
Nansen, C., Elliott, N., 2016. 곤충학의 원격 감지 및 반사율 프로파일링. 안누. 엔토몰 목사 61(1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. 농업의 다중 스펙트럼 매핑: 자율 쿼드콥터 UAV를 사용한 지형 모자이크. 국제 회의
무인 항공기 시스템 (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. 드론 사물 인터넷(Iodt): 스마트 드론의 미래 비전. 고급 인텔. 시스템 계산 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. 초고해상도 항공 원격 감지를 위한 초소형 UAV용 경량 다중 스펙트럼 센서. 국제 아치. 사진. 원격 감지 스팻. 정보 과학 37 (B1), 1193-1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. 농업 분야의 새로운 UAV 응용 프로그램. In: 2019 로봇 지능 기술에 관한 제7회 국제 컨퍼런스 및
애플리케이션(RiTA), pp. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. 전략적 관리 분야의 지적 구조: 저자 동시 인용 분석. 전략 관리 J. 29(3),
319 - 336.
Neupane, K., Baysal-Gurel, F., 2021. 무인 항공기를 사용한 식물 질병의 자동 식별 및 모니터링: 검토. 원격 감지 13(19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. 3D 매핑 응용 프로그램을 위한 UAV: 검토. 적용 기하학 6(1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. 정밀 농업에서 소형 UAV를 사용한 증발산 추정. 센서 20(22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. 참고 문헌, 인용 분석 및 동시 인용 분석. 문헌 검토 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. 혼농임업의 UAS, 센서 및 데이터 처리: 실제 적용에 대한 검토. 국제 J. 원격 센서 38(8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, US, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. 곡물 작물을 위한 무인 항공기 기반 데이터 솔루션에 대한 검토. 드론 4(3), 1–29. https://doi.org/10.3390/
드론4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. 이미지 처리 및 인공 신경망을 사용하여 참깨의 오일 및 단백질 함량 추정. 제이엠 기름
화학자 Soc. 97(7), 691–702.
Pena, ~ JM, Torres-S'anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ' F., Suarez, O., 개체 기반 분석을 사용한 초기 옥수수 밭의 잡초 매핑 의
무인항공기(UAV) 이미지. 플로스원 8(10), e77151.
P'erez-Ortiz, M., Pena, ~ JM, Guti'errez, PA, Torres-S' anchez, J., Herv' as-Martínez, C.,
Lopez-Granados, ´ F., 2015. 무인 항공기 및 작물 줄 탐지 방법을 사용하여 해바라기 작물의 잡초 매핑을 위한 반 감독 시스템. 적용 소프트 컴퓨팅. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. 정밀 농업에서 블록체인 기반 물 관리 시스템을 위한 신뢰할 수 있는 데이터 소스로서의 비용 효율적인 IoT 장치. 계산 전자. 농업. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. 정밀 농업의 지능형 모니터링을 위한 고급 UAV-WSN 시스템. 센서 20(3), https://doi.org/10.3390/s20030817.
Fournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. 공급망, 운송 및 물류의 블록체인 응용: 문헌의 체계적인 검토. 국제 J. Prod. 해상도 58(7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. 정밀 농업을 위한 유연한 무인 항공기.
대의 필기. 농업. 13(4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. 통계 참고 문헌 또는 참고 문헌. J. 문서. 25(4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. 실험 분야 및 작물 평가를 위한 무인 항공기(UAV)의 적합성. 농업 99(4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. 농업용 드론: 정밀 농업의 현대적 돌파구. J. 통계. 관리 시스템 20(4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. 정밀 농업용 UAV 응용 프로그램 편집. 계산 네트워크 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. 농업 연구에 빅 데이터 분석 및 인공 지능 적용. 인디언 J. Agron. 65(4), 383–395.
Raparelli, E., Bajocco, S., 2019. 농업 및 임업 연구에서 무인 항공기 사용에 대한 서지 분석. 국제 J. 원격 센서 40(24),
9070-9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Steibig, JC, Lotz, B., 2013.
잡초 연구에서 소형 무인 항공기 시스템(UAS)의 잠재적 사용. 위드 해상도. 53(4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S.
UAV는 실험 플롯을 평가하기에 충분히 신뢰할 수 있습니까? 유로 J. 아그론. 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. 식품 공급망의 디지털화: 서지 검토 및 주요 경로 주요 경로
분석. 지속 가능성 14(1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. 공급망 관리 및 물류를 위한 드론: 검토 및 연구 의제. 국제 J. 로지스트. 해상도 적용
1-24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. 물류 및 공급망 관리의 블록체인 기술: 서지 검토. 물류 5(4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. 인도주의적 드론: 검토 및 연구 의제. 사물 인터넷 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. 의료 분야의 블록체인 연구: 서지 검토 및 현재 연구 동향. J. of Data, Inf. 그리고
관리 3(2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. 공급망 관리 및 물류 분야의 사물 인터넷 연구: 서지 분석. 인터넷
사물 12, 100318.
ReportLinker, 2021. YearGlobeNewswire 뉴스룸까지 세계 농업용 드론 시장이 15.2억 달러에 달할 것으로 예상됩니다. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- 연도-2027.html.
Ribeiro-Gomes, K., Hernandez-L ' opez, ' D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. 비냉각식 열화상 카메라 보정 및 최적화
농업에서 UAV 애플리케이션을 위한 사진 측량 프로세스. 센서(스위스) 17(10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. 환대 연구의 발전: "Rodney Dangerfield에서 Aretha Franklin까지". 국제 J. 동시대. 병원. 관리 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. 온실의 환경 변수를 측정하기 위한 Mini-UAV 기반 감각 시스템. 센서 15(2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. 상업용 양파 분야에서 후기 잡초 공간 분포 패턴을 감지하고 분석하는 데 사용되는 소비자 등급 UAV. 대의 필기. 농업. 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. 무인 항공 차량(UAV)은 산림 및 농업 분야에서 사용되는 스펙트럼 카메라 시스템을 운영합니다. 진행하다. SPIE – 국제 사회 고르다. 영어 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. 드론 물류 구현의 장벽 분석. 국제 J. 로지스트. 해상도 적용 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, 농업 분야의 작물 품질 개선을 위한 IOT 기반 드론. SH에서
N. Chakrabarti S.(Ed.), 2018 IEEE 8차 연례 컴퓨팅 및 통신 워크샵 및 컨퍼런스, CCWC 2018(2018년 612월, pp. 615–XNUMX). 학회
Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: 정밀 농업을 위한 새롭고 효율적인 LED 기반 통신. IEEE Conf. 정보 통신 기술. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. 초목 영역의 원격 감지에 적용된 UAV 비행 실험. 원격 감지 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.
행 및 밭 작물 표현형을 위한 저고도 고해상도 항공 영상 시스템: 검토. 유로 J. 아그론. 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. 고해상도 UAV 기반 열화상으로 추정
포도원 내 식물 수분 상태의 순간적 및 계절적 변동성. 농업. 물관리사. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. 인용 분석을 넘어서: 연구 영향 평가를 위한 모델. J. Med. 도서관 협회 : 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. 지구 시스템 과학 관련 이미징 분광법 - 평가. 원격 감지 환경. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. 저렴한 UAV로 겨울 밀 작물의 농업 매개변수 모니터링
형상. 원격 감지 8(9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. 위의 정밀한 공기생물학적 샘플링을 위한 자율 무인 항공기의 개발 및 적용
농업 분야. J. 필드 롭. 25(3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
인공 지능이 내장된 감지를 통해 정밀 농업을 가능하게 합니다. IEEE 트랜스. 악기. 측정 69(7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. 무인 항공기(UAV): 민간 애플리케이션 및 주요 연구 과제에 대한 설문 조사. IEEE 액세스 7,
48572-48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. 빅 데이터 기반 농업: 식물 육종, 유전체학 및 원격 감지 사용의 빅 데이터 분석
작물 생산성을 향상시키는 기술. 식물 현상 J. 2(1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. 법의학 조사에서 UAV 및 AI의 비교 분석 및 의미. In: Proceedings – 2019 Amity International
인공지능 컨퍼런스. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. 공급망 관리에서 인공 지능의 역할: 영역 매핑. 국제 제이.
찌르다. 해상도 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 , 뮤직비디오,
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. 고처리량 표현형 및 농경학 연구를 위한 무인 항공기. 플로스원
11(7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. 무인 항공을 사용하여 수확량 안정성 영역에서 옥수수 스탠드 이질성 캡처
차량(UAV). 센서 19(20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. 과학 문헌의 동시 인용: 두 문서 간의 관계에 대한 새로운 측정. 제이엠 사회 정보 과학. 24(4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. 인용 매핑으로 과학 시각화. 제이엠 사회 정보 과학. 50(9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. 대규모 목초지 지역의 지리적 위치 항공 이미지로 야생에서 소를 세고 있습니다. 계산 전자. 농업. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. UAV를 사용한 정밀 농업 응용 분야의 경로 최적화 접근 방식. 드론 4(3), 58. https://doi.org/10.3390/drones4030058.
Stafford, JV, 2000. 21세기의 정밀 농업 구현. J. Agric. 영어 해상도 76(3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. 무인 항공기를 사용한 원격 감지 이미지에 의한 밀 가뭄 평가. 2018년 제37회 중국 통제 회의(CCC)에서.
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. 다중 스펙트럼 UAV 항공 이미지에서 학습하여 밀 황녹 모니터링.
계산 전자. 농업. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. 빅데이터로 스마트 농업을 구축하는 과정에서 농업 경제 관리의 혁신. 지속 가능한 컴퓨팅. 정보 시스템 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. 면 캐노피의 수분 스트레스를 감지하기 위한 무인 열적외선 항공 시스템의 감도 평가. 트랜스. 아사베 50(6), 1955-1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. 무인 항공기를 사용한 사탕수수 수확량 추정을 위한 RGB 기반 식생 지수, 작물 표면 모델 및 객체 기반 이미지 분석 접근의 통합. 계산 전자. 농업. 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. 경량 초분광 매핑 시스템
무인 항공기 - 첫 번째 결과. In: 2013년 초분광 이미지 및 신호 처리에 관한 5차 워크숍: 원격 감지의 진화(WHISPERS), pp. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. 가벼운 초분광
무인 항공기용 매핑 시스템 및 사진 측량 처리 체인. 원격 감지 6(11), 11013–11030. https://doi.org/10.3390/
RS61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. 농업에서 이미지 처리, UAV 및 AI를 사용한 고급 제어 전략: 검토. 월드제이엔지 18(4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. 회계에서 저널 영향을 조사하기 위해 인용을 사용하는 정보 처리. 정보 프로세스. 관리하다. 34(2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. 5G 네트워크 및 농업에 대한 영향에 대한 설문조사: 도전과 기회. 계산
전자. 농업. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. 정밀 농업에서 데이터 기반 의사 결정: 농업 시스템에서 빅 데이터의 부상. J. Agric. 음식 정보.
20(4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. UAV-를 사용한 겨울 밀의 수확량 및 식물 높이 추정 기반 초분광 이미지.
센서 20(4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010년. 두 대의 자율 무인 항공기를 사용하여 낮은 대기에서 식물 병원체의 조정된 호기생물학적 샘플링. J. 필드 롭. 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. 딥 러닝을 사용한 대두 해충 탐지 및 분류
UAV 이미지와 함께. 계산 전자. 농업. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. 탄자니아의 AN 습지에서 농업 시스템을 평가하기 위한 Uas의 사용— 지속 가능한 농업을 위한 WetSeason 및 Terra-Sar X 데이터에 대한 기본 정보 제공. In: ISPRS – 국제 사진 측량 기록 보관소, 원격 감지 및 공간 정보 과학, pp. 401–406. https://doi.org/10.5194/isprarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. 서지에서 웹메트릭으로. J. 정보. 과학. 34(4), 605–621.
Torres-Sanchez, ' J., Lopez-Granados, ' F., Pena, ~ JM, 2015. UAV 이미지의 최적 임계값을 위한 자동 개체 기반 방법: 초본 작물의 식생 감지 적용. 계산 전자. 농업. 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. 무인항공기(UAV) 기술. 플로스원 3(10), e6.
Torres-Sanchez, ' J., Pena, ~ JM, de Castro, AI, Lopez-Granados, ' F., 2014. UAV의 이미지를 사용한 초기 밀밭의 초목 부분의 다중 시간 매핑. 계산 전자. 농업. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. 정밀 농업을 위한 UAV 기반 응용 프로그램에 대한 검토. 정보(스위스) 10(11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. 원예용 나무 작물 구조 측정을 위한 드론 비행 계획 최적화. ISPRS J. Photogramm.
원격 센서 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. 농업의 사물 인터넷, 최근 발전 및 미래 과제. 바이오시스트. 영어 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. 멕시코의 컴퓨터 과학 연구의 사이언메트릭 매핑. 사이언메트릭스 105(1), 97–114.
UN., 2019. 세계 인구 전망 2019. https://population.un.org/wpp/(15년 04월 2022일 액세스).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. UAV 탑재 소형 초분광 센서 시스템에 의한 논 특성화. IEEE J. Sel. 맨 위. 적용 지구 관찰
원격 센서 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. 드론
농업. 고급 아그론. 162, 1-30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
정밀 농업의 무인 항공기(UAV): 응용 및 과제. 에너지 15(1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. 무인 항공을 사용한 생태학적으로 민감한 해양 서식지 매핑 및 분류
차량(UAV) 이미지 및 객체 기반 이미지 분석(OBIA). 원격 감지 10(9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch'eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. 밀 및 유채 작물에 대한 무인 항공 시스템의 녹지 지수 . 원격 감지 환경. 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. 초원에 XNUMX개의 광학 UAV 기반 센서 배치: 과제 및
제한 사항. 생물지구과학 12(1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. 정밀 농업의 지하 사물 인터넷: 건축 및 기술 측면. 임시 네트워크. 81,
160-173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. 디지털 건강을 위한 비밀 요소로서의 책임 있는 인공 지능: 서지 분석, 통찰력 및 연구 방향.
정보 시스템 앞쪽. 1-16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. 작물 성장 모니터링의 원격 감지 연구 동향에 대한 서지 분석: 중국 사례 연구. 원격 감지 11(7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. 저자 동시 인용: 지적 구조에 대한 문헌 측정. 제이엠 사회 정보 과학. 32(3), 163–171.
Xiang, H., Tian, L., 2011. 자율 무인 항공기(UAV)를 기반으로 한 저비용 농업 원격 감지 시스템 개발. 바이오시스트. 영어 108(2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. UAV 기반 센서를 사용한 식물 고처리량 표현형 특성에 대한 검토. 계산 전자. 농업. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. 원격 감지 애플리케이션을 위한 무인 항공기 - 검토. 원격 감지 11(12). https://doi.org/10.3390/
RS11121443.
Yeom, S., 2021. 멀티로터에 의한 적외선 열화상으로 움직이는 사람 추적 및 잘못된 추적 제거. 드론 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. 이미지를 사용한 작물 매개변수 추정 비교 UAV 탑재
스냅샷 초분광 센서 및 고화질 디지털 카메라. 원격 감지 10(7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. 무인항공기를 이용한 겨울밀 지상 바이오매스 추정- 기반 스냅샷
초분광 센서 및 작물 높이 개선 모델. 원격 감지 9(7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. 경량 무인 항공기를 사용하여 열대 우림 복구 모니터링. 바이올.
보존 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
엣지와 클라우드 컴퓨팅을 기반으로 한 스마트 농업 IoT 플랫폼. 바이오시스트. 영어 177,
4 - 17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. 무인 항공에서 획득한 초고해상도 이미지를 사용한 나무 높이 정량화
차량(UAV) 및 자동 3D 사진 재구성 방법. 유로 J. 아그론. 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. 서늘한 계절 작물에서 개화 강도의 이미지 기반 표현형. 센서 20(5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. 정밀 농업을 위한 소형 무인 항공 시스템의 적용: 검토. 대의 필기. 농업. 13(6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. UAV 다중 스펙트럼 원격 감지에 기반한 옥수수 수분 스트레스 매핑. 원격 감지 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. 자동화된 황녹병에 대한 딥 러닝 기반 접근 방식
고해상도 초분광 UAV 이미지에서 질병 감지. 원격 감지 11(13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. 웨이블릿 분석과 결합된 초분광 이미징을 사용한 차 식물의 질병 및 곤충 스트레스 감지 및 식별. 계산 전자. 농업. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. 항공 이미지 의미론적 분할을 위한 엔트로피 유도 적대적 도메인 적응. IEEE 트랜스. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. 지상 기반 스펙트럼의 시계열 분석을 통한 쌀 계통의 검출 인덱스 데이터. 필드 작물 해상도. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. 무선 센서 기반 정밀 농업 누출 파종 시스템 설계. 국제 J. 온라인 엔지니어링 14(05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. UAV-LiDAR 데이터를 사용하여 묵은 옥수수의 식물 높이 변화 분석. 농업 10(5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: 고처리량 식물 표현형을 위한 딥 러닝을 사용하는 옥수수 이미지 분석 소프트웨어 . 식물 방법 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. 곡물 수확량 예측 다시간 식생을 이용한 벼
UAV 기반 다중 스펙트럼 및 디지털 이미지의 인덱스. ISPRS J. Photogramm. 원격 센서 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. 무선 센서 네트워크를 기반으로 하는 온실 모니터링 시스템의 핵심 기술 시뮬레이션. 국제 J. 온라인 엔지니어링 12(05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. 정밀 농업에서 적외선 열화상을 사용한 작물 수분 스트레스 평가: 리뷰
딥 러닝 응용 프로그램의 미래 전망. 계산 전자. 농업. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.