అబ్దరహ్మాన్ రెజెబ్ a , అలీరెజా అబ్దుల్లాహి b , కరీం రెజెబ్ c , హార్స్ట్ ట్రీబ్ల్మేయర్ d,
- a డిపార్ట్మెంట్ ఆఫ్ మేనేజ్మెంట్ అండ్ లా, ఫ్యాకల్టీ ఆఫ్ ఎకనామిక్స్, యూనివర్శిటీ ఆఫ్ రోమ్ టోర్ వెర్గాటా, వయా కొలంబియా, 2, రోమ్ 00133, ఇటలీ
- b డిపార్ట్మెంట్ ఆఫ్ బిజినెస్ అడ్మినిస్ట్రేషన్, ఫ్యాకల్టీ ఆఫ్ మేనేజ్మెంట్, ఖరాజ్మీ యూనివర్సిటీ, 1599964511 టెహ్రాన్, ఇరాన్
- c ఫ్యాకల్టీ ఆఫ్ సైన్సెస్ ఆఫ్ బిజెర్టే, యూనివర్శిటీ ఆఫ్ కార్తేజ్, జర్జౌనా, 7021 బిజెర్టే, ట్యునీషియా
- d స్కూల్ ఆఫ్ ఇంటర్నేషనల్ మేనేజ్మెంట్, మాడ్యూల్ యూనివర్సిటీ వియన్నా, యామ్ కహ్లెన్బర్గ్ 1, 1190 వియన్నా, ఆస్ట్రియా
ఆర్టికల్ సమాచారం | నైరూప్య |
కీవర్డ్లు: డ్రోన్లు UAV ఖచ్చితమైన వ్యవసాయం థింగ్స్ యొక్క ఇంటర్నెట్ బైబిలియోమెట్రిక్స్ | మానవరహిత వైమానిక వాహనాలు (UAV) అని కూడా పిలువబడే డ్రోన్లు ఇటీవలి దశాబ్దాలలో అద్భుతమైన అభివృద్ధిని సాధించాయి. వ్యవసాయంలో, వారు రైతులకు గణనీయమైన ఖర్చును ఆదా చేయడం ద్వారా వ్యవసాయ పద్ధతులను మార్చారు కార్యాచరణ సామర్థ్యం మరియు మెరుగైన లాభదాయకత. గత దశాబ్దాలుగా, వ్యవసాయ డ్రోన్ల అంశం ఉంది విశేషమైన విద్యా దృష్టిని ఆకర్షించింది. కాబట్టి మేము బిబ్లియోమెట్రిక్స్ ఆధారంగా సమగ్ర సమీక్షను నిర్వహిస్తాము ఇప్పటికే ఉన్న అకడమిక్ సాహిత్యాన్ని సంగ్రహించడం మరియు రూపొందించడం మరియు ప్రస్తుత పరిశోధన పోకడలు మరియు హాట్స్పాట్లను బహిర్గతం చేయడం. మేము బిబ్లియోమెట్రిక్ పద్ధతులను వర్తింపజేయండి మరియు వ్యవసాయ డ్రోన్ల చుట్టూ ఉన్న సాహిత్యాన్ని సంగ్రహించడానికి మరియు విశ్లేషించడానికి మునుపటి పరిశోధనను అంచనా వేయండి. రిమోట్ సెన్సింగ్, ఖచ్చితత్వ వ్యవసాయం, లోతైన అభ్యాసం, యంత్ర అభ్యాసం మరియు ఇంటర్నెట్ ఆఫ్ థింగ్స్ వ్యవసాయ డ్రోన్లకు సంబంధించిన కీలకమైన అంశాలు అని మా విశ్లేషణ సూచిస్తుంది. సహ అనులేఖనం విశ్లేషణ సాహిత్యంలో ఆరు విస్తృత పరిశోధన సమూహాలను వెల్లడిస్తుంది. వ్యవసాయంలో డ్రోన్ పరిశోధనలను సంగ్రహించడానికి మరియు భవిష్యత్ పరిశోధన దిశలను సూచించడానికి ఈ అధ్యయనం మొదటి ప్రయత్నాలలో ఒకటి. |
పరిచయం
వ్యవసాయం అనేది ప్రపంచంలోని ప్రాథమిక ఆహార వనరులను సూచిస్తుంది (ఫ్రిహా మరియు ఇతరులు, 2021), మరియు ఇది తీవ్రమైన సవాళ్లను ఎదుర్కొంటోంది
ఆహార ఉత్పత్తులకు పెరుగుతున్న డిమాండ్, ఆహార భద్రత మరియు భద్రతా ఆందోళనలు అలాగే పర్యావరణ పరిరక్షణ, నీటి సంరక్షణ మరియు
సుస్థిరత (ఇనౌ, 2020). 9.7 నాటికి ప్రపంచ జనాభా 2050 బిలియన్లకు చేరుతుందని అంచనా వేసినందున ఈ అభివృద్ధి కొనసాగుతుందని అంచనా వేయబడింది
(2019) ప్రపంచవ్యాప్తంగా నీటి వినియోగానికి వ్యవసాయం అత్యంత ప్రముఖ ఉదాహరణ కాబట్టి, ఆహార డిమాండ్ మరియు నీటికి ఇది అంచనా వేయబడింది
భవిష్యత్తులో వినియోగం గణనీయంగా పెరుగుతుంది. అంతేకాకుండా ఎరువులు, పురుగుమందుల వినియోగం పెరుగుతోంది
వ్యవసాయ కార్యకలాపాల తీవ్రతతో పాటు భవిష్యత్తులో పర్యావరణ సవాళ్లకు దారితీయవచ్చు. అదేవిధంగా, వ్యవసాయ యోగ్యమైన భూమి పరిమితం, మరియు
ప్రపంచవ్యాప్తంగా రైతుల సంఖ్య తగ్గుతోంది. ఈ సవాళ్లు వినూత్నమైన మరియు స్థిరమైన వ్యవసాయ పరిష్కారాల అవసరాన్ని నొక్కిచెప్పాయి (ఎలిజా
మరియు ఇతరులు, 2018; ఫ్రిహా మరియు ఇతరులు., 2021; ఇనౌ, 2020; త్జౌనిస్ మరియు ఇతరులు., 2017).
ఈ సవాళ్లను పరిష్కరించడానికి నవల సాంకేతికతలను చేర్చడం ఒక మంచి పరిష్కారంగా గుర్తించబడింది. స్మార్ట్ వ్యవసాయం (బ్రూస్టర్ మరియు ఇతరులు.,
2017; టాంగ్ మరియు ఇతరులు, 2021) మరియు ఖచ్చితమైన వ్యవసాయం (ఫెంగ్ మరియు ఇతరులు, 2019; ఖన్నా & కౌర్, 2019) అటువంటి చర్చల ఫలితంగా ఉద్భవించాయి. ది
మాజీ అనేది సమర్ధత మరియు సమర్థతను పెంచడానికి ఇన్ఫర్మేషన్ కమ్యూనికేషన్ టెక్నాలజీస్ (ICT) మరియు వ్యవసాయ కార్యకలాపాలలో ఇతర అత్యాధునిక ఆవిష్కరణలను స్వీకరించడానికి ఒక సాధారణ భావన (హక్ మరియు ఇతరులు, 2021). రెండోది భూమిని విభజించిన సైట్-నిర్దిష్ట నిర్వహణపై దృష్టి పెడుతుంది
సజాతీయ భాగాలు, మరియు ప్రతి భాగానికి కొత్త టెక్నాలజీల ద్వారా పంట దిగుబడి ఆప్టిమైజేషన్ కోసం ఖచ్చితమైన వ్యవసాయ ఇన్పుట్ మొత్తం లభిస్తుంది (ఫెంగ్ మరియు ఇతరులు, 2019; ఖన్నా & కౌర్, 2019). ఈ రంగంలో పండితుల దృష్టిని ఆకర్షించిన ప్రముఖ సాంకేతికతలు వైర్లెస్ సెన్సార్ నెట్వర్క్లు (WSNలు) (J. జెంగ్ & యాంగ్, 2018; Y. జౌ మరియు ఇతరులు., 2016), ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT) (గిల్ మరియు ఇతరులు., 2017; అతను మరియు ఇతరులు, 2021; లియు మరియు ఇతరులు., 2019),
మెషిన్ లెర్నింగ్ మరియు డీప్ లెర్నింగ్తో సహా ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) టెక్నిక్లు (లియాకోస్ మరియు ఇతరులు, 2018; పార్సేయన్ మరియు ఇతరులు., 2020; షాద్రిన్ మరియు ఇతరులు.,
2019), కంప్యూటింగ్ టెక్నాలజీస్ (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), పెద్ద డేటా (గిల్ et al., 2017; Tantalaki
et al., 2019), మరియు blockchain (PW ఖాన్ మరియు ఇతరులు, 2020; Pincheira et al., 2021).
పైన పేర్కొన్న సాంకేతికతలతో పాటు, రిమోట్ సెన్సింగ్ మెరుగుపరచడానికి అధిక సంభావ్యత కలిగిన సాంకేతిక సాధనంగా పరిగణించబడుతుంది
స్మార్ట్ మరియు ఖచ్చితమైన వ్యవసాయం. ఉపగ్రహాలు, మానవ-సిబ్బందితో కూడిన విమానం మరియు డ్రోన్లు ప్రసిద్ధ రిమోట్ సెన్సింగ్ సాంకేతికతలు (Tsouros et al., 2019).
మానవరహిత వైమానిక వాహనాలు (UAVలు), మానవరహిత విమాన వ్యవస్థలు (UAS) మరియు రిమోట్గా పైలట్ చేయబడిన విమానాలుగా ప్రసిద్ధి చెందిన డ్రోన్లు
ఇతర రిమోట్ సెన్సింగ్ సాంకేతికతలతో పోల్చితే వాటికి బహుళ ప్రయోజనాలు ఉన్నందున చాలా ప్రాముఖ్యత ఉంది. ఉదాహరణకు, డ్రోన్లు బట్వాడా చేయగలవు
మేఘావృతమైన రోజులలో అధిక-నాణ్యత మరియు అధిక-రిజల్యూషన్ చిత్రాలు (మాన్ఫ్రెడా మరియు ఇతరులు, 2018). అలాగే, వాటి లభ్యత మరియు బదిలీ వేగం ఇతరమైనవి
ప్రయోజనాలు (రాడోగ్లో-గ్రామాటికిస్ మరియు ఇతరులు, 2020). విమానంతో పోలిస్తే, డ్రోన్లు అత్యంత ఖర్చుతో కూడుకున్నవి మరియు సెటప్ చేయడం మరియు నిర్వహించడం సులభం (Tsouros et al., 2019). ప్రాథమికంగా సైనిక ప్రయోజనాల కోసం ఉపయోగించినప్పటికీ, డ్రోన్లు అనేక పౌర అనువర్తనాలకు ప్రయోజనం చేకూరుస్తాయి, ఉదాహరణకు సరఫరా గొలుసు నిర్వహణలో (A. Rejeb, Rejeb, et al., 2021a), మానవతా ప్రయోజనాల కోసం (A. Rejeb, Rejeb, et al., 2021c), స్మార్ట్ వ్యవసాయం, సర్వేయింగ్ మరియు మ్యాపింగ్, సాంస్కృతిక వారసత్వ డాక్యుమెంటేషన్, విపత్తు నిర్వహణ మరియు అటవీ మరియు వన్యప్రాణుల సంరక్షణ (పాండే, ప్రతిహస్ట్, మరియు ఇతరులు., 2020). వ్యవసాయంలో, కొత్త సాంకేతికతలు, కంప్యూటింగ్ సామర్థ్యాలు మరియు పంట నిర్వహణకు (ఉదా, మ్యాపింగ్, పర్యవేక్షణ, నీటిపారుదల, మొక్కల నిర్ధారణ) (H. హువాంగ్ మరియు ఇతరులు, 2021) మద్దతుగా ఆన్బోర్డ్ సెన్సార్లతో అనుసంధానించబడిన డ్రోన్ల మానిఫోల్డ్ అప్లికేషన్ ప్రాంతాలు ఉన్నాయి. , విపత్తు తగ్గింపు, ముందస్తు హెచ్చరిక వ్యవస్థలు, వన్యప్రాణులు మరియు అటవీ సంరక్షణలో కొన్నింటిని పేర్కొనవచ్చు (నెగాష్ మరియు ఇతరులు, 2019). అదేవిధంగా, పంట మరియు పెరుగుదల పర్యవేక్షణ, దిగుబడి అంచనా, నీటి ఒత్తిడి అంచనా మరియు కలుపు మొక్కలు, తెగులు మరియు వ్యాధుల గుర్తింపు (ఇనౌ, 2020; పాండే, ప్రతిహస్ట్, మరియు ఇతరులు., 2020) సహా అనేక వ్యవసాయ కార్యకలాపాలలో డ్రోన్లను ఉపయోగించుకోవచ్చు. డ్రోన్లను వాటి ఇంద్రియ డేటా ఆధారంగా పర్యవేక్షణ, అంచనా మరియు గుర్తింపు ప్రయోజనాల కోసం మాత్రమే కాకుండా, ఖచ్చితమైన నీటిపారుదల మరియు ఖచ్చితమైన కలుపు, తెగులు మరియు వ్యాధి నిర్వహణ కోసం కూడా ఉపయోగించవచ్చు. మరో మాటలో చెప్పాలంటే, డ్రోన్లు పర్యావరణ డేటా ఆధారంగా ఖచ్చితమైన మొత్తంలో నీరు మరియు పురుగుమందులను పిచికారీ చేయగలవు. వ్యవసాయంలో డ్రోన్ల ప్రయోజనాలు టేబుల్ 1లో సంగ్రహించబడ్డాయి.
వ్యవసాయంలో డ్రోన్ల యొక్క ప్రధాన ప్రయోజనాలు.
బెనిఫిట్ | ప్రస్తావనలు) |
తాత్కాలిక మరియు ప్రాదేశికతను మెరుగుపరచండి తీర్మానాలను గ్రహించడం | (గాగో మరియు ఇతరులు, 2015; నియు మరియు ఇతరులు, 2020; శ్రీవాస్తవ మరియు ఇతరులు., 2020) |
ఖచ్చితమైన వ్యవసాయాన్ని సులభతరం చేయండి | (L. డెంగ్ మరియు ఇతరులు, 2018; కాలిస్చుక్ మరియు ఇతరులు., 2019; మైమైతిజియాంగ్ మరియు ఇతరులు., 2017) |
వర్గీకరణ మరియు స్కౌటింగ్ పంటలు | (ఇనౌ, 2020; కాలిస్చుక్ మరియు ఇతరులు, 2019; లోపెజ్-' గ్రానడోస్ మరియు ఇతరులు., 2016; మైమైతిజియాంగ్ మరియు ఇతరులు., 2017; మెల్విల్లే మరియు ఇతరులు., 2019; మోహరానా & దత్తా, 2016) |
ఎరువుల వాడకం | (L. డెంగ్ మరియు ఇతరులు, 2018; గ్వాన్ మరియు ఇతరులు., 2019) |
కరువు పర్యవేక్షణ | (ఫాసెట్ మరియు ఇతరులు, 2020; పాండే, ప్రతిహస్ట్, మరియు ఇతరులు., 2020; సు మరియు ఇతరులు, 2018) |
బయోమాస్ అంచనా | (బెండిగ్ మరియు ఇతరులు, 2014) |
దిగుబడి అంచనా | (ఇనౌ, 2020; పాండే, శ్రేష్ఠ, మరియు ఇతరులు, 2020; టావో మరియు ఇతరులు., 2020) |
విపత్తు తగ్గింపు | (నెగాష్ మరియు ఇతరులు, 2019) |
వన్యప్రాణుల సంరక్షణ మరియు అటవీ | (నెగాష్ మరియు ఇతరులు, 2019; పాండే, ప్రతిహస్ట్, మరియు ఇతరులు., 2020) |
నీటి ఒత్తిడి అంచనా | (ఇనౌ, 2020; J. Su, Coombes, et al., 2018; L. జాంగ్ మరియు ఇతరులు., 2019) |
తెగులు, కలుపు మొక్కలు మరియు వ్యాధులు గుర్తింపును | (గాస్పరోవిక్ మరియు ఇతరులు., 2020; ఇనౌ, 2020; J. సు, లియు, మరియు ఇతరులు, 2018; X. జాంగ్ మరియు ఇతరులు., 2019) |
మరోవైపు, డ్రోన్లు పరిమితులను కూడా ఎదుర్కొంటాయి. పైలట్ ప్రమేయం, ఇంజిన్ శక్తి, స్థిరత్వం మరియు విశ్వసనీయత, పేలోడ్ కారణంగా సెన్సార్ల నాణ్యత
బరువు పరిమితులు, అమలు ఖర్చులు మరియు విమానయాన నియంత్రణ, వాటిలో ఉన్నాయి (C. జాంగ్ & కోవాక్స్, 2012). మేము లోపాలను పోల్చాము
టేబుల్ 2లోని మూడు మొబైల్ రిమోట్ సెన్సింగ్ టెక్నాలజీలలో. మట్టి సెన్సార్ల వంటి ఇతర రిమోట్ సెన్సింగ్ టెక్నాలజీలు ఈ అధ్యయనం యొక్క దృష్టికి మించినవి.
వివిధ మొబైల్ రిమోట్ సెన్సింగ్ టెక్నాలజీల లోపాలు.
దూరం నుంచి నిర్ధారణ సాంకేతికతలు | లోపాలను | ప్రస్తావనలు |
డ్రోన్ (UAV) | పైలట్ ప్రమేయం; చిత్రాలు' నాణ్యత (సగటు); అమలు ఖర్చులు (సగటు); స్థిరత్వం, యుక్తి, మరియు విశ్వసనీయత; ప్రమాణీకరణ; ఇంజిన్ శక్తి; పరిమిత శక్తి మూలాలు (బ్యాటరీ దీర్ఘాయువు); పరిమిత విమాన వ్యవధి, తాకిడి మరియు సైబర్టాక్స్; పరిమితం పేలోడ్ బరువు; పెద్ద డేటాసెట్లు మరియు పరిమిత డేటా ప్రాసెసింగ్ సామర్థ్యాలు; నియంత్రణ లేకపోవడం; నైపుణ్యం లేకపోవడం, అధిక ప్రవేశం యాక్సెస్కు అడ్డంకులు వ్యవసాయ డ్రోన్లు; | (బాకో మరియు ఇతరులు, 2018; దావాలిబి మరియు ఇతరులు, 2020; హార్డిన్ & హార్డిన్, 2010; హార్డిన్ & జెన్సన్, 2011; లగ్కాస్ మరియు ఇతరులు., 2018; లాలిబెర్టే మరియు ఇతరులు., 2007; లాలిబెర్టే & రాంగో, 2011; మాన్ఫ్రెడా మరియు ఇతరులు., 2018, 2018; నెబికర్ మరియు ఇతరులు., 2008; పూరి మరియు ఇతరులు, 2017; వేలుసామి మరియు ఇతరులు., 2022; C. జాంగ్ & కోవాక్స్, 2012) |
ఉపగ్రహ | ఆవర్తన ఉపగ్రహ కవరేజ్, పరిమిత స్పెక్ట్రల్ రిజల్యూషన్; దృశ్యమానత సమస్యలకు హాని (ఉదా, మేఘాలు); లభ్యత మరియు తక్కువ బదిలీ వేగం; ధోరణి మరియు విగ్నేటింగ్ ఖరీదైన ప్రాదేశిక డేటాను ప్రభావితం చేస్తుంది సేకరణ; నెమ్మదిగా డేటా డెలివరీ తుది వినియోగదారులకు సమయం | (అబౌటలేబి మరియు ఇతరులు, 2019; సెం మరియు ఇతరులు, 2019; చెన్ మరియు ఇతరులు., 2019; నాన్సెన్ & ఇలియట్, 2016; పాండే, ప్రతిహస్ట్, మరియు ఇతరులు, 2020; సాయి వినీత్ మరియు ఇతరులు., 2019) |
విమానం | అధిక స్వీకరణ ఖర్చులు; సంక్లిష్టమైన సెటప్; నిర్వహణ ఖర్చులు; విశ్వసనీయత లభ్యత విమానాలు, జ్యామితి చిత్రాలు; రెగ్యులర్ కాని డేటా సముపార్జన; వశ్యత లేకపోవడం; ఘోరమైన ప్రమాదాలు; సెన్సార్ డేటా కంపనాలు కారణంగా వైవిధ్యాలు; జియోరిఫరెన్సింగ్ సమస్యలు | (ఆర్మ్స్ట్రాంగ్ మరియు ఇతరులు, 2011; అట్కిన్సన్ మరియు ఇతరులు., 2018; బార్బెడో & కోనిగ్కాన్, 2018; కోవెలెవ్ & వోరోషిలోవా, 2020; సుయోమలైనెన్ మరియు ఇతరులు., 2013; థమ్ మరియు ఇతరులు, 2013) |
వ్యవసాయంలో మల్టీడిసిప్లినరీ మరియు మల్టీపర్పస్ టెక్నాలజీగా, డ్రోన్లను వివిధ కోణాల నుండి పరిశోధించారు. ఉదాహరణకు, పండితులు వ్యవసాయంలో డ్రోన్ అప్లికేషన్లను పరిశీలించారు (కుల్బాకి మరియు ఇతరులు, 2018; మొగిలి & దీపక్, 2018), ఖచ్చితత్వ వ్యవసాయానికి వారి సహకారం (పూరి మరియు ఇతరులు, 2017; సోరోస్ మరియు ఇతరులు., 2019), ఇతర వాటితో వాటి పరిపూరత అత్యాధునిక సాంకేతికతలు (అల్-థాని మరియు ఇతరులు, 2020; దత్తా & మిత్ర, 2021; నయ్యర్ మరియు ఇతరులు, 2020; సాహా మరియు ఇతరులు, 2018), మరియు వారి నావిగేషనల్ మరియు సెన్సింగ్ సామర్థ్యాలను అభివృద్ధి చేసే అవకాశాలు (alBare , 2015; సుయోమలైనెన్ మరియు ఇతరులు., 2014). వ్యవసాయంలో డ్రోన్ అప్లికేషన్లపై పరిశోధన ప్రబలంగా మారినందున (ఖాన్ మరియు ఇతరులు, 2021), ప్రస్తుతం ఉన్న సాహిత్యాన్ని సంగ్రహించడం మరియు డొమైన్ యొక్క మేధోపరమైన నిర్మాణాన్ని బహిర్గతం చేయడం అవసరం. ఇంకా, నిరంతర మెరుగుదలలతో కూడిన హైటెక్ ఫీల్డ్గా, ప్రస్తుతం ఉన్న సాహిత్యాన్ని క్రమానుగతంగా సంగ్రహించడానికి మరియు ముఖ్యమైన పరిశోధన అంతరాలను గుర్తించడానికి నిర్మాణాత్మక సమీక్షలు నిర్వహించాల్సిన అవసరం ఉంది. కు
తేదీ, వ్యవసాయ రంగంలో డ్రోన్ అప్లికేషన్లను చర్చించే కొన్ని సమీక్షలు ఉన్నాయి. ఉదాహరణకు, మొగిలి మరియు దీపక్ (2018) క్లుప్తంగా పంట పర్యవేక్షణ మరియు పురుగుమందుల పిచికారీ కోసం డ్రోన్ల ప్రభావాలను సమీక్షించారు. Inoue (2020) వ్యవసాయంలో రిమోట్ సెన్సింగ్లో ఉపగ్రహం మరియు డ్రోన్ వినియోగాన్ని సమీక్షిస్తుంది. కేస్ స్టడీస్ మరియు ఉత్తమ అభ్యాసాల ఆధారంగా స్మార్ట్ వ్యవసాయాన్ని మరియు ఉపగ్రహాలు మరియు డ్రోన్ల సహకారాన్ని స్వీకరించడంలో ఉన్న సాంకేతిక సవాళ్లను రచయిత అన్వేషించారు. టౌరోస్ మరియు ఇతరులు. (2019) వివిధ రకాల డ్రోన్లు మరియు వ్యవసాయంలో వాటి ప్రధాన అనువర్తనాలను సంగ్రహించండి, వివిధ డేటా సేకరణ మరియు ప్రాసెసింగ్ పద్ధతులను హైలైట్ చేస్తుంది. ఇటీవల, అస్లాన్ మరియు ఇతరులు. (2022) వ్యవసాయ కార్యకలాపాలలో UAV అప్లికేషన్ల యొక్క సమగ్ర సమీక్షను నిర్వహించింది మరియు గ్రీన్హౌస్లో UAV కోసం ఏకకాల స్థానికీకరణ మరియు మ్యాపింగ్ యొక్క ఔచిత్యాన్ని నొక్కి చెప్పింది. డియాజ్-గొంజాలెజ్ మరియు ఇతరులు. (2022) వివిధ యంత్ర అభ్యాస పద్ధతులు మరియు రిమోట్ ఆధారంగా పంట దిగుబడి ఉత్పత్తికి సంబంధించిన ఇటీవలి అధ్యయనాలను సమీక్షించారు
సెన్సింగ్ సిస్టమ్స్. మట్టి సూచికలను అంచనా వేయడానికి మరియు ప్రాదేశిక స్పష్టత, సమాచార తాత్కాలికత మరియు వశ్యత పరంగా ఉపగ్రహ వ్యవస్థలను అధిగమించడానికి UAVలు ఉపయోగపడతాయని వారి పరిశోధనలు సూచించాయి. బసిరి మరియు ఇతరులు. (2022) ఖచ్చితమైన వ్యవసాయం సందర్భంలో బహుళ-రోటర్ UAVల కోసం పాత్-ప్లానింగ్ సవాళ్లను అధిగమించడానికి వివిధ విధానాలు మరియు పద్ధతుల యొక్క సమగ్ర సమీక్షను చేసింది. అంతేకాకుండా, అవైస్ మరియు ఇతరులు. (2022) నీటి స్థితిని అంచనా వేయడానికి పంటలలో UAV రిమోట్ సెన్సింగ్ డేటా యొక్క దరఖాస్తును సంగ్రహించింది మరియు వ్యర్థ ఒత్తిడి అప్లికేషన్ కోసం UAV రిమోట్ సెన్సింగ్ యొక్క భావి సామర్థ్యం యొక్క లోతైన సంశ్లేషణను అందించింది. చివరగా, అక్విలాని మరియు ఇతరులు. (2022) పచ్చిక బయళ్ల ఆధారిత పశువుల వ్యవస్థలలో వర్తించే ప్రివిజన్ ఫార్మింగ్ టెక్నాలజీలను సమీక్షించారు మరియు బయోమాస్ అసెస్మెంట్ మరియు హెర్డ్ మేనేజ్మెంట్ కోసం UAVల ద్వారా ప్రారంభించబడిన రిమోట్ సెన్సింగ్ ప్రయోజనకరంగా ఉంటుందని నిర్ధారించారు.
అలాగే, పశువుల పర్యవేక్షణ, ట్రాకింగ్ మరియు సమీకరణలో UAVలను ఉపయోగించే ప్రయత్నాలు ఇటీవల నివేదించబడ్డాయి.
ఈ సమీక్షలు కొత్త మరియు ముఖ్యమైన అంతర్దృష్టులను అందించినప్పటికీ, సాహిత్యంలో బైబిలియోమెట్రిక్స్ ఆధారంగా ఎటువంటి సమగ్రమైన మరియు నవీనమైన సమీక్ష కనుగొనబడలేదు, ఇది స్పష్టమైన జ్ఞాన అంతరాన్ని అందిస్తుంది. అంతేకాకుండా, శాస్త్రీయ డొమైన్లో పండితుల ఉత్పత్తి పెరిగినప్పుడు, డొమైన్ యొక్క నాలెడ్జ్ స్ట్రక్చర్ను అర్థం చేసుకోవడానికి పరిశోధకులు పరిమాణాత్మక సమీక్ష విధానాలను ఉపయోగించడం చాలా అవసరం అని పేర్కొనబడింది (రివేరా & పిజామ్, 2015). అదేవిధంగా, ఫెరీరా మరియు ఇతరులు. (2014) పరిశోధనా రంగాలు పరిపక్వం చెందడం మరియు సంక్లిష్టంగా మారడంతో, కొత్త రచనలను బహిర్గతం చేయడానికి, పరిశోధన సంప్రదాయాలు మరియు పోకడలను సంగ్రహించడానికి, ఏ అంశాలను అధ్యయనం చేశారో గుర్తించడానికి మరియు జ్ఞాన నిర్మాణాన్ని పరిశోధించడానికి పండితులు అప్పుడప్పుడు సృష్టించిన మరియు సేకరించిన జ్ఞానాన్ని అర్థం చేసుకోవాలని వాదించారు. ఫీల్డ్ మరియు సంభావ్య పరిశోధన దిశలు. వ్యవసాయం మరియు అటవీ శాస్త్రంలో డ్రోన్ అప్లికేషన్ల యొక్క నాలెడ్జ్ డొమైన్ను పరిశీలించడానికి Raparelli మరియు Bajocco (2019) ఒక బిబ్లియోమెట్రిక్ విశ్లేషణను నిర్వహించగా, వారి అధ్యయనం 1995 మరియు 2017 మధ్య ప్రచురించబడిన పండితుల పరిశోధనను మాత్రమే పరిగణిస్తుంది, ఇది ఈ వేగంగా కదిలే ప్రాంతం యొక్క డైనమిక్లను ప్రతిబింబించదు. ఇంకా, రచయితలు ఈ రంగంలో అత్యంత ప్రభావవంతమైన రచనలను గుర్తించడానికి, సాహిత్యాన్ని క్లస్టర్ చేయడానికి మరియు సహ-ఉలేఖన విశ్లేషణను ఉపయోగించి మేధో నిర్మాణాన్ని అంచనా వేయడానికి ప్రయత్నించలేదు. ఫలితంగా, ప్రస్తుత పరిశోధన కేంద్రాలు, పోకడలు మరియు హాట్స్పాట్లను బహిర్గతం చేయడానికి సాహిత్యాన్ని సంగ్రహించడం అవసరం.
ఈ జ్ఞాన అంతరాన్ని పూరించడానికి, డ్రోన్లు మరియు వ్యవసాయం ఖండన వద్ద పరిశోధన యొక్క ప్రస్తుత స్థితిని పరిశీలించడానికి మేము పరిమాణాత్మక పద్దతి మరియు కఠినమైన బైబిలియోమెట్రిక్ పద్ధతులను ఉపయోగిస్తాము. ఈ రంగంలో అనేక అంశాలను మార్చడానికి విపరీతమైన సామర్థ్యాన్ని అందించడం వల్ల వ్యవసాయంలో అత్యంత అవసరమైన అభివృద్ధి చెందుతున్న సాంకేతికతను పరిశీలించడం ద్వారా ప్రస్తుత అధ్యయనం ఇప్పటికే ఉన్న సాహిత్యానికి అనేక సహకారాన్ని అందించిందని మేము వాదిస్తున్నాము. వ్యవసాయ సందర్భంలో డ్రోన్లపై చెల్లాచెదురుగా మరియు విచ్ఛిన్నమైన జ్ఞానాన్ని బట్టి వ్యవసాయ డ్రోన్ల యొక్క బిబ్లియోమెట్రిక్ విశ్లేషణ యొక్క ఆవశ్యకత మరింత ఎక్కువగా గ్రహించబడుతుంది. అదేవిధంగా, ఈ పరిశోధనా రంగం పునాదిని నిర్మించే అత్యంత ప్రభావవంతమైన అధ్యయనాలను పరిగణనలోకి తీసుకుని వ్యవసాయ డ్రోన్లకు సంబంధించిన సాహిత్యాన్ని క్రమపద్ధతిలో క్లస్టర్ చేయడం అవసరం. విశ్లేషణలో మెరిట్ సాహిత్యంలో ప్రాతినిధ్యం వహించే ప్రధాన పరిశోధనా అంశాల స్పష్టీకరణను కూడా కలిగి ఉంటుంది. సాంకేతికత యొక్క పరివర్తన సామర్థ్యాన్ని పరిశీలిస్తే, ప్రభావవంతమైన పనులను నిర్ణయించడం మరియు వ్యవసాయానికి డ్రోన్ల సంభావ్యతకు సంబంధించిన థీమ్లను బహిర్గతం చేయడం ద్వారా ఇండెప్త్ నెట్వర్క్ విశ్లేషణ నవల అంతర్దృష్టులను ఇస్తుందని మేము అభిప్రాయపడుతున్నాము.
కాబట్టి మేము ఈ క్రింది పరిశోధన లక్ష్యాలను సాధించడానికి ప్రయత్నిస్తాము:
- వ్యవసాయ రంగంలో డ్రోన్ అప్లికేషన్లకు అత్యుత్తమ సహకారంతో ప్రభావవంతమైన ప్రచురణల గుర్తింపు.
- సాహిత్యం యొక్క క్లస్టరింగ్, రీసెర్చ్ ఫోసిస్ గుర్తింపు మరియు కో-సైటేషన్ విశ్లేషణను ఉపయోగించడం ద్వారా అర్థ సారూప్యత ఆధారంగా ప్రధాన 'మేధో నిర్మాణ' అధ్యయనాల మ్యాపింగ్.
- ఫీల్డ్లోని వివిధ ప్రచురణల మధ్య కాలక్రమేణా అనుసంధానాలు మరియు అనులేఖన నెట్వర్క్ల పరిణామాన్ని అర్థం చేసుకోవడం మరియు భవిష్యత్తు పరిశోధన దిశలు మరియు హాట్ టాపిక్లను గుర్తించడం.
మిగిలిన కాగితం ఈ క్రింది విధంగా రూపొందించబడింది: విభాగం 2 పద్దతి మరియు డేటా సేకరణ దశలను వివరిస్తుంది; విభాగం 3 విశ్లేషణల ఫలితాలను అందిస్తుంది; మరియు సెక్షన్ 4 అన్వేషణలను చర్చిస్తుంది మరియు పరిశోధన రచనలు, చిక్కులు మరియు భవిష్యత్తు దిశలతో ముగుస్తుంది.
పద్దతి
ఈ ప్రస్తుత పరిశోధన అధ్యయనంలో, వ్యవసాయంలో డ్రోన్ అప్లికేషన్లను అన్వేషించడానికి మేము బైబిలియోమెట్రిక్ విశ్లేషణను నిర్వహిస్తాము. ఈ పరిమాణాత్మక విధానం నాలెడ్జ్ డొమైన్ (అరోరా & చక్రవర్తి, 2021) యొక్క మేధో నిర్మాణాన్ని మరియు ఈ పద్ధతిని వర్తింపజేయడం ద్వారా పరిశోధించగల ప్రస్తుత స్థితి, హాట్ టాపిక్లు మరియు భవిష్యత్తు పరిశోధన దిశలను వెల్లడిస్తుంది (కపూర్ మరియు ఇతరులు, 2018; మిశ్రా మరియు ఇతరులు. , 2017; A. రెజెబ్, రెజెబ్, మరియు ఇతరులు., 2021b; A. రెజెబ్ మరియు ఇతరులు., 2021d; MA రెజెబ్ మరియు ఇతరులు., 2020). సాధారణంగా, బిబ్లియోమెట్రిక్ విశ్లేషణ వ్రాతపూర్వక సమాచార మార్పిడి యొక్క దాచిన నమూనాలను సంగ్రహించడానికి మరియు వెలికితీసేందుకు ఉన్న సాహిత్యాన్ని పరిశీలిస్తుంది మరియు గణాంకాలు మరియు గణిత పద్ధతుల ఆధారంగా క్రమశిక్షణ యొక్క పరిణామం మరియు ఇది పెద్ద డేటా సెట్లకు వర్తిస్తుంది (ప్రిట్చార్డ్, 1969; చిన్న, 1999; తహై & రిగ్స్బై , 1998). బిబ్లియోమెట్రిక్స్ని ఉపయోగించడం ద్వారా, సారూప్యత ఆధారంగా డొమైన్కు దోహదపడే ప్రస్తుత నమూనాలు మరియు పరిశోధన కేంద్రాలను బాగా అర్థం చేసుకోవాలని మేము కోరుకుంటున్నాము (థెల్వాల్, 2008). బిబ్లియోమెట్రిక్స్ మెథడాలజీ యొక్క ఆబ్జెక్టివ్ క్వాంటిటేటివ్ స్ట్రెంగ్త్ ద్వారా కొత్త అంతర్దృష్టులను అందిస్తుంది (కాసిల్లాస్ & అసిడో, 2007). వ్యవసాయం, రిమోట్ సెన్సింగ్ మరియు డిజిటల్ ట్రాన్స్ఫర్మేషన్తో సహా సంబంధిత డొమైన్లలో అనేకమంది పండితులు గతంలో బిబ్లియోమెట్రిక్ అధ్యయనాలు నిర్వహించారు (అర్మెంటా-మెదీనా మరియు ఇతరులు., 2020; బౌజెంబ్రాక్ మరియు ఇతరులు., 2019; ఎ. రెజెబ్, ట్రెయిబ్ల్మేయర్, మరియు ఇతరులు; వాంబా 2021 & క్వీరోజ్, 2021; వాంగ్ మరియు ఇతరులు., 2019).
అనులేఖన విశ్లేషణ
అనులేఖన విశ్లేషణ ఇచ్చిన పరిశోధనా రంగంలో వివిధ అంతర్దృష్టులను వెల్లడిస్తుంది. అన్నింటిలో మొదటిది, ఇచ్చిన పరిశోధనా రంగానికి దోహదపడే మరియు గణనీయమైన ప్రభావాన్ని చూపే అత్యంత ప్రభావవంతమైన రచయితలు మరియు ప్రచురణలను బహిర్గతం చేయడంలో ఇది సహాయపడుతుంది (గుండోల్ఫ్ & ఫిల్సర్, 2013). రెండవది, జ్ఞాన ప్రవాహం మరియు రచయితల మధ్య కమ్యూనికేషన్ లింక్లను వెలికితీయవచ్చు. చివరగా, ఉదహరించబడిన మరియు ఉదహరించిన రచనల మధ్య లింక్లను గుర్తించడం ద్వారా, కాలక్రమేణా నాలెడ్జ్ డొమైన్ యొక్క మార్పులు మరియు పరిణామాన్ని అన్వేషించవచ్చు (పౌర్నాడర్
మరియు ఇతరులు, 2020). ప్రచురణ యొక్క అధిక అనులేఖన సంఖ్యలు పరిశోధనా డొమైన్కు దాని ఔచిత్యాన్ని మరియు గణనీయమైన సహకారాన్ని ప్రతిబింబిస్తాయి (బాల్డి, 1998; గుండోల్ఫ్ & ఫిల్సర్, 2013; మారింకో, 1998). ప్రచురణల యొక్క అనులేఖన విశ్లేషణ సంబంధిత రచనలను గుర్తించడానికి మరియు కాలక్రమేణా వాటి ప్రజాదరణ మరియు పురోగతిని ట్రాక్ చేయడానికి కూడా సహాయపడుతుంది.
డాక్యుమెంట్ కో-సైటేషన్ విశ్లేషణ
కో-సైటేషన్ విశ్లేషణ అనేది ప్రచురణల మధ్య సంబంధాలను అన్వేషించడానికి మరియు ఫీల్డ్ యొక్క మేధో నిర్మాణాన్ని వర్ణించడానికి ఒక విలువైన పద్ధతి (నెరూర్ మరియు ఇతరులు., 2008). మరో మాటలో చెప్పాలంటే, ఎక్కువగా ఉదహరించబడిన ప్రచురణలు మరియు వాటి కనెక్షన్లను గుర్తించడం ద్వారా, ఈ పద్ధతి ప్రచురణలను విభిన్న పరిశోధన సమూహాలుగా వర్గీకరిస్తుంది, దీనిలో క్లస్టర్లోని ప్రచురణలు క్రమం తప్పకుండా ఇలాంటి ఆలోచనలను పంచుకుంటాయి (మెక్కెయిన్, 1990; చిన్న, 1973). సారూప్యత అంటే ప్రచురణల ఫలితాలను కాదని పేర్కొనడం చాలా ముఖ్యం
పొందిక మరియు ప్రతి ఇతర తో అంగీకరిస్తున్నారు; టాపిక్ సారూప్యత కారణంగా ప్రచురణలు ఒకే క్లస్టర్కు చెందినవి, కానీ అవి విరుద్ధమైన దృక్కోణాలను కలిగి ఉంటాయి.
సమాచార సేకరణ మరియు విశ్లేషణ
వైట్ మరియు గ్రిఫిత్ (1981) ప్రతిపాదించిన పద్దతిని అనుసరించి, వ్యవసాయంలో డ్రోన్ అప్లికేషన్ల యొక్క మొత్తం పరిశోధన డొమైన్ను కవర్ చేయడానికి మేము ఈ క్రింది ఐదు దశలను అనుసరిస్తూ జర్నల్ కథనాల యొక్క సమగ్ర శోధనను చేసాము:
- మొదటి దశ డేటా సేకరణ. స్కోపస్ ప్రామాణిక ఫలితాలతో అత్యంత సమగ్రమైన మరియు విశ్వసనీయమైన డేటాబేస్లలో ఒకటిగా ఎంపిక చేయబడింది. వ్యవసాయంలో అన్ని డ్రోన్ అప్లికేషన్లకు సంబంధించిన ప్రచురణల మెటా-డేటా తిరిగి పొందబడింది. ఆపై మేము ఎంచుకున్న కథనాలను విశ్లేషించాము, విశ్లేషణ నుండి ఆఫ్-టాపిక్ కథనాలను తీసివేసాము.
- మేము సాహిత్యాన్ని విశ్లేషించాము మరియు పరిశోధనా ప్రాంతంలో ఉపయోగించే అత్యంత ముఖ్యమైన కీలకపదాలను గుర్తించాము.
- అనులేఖన విశ్లేషణను ఉపయోగించి, మేము అంతర్లీన అనులేఖన నమూనాలను బహిర్గతం చేయడానికి రచయితలు మరియు పత్రాల మధ్య సంబంధాన్ని అన్వేషించాము. వ్యవసాయ డ్రోన్ల రంగంలో గణనీయమైన సహకారం అందించిన అత్యంత ప్రభావవంతమైన రచయితలు మరియు ప్రచురణలను కూడా మేము గుర్తించాము.
- మేము ఒకే విధమైన పబ్లికేషన్లను క్లస్టర్లుగా వర్గీకరించడానికి కో-సైటేషన్ విశ్లేషణను నిర్వహించాము.
- చివరగా, సహకార నెట్వర్క్ను వర్ణించడానికి దేశాలు, సంస్థలు మరియు పత్రికల మధ్య కనెక్షన్లు మరియు అనుసంధానాలను మేము విశ్లేషించాము.
తగిన శోధన పదాల గుర్తింపు
మేము డేటా అగ్రిగేషన్ కోసం క్రింది శోధన స్ట్రింగ్లను వర్తింపజేసాము: (డ్రోన్* లేదా “మానవ రహిత వైమానిక వాహనం” లేదా uav* లేదా “మానవరహిత ఎయిర్క్రాఫ్ సిస్టమ్”లేదా US లేదా “రిమోట్గా పైలట్ చేసిన విమానం”) మరియు (వ్యవసాయం లేదా వ్యవసాయం లేదా వ్యవసాయం లేదా రైతు) సెప్టెంబరు 2021లో శోధన జరిగింది. డ్రోన్లు UAV, UAS మరియు రిమోట్గా పైలట్ చేయబడిన విమానం (Sah et al., 2021)తో సహా అనేక హోదాలను కలిగి ఉన్నాయి. అబ్దుల్లాహి మరియు ఇతరుల అధ్యయనం ఆధారంగా వ్యవసాయానికి సంబంధించిన నిర్దిష్ట శోధన పదాలు గుర్తించబడ్డాయి. (2021) స్పష్టత మరియు పారదర్శకత కోసం, మేము ఉపయోగించిన ఖచ్చితమైన ప్రశ్న అనుబంధం 1లో ఇవ్వబడింది. డేటా క్లీనింగ్ ప్రక్రియను అనుసరించి, మేము ఒక టెక్స్ట్ ఫైల్ని సృష్టించాము, అది తదనంతరం బైబ్ఎక్సెల్లో లోడ్ చేయబడింది, ఇది సైటేషన్ మరియు కో-సైటేషన్ విశ్లేషణ కోసం ఒక సాధారణ సాధనం. ఈ సాధనం ఇతర సాఫ్ట్వేర్లతో సరళమైన పరస్పర చర్యను కూడా అందిస్తుంది మరియు డేటా నిర్వహణ మరియు విశ్లేషణలో గణనీయమైన స్వేచ్ఛను అందిస్తుంది. VOSviewer వెర్షన్ 1.6.16 కనుగొన్న వాటిని దృశ్యమానం చేయడానికి మరియు బైబిలియోమెట్రిక్ నెట్వర్క్లను రూపొందించడానికి ఉపయోగించబడింది (Eck & Waltman, 2009). VOSviewer ప్రత్యేకించి బైబిలియోమెట్రిక్ మ్యాప్లను విశ్లేషించడానికి (Geng et al., 2020) స్పష్టమైన విజువలైజేషన్ పరిధిని అందిస్తుంది. ఇంకా, ఫలితాలను బాగా అర్థం చేసుకోవడంలో సహాయపడే సాదా దృశ్యమాన ఫలితాలను అందించడంలో ఇది సహాయపడుతుంది (అబ్దుల్లాహి మరియు ఇతరులు., 2021). పైన పేర్కొన్న విధంగా శోధన స్ట్రింగ్లను వర్తింపజేసి, మేము అన్ని సంబంధిత ప్రచురణలను సేకరించి నిల్వ చేసాము. మొదటి శోధన ఫలితాలు మొత్తం 5,085 పత్రాలను అందించాయి. ఎంచుకున్న నమూనా యొక్క నాణ్యతను నిర్ధారించడానికి, పరిశోధనలో పీర్-రివ్యూడ్ జర్నల్ కథనాలు మాత్రమే పరిగణించబడ్డాయి, దీని ఫలితంగా పుస్తకాలు, అధ్యాయాలు, కాన్ఫరెన్స్ ప్రొసీడింగ్లు మరియు ఎడిటోరియల్ నోట్స్ వంటి ఇతర డాక్యుమెంట్ రకాలు మినహాయించబడ్డాయి. స్క్రీనింగ్ ప్రక్రియలో, అసంబద్ధం (అంటే, ఈ పని యొక్క పరిధికి మించి), అనవసరమైన (అంటే, డబుల్ ఇండెక్సింగ్ నుండి ఉత్పన్నమయ్యే నకిలీలు) మరియు ఆంగ్లేతర ప్రచురణలు ఫిల్టర్ చేయబడ్డాయి. ఈ ప్రక్రియ ఫలితంగా తుది విశ్లేషణలో 4,700 పత్రాలు చేర్చబడ్డాయి.
అన్వేషణలు మరియు చర్చ
ప్రారంభించడానికి, వ్యవసాయ డ్రోన్లపై ప్రస్తుత సాహిత్యంలో ప్రచురణ అవుట్పుట్లోని పరిణామాలను మేము విశ్లేషించాము. పండితుల పరిశోధన యొక్క తాత్కాలిక పంపిణీ అంజీర్ 1లో చూపబడింది. మేము 2011 సంవత్సరం (30 ప్రచురణలు) నుండి ప్రచురణలలో వేగవంతమైన పెరుగుదలను చూస్తున్నాము; కాబట్టి, మేము విశ్లేషణ వ్యవధిని రెండు వేర్వేరు దశలుగా విభజించాలని నిర్ణయించుకున్నాము. మేము 1990 మరియు 2010 మధ్య కాలాన్ని బిల్డ్-అప్ దశగా సూచిస్తాము, ఇది సంవత్సరానికి దాదాపు ఏడు పేపర్లను ప్రచురించింది. వ్యవసాయంలో డ్రోన్ అప్లికేషన్లపై పరిశోధన ఈ కాలంలో విపరీతమైన పెరుగుదలను చూసినందున 2010 తర్వాతి కాలాన్ని వృద్ధి దశ అని పిలుస్తారు. 2010 తరువాత, పెరుగుతున్న ప్రచురణల సంఖ్య పరిశోధకులలో పెరుగుతున్న ఆసక్తిని నిర్ధారిస్తుంది, ఇది డ్రోన్లు రిమోట్ సెన్సింగ్కు వర్తింపజేయబడిందని మరియు ఖచ్చితమైన వ్యవసాయంలో ఉపయోగించబడుతున్నాయని ప్రతిబింబిస్తుంది (డెంగ్ మరియు ఇతరులు, 2018; మేస్ & స్టెప్పీ, 2019; మెస్సినా & మోడికా, 2020 ) ప్రత్యేకించి, ప్రచురణల సంఖ్య 108లో 2013 నుండి 498లో 2018కి పెరిగింది మరియు 1,275లో గరిష్టంగా 2020కి చేరుకుంది. జనవరి మరియు సెప్టెంబర్ 935 మధ్యకాలంలో మొత్తం 2021 కథనాలు ప్రచురించబడ్డాయి. తదనంతరం, మేము మా విశ్లేషణను వృద్ధి దశపై మరింత దృష్టి పెట్టాలని ఎంచుకున్నాము. ఈ కాలం వ్యవసాయ డ్రోన్ల యొక్క ఇటీవలి మరియు ముఖ్యమైన సూక్ష్మ నైపుణ్యాలను ప్రతిబింబిస్తుంది.
కీలక పదాల విశ్లేషణ
ప్రచురణ కోసం రచయితలు ఎంచుకునే కీలకపదాలు కాగితం ఎలా ప్రాతినిధ్యం వహిస్తుంది మరియు శాస్త్రీయ సమాజాలలో ఎలా కమ్యూనికేట్ చేయబడుతుందనే దానిపై కీలకమైన ప్రభావాన్ని చూపుతుంది. వారు పరిశోధన యొక్క ముఖ్య విషయాలను గుర్తిస్తారు మరియు దాని అభివృద్ధి లేదా విఫలమయ్యే సామర్థ్యాన్ని నిర్ణయిస్తారు (డే & గాస్టెల్, 1998.; కిమ్ మరియు ఇతరులు., 2016; ఉద్దీన్ మరియు ఇతరులు., 2015). కీలక పదాల విశ్లేషణ, విస్తృత పరిశోధన ధోరణులను మరియు దిశలను బహిర్గతం చేసే సాధనం, డొమైన్లోని అన్ని సంబంధిత ప్రచురణల యొక్క కీలక పదాల సంకలనాన్ని సూచిస్తుంది (దీక్షిత్ & జఖర్, 2021). ప్రస్తుత అధ్యయనంలో, అత్యంత జనాదరణ పొందిన అంశాలను అన్వేషించడానికి మేము సమగ్ర కీలకపదాలను రెండు సెట్లుగా (అంటే 2010 మరియు 2011–2021 వరకు) విభజించాము. ఇలా చేయడం ద్వారా, మేము రెండు సెట్లలో కీలకమైన కీలకపదాలను కనుగొనవచ్చు మరియు మేము అవసరమైన మొత్తం డేటాను క్యాప్చర్ చేసామని హామీ ఇవ్వవచ్చు. ప్రతి సెట్ కోసం, టాప్ టెన్ కీలకపదాలు టేబుల్ 3లో ప్రదర్శించబడ్డాయి. "డ్రోన్" మరియు "డ్రోన్" లేదా, అదే విధంగా, "ఇంటర్నెట్ ఆఫ్ థింగ్స్" మరియు "IoT" వంటి అర్థపరంగా ఒకేలాంటి కీలకపదాలను విలీనం చేయడం ద్వారా మేము అసమానతలను తొలగించాము.
రెండు సమయాలలో "డ్రోన్" మరియు "మానవరహిత వైమానిక వ్యవస్థ"తో పోలిస్తే "మానవరహిత వైమానిక వాహనం" అనేది తరచుగా ఉపయోగించే కీవర్డ్ అని టేబుల్ 3 చూపిస్తుంది. అలాగే, "రిమోట్ సెన్సింగ్," "ఖచ్చితమైన వ్యవసాయం," మరియు "వ్యవసాయం" రెండు కాలాల్లోనూ అత్యంత ర్యాంక్లో ఉన్నాయి. మొదటి పీరియడ్లో, “ప్రెసిషన్ అగ్రికల్చర్” ఐదవ స్థానంలో ఉంది మరియు రెండవ పీరియడ్లో ఇది రెండవ స్థానంలో నిలిచింది, ఇది పర్యవేక్షణ చేయగలిగినందున ఖచ్చితమైన వ్యవసాయాన్ని సాధించడంలో డ్రోన్లు ఎంత ముఖ్యమైనవి అవుతున్నాయో వివరిస్తుంది,
ఇతర రిమోట్-సెన్సింగ్ మరియు గ్రౌండ్-బేస్డ్ సిస్టమ్లతో పోల్చితే గుర్తించడం మరియు అంచనా వేయడం వేగంగా, చౌకగా మరియు సులభంగా నిర్వహించడం. అలాగే, వారు అవసరమైనప్పుడు (గువో మరియు ఇతరులు, 2020; ఇనౌ, 2020; పాండే, ప్రతిహస్ట్, మరియు ఇతరులు., 2020) ఇన్పుట్ యొక్క ఖచ్చితమైన మొత్తాన్ని (ఉదా, నీరు లేదా పురుగుమందులు) పిచికారీ చేయవచ్చు.
అత్యంత తరచుగా ఉపయోగించే కీలక పదాల జాబితా.
రాంక్ | 1990-2010 | సంఖ్య సంఘటనలు | 2011-2021 | సంఖ్య సంఘటనలు |
1 | మానవరహిత వైమానిక వాహనం | 28 | మానవరహిత వైమానిక వాహనం | 1628 |
2 | దూరం నుంచి నిర్ధారణ | 7 | ఖచ్చితత్వము వ్యవసాయ | 489 |
3 | వ్యవసాయ | 4 | దూరం నుంచి నిర్ధారణ | 399 |
4 | గాలిలో | 4 | డ్రోన్ | 374 |
5 | ఖచ్చితత్వము వ్యవసాయ | 4 | మానవరహిత వైమానిక వ్యవస్థ | 271 |
6 | మానవరహిత వైమానిక | 4 | వ్యవసాయ | 177 |
7 | హైపర్ స్పెక్ట్రల్ నమోదు చేయు పరికరము | 3 | లోతైన అభ్యాసం | 151 |
8 | కృత్రిమ నాడీ నెట్వర్క్లు | 2 | యంత్రం లెర్నింగ్ | 149 |
9 | స్వయంప్రతిపత్తమైన విమానం | 2 | వృక్ష ఇండెక్స్ | 142 |
10 | కాఫీ | 2 | ఇంటర్నెట్ ఆఫ్ థింగ్స్ | 124 |
మరొక ఆసక్తికరమైన లక్షణం పరిపూరకరమైన సాంకేతికతల ఉనికి. మొదటి దశలో, "హైపర్స్పెక్ట్రల్ సెన్సార్" మరియు "ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్లు" (ANN) మొదటి పది కీలక పదాలలో ఉన్నాయి. వివిధ తరంగదైర్ఘ్యాల వద్ద భారీ సంఖ్యలో చిత్రాలను సేకరించడం ద్వారా హైపర్స్పెక్ట్రల్ ఇమేజింగ్ సాంప్రదాయ ఇమేజింగ్లో విప్లవాత్మక మార్పులు చేసింది. అలా చేయడం ద్వారా, మల్టీస్పెక్ట్రల్ ఇమేజింగ్, స్పెక్ట్రోస్కోపీ మరియు RGB ఇమేజరీ (Adao ˜ et al.,)తో పోలిస్తే సెన్సార్లు ఏకకాలంలో మెరుగైన ప్రాదేశిక మరియు వర్ణపట సమాచారాన్ని సేకరించగలవు.
2017). మొదటి దశలో “ANN” మరియు రెండవ దశలో “డీప్ లెర్నింగ్” (DL) మరియు “మెషిన్ లెర్నింగ్” (ML) సంభవించడం, ప్రచురించబడిన చాలా రచనలు డ్రోన్ కోసం AI టెక్నిక్ల సామర్థ్యాన్ని పరిశీలించడంపై దృష్టి సారించాయని సూచిస్తుంది. ఆధారిత వ్యవసాయం. డ్రోన్లు స్వయంప్రతిపత్తితో ప్రయాణించగల సామర్థ్యాన్ని కలిగి ఉన్నప్పటికీ, వాటికి ఇప్పటికీ పైలట్ ప్రమేయం అవసరం, ఇది తక్కువ స్థాయి పరికర మేధస్సును సూచిస్తుంది. అయినప్పటికీ, AI సాంకేతికతలను అభివృద్ధి చేయడం వల్ల ఈ సమస్యను పరిష్కరించవచ్చు, ఇది మెరుగైన పరిస్థితులపై అవగాహన మరియు స్వయంప్రతిపత్త నిర్ణయ మద్దతును అందిస్తుంది. AIతో అమర్చబడి, డ్రోన్లు నావిగేషన్ సమయంలో ఘర్షణలను నివారించగలవు, నేల మరియు పంట నిర్వహణను మెరుగుపరుస్తాయి (ఇనౌ, 2020), మరియు మానవులకు శ్రమ మరియు ఒత్తిడిని తగ్గిస్తాయి (BK శర్మ మరియు ఇతరులు, 2019).
వాటి వశ్యత మరియు అధిక మొత్తంలో నాన్ లీనియర్ డేటాను నిర్వహించగల సామర్థ్యం కారణంగా, AI పద్ధతులు డ్రోన్లు మరియు ఇతర రిమోట్ సెన్సింగ్ మరియు గ్రౌండ్-బేస్డ్ సిస్టమ్ల ద్వారా అంచనా వేయడానికి మరియు నిర్ణయం తీసుకోవడానికి (అలీ మరియు ఇతరులు, 2015; ఇనౌ, 2020). ఇంకా, రెండవ కాలంలో "IoT" ఉనికి వ్యవసాయంలో దాని అభివృద్ధి చెందుతున్న పాత్రను సూచిస్తుంది. IoT డ్రోన్లు, ML, DL, WSNలు మరియు పెద్ద డేటాతో సహా ఇతర సాంకేతికతలను ఇంటర్కనెక్ట్ చేయడం ద్వారా వ్యవసాయంలో విప్లవాత్మక మార్పులు చేస్తోంది. IoTని అమలు చేయడం వల్ల కలిగే ముఖ్య ప్రయోజనాల్లో ఒకటి, సమీప నిజ సమయంలో (ఎలిజా మరియు ఇతరులు, 2018; ఫెంగ్ మరియు ఇతరులు. , 2019; ముయాంగ్ప్రతుబ్ మరియు ఇతరులు., 2019). ఇంకా, వృక్షసంపద యొక్క శక్తి మరియు వృక్ష లక్షణాలను లెక్కించడానికి అవసరమైన డేటాను సంగ్రహించడానికి డ్రోన్లు సమర్థవంతమైన సాధనాలుగా పరిగణించబడతాయి (కాండియాగో మరియు ఇతరులు., 2015). Fig. 2a మరియు 2b రెండు సమయ వ్యవధుల కీవర్డ్ సహ-సంఘటన నెట్వర్క్లను వివరిస్తాయి.
ప్రభావవంతమైన రచయితలు
ఈ విభాగంలో, మేము ప్రభావవంతమైన రచయితలను నిర్ణయిస్తాము మరియు రచయిత సైటేషన్ నెట్వర్క్లు ప్రస్తుత సాహిత్యాన్ని ఎలా విజువలైజ్ చేయగలవో మరియు నిర్వహించగలవో పరిశీలిస్తాము. అత్యధిక సంఖ్యలో అనులేఖనాలతో పరిశోధకులందరి కాలక్రమానుసారం అతివ్యాప్తిని అంజీర్ 3 చూపిస్తుంది. రంగు స్కేల్ రచయితల అనులేఖనాల యొక్క సంవత్సరం వారీ వైవిధ్యాన్ని ప్రతిబింబిస్తుంది. కనీసం 50 అనులేఖనాలు మరియు పది ప్రచురణల థ్రెషోల్డ్ని ఉపయోగించి వ్యవసాయ డ్రోన్లపై అధ్యయనాలను ప్రచురించిన పరిశోధకుల అనులేఖన నిర్మాణాన్ని మేము పరిశీలిస్తాము. బయటకు
12,891 మంది రచయితలు, 115 మంది మాత్రమే ఈ పరిస్థితిని ఎదుర్కొన్నారు. గరిష్ట సంఖ్యలో అనులేఖనాల ఆధారంగా క్రమబద్ధీకరించబడిన టాప్ టెన్ ప్రభావవంతమైన రచయితలను టేబుల్ 4 జాబితా చేస్తుంది. 1,963 అనులేఖనాలతో లోపెజ్- గ్రనడోస్ F. అగ్రస్థానంలో ఉంది, 1,909 అనులేఖనాలతో Zarco-Tejada PJ తర్వాతి స్థానంలో ఉంది.
ఎక్కువగా ఉదహరించబడిన రచయితల జాబితా.
ర్యాంకింగ్ | రచయిత | ఉదహరణలు |
1 | లోపెజ్-గ్రానాడోస్ ఎఫ్. | 1,963 |
2 | జార్కో-తేజాడ PJ | 1,909 |
3 | పెనా ˜ JM | 1,644 |
4 | టోర్రెస్-S´ ఆంచెజ్ జె. | 1,576 |
5 | ఫెరెరెస్ ఇ | 1,339 |
6 | రెమోండినో ఎఫ్ | 1,235 |
7 | బోల్టెన్ ఎ | 1,160 |
8 | బారెత్ జి | 1,155 |
9 | బెర్ని JA | 1,132 |
10 | డి కాస్ట్రో AI | 1,036 |
వ్యక్తిగత ప్రచురణల విషయానికి వస్తే, జాంగ్ మరియు కోవాక్స్ (2012) కథనం ప్రెసిషన్ అగ్రికల్చర్లో ప్రచురించబడిన అత్యంత ఉదహరించబడిన అధ్యయనం. ఇక్కడ, రచయితలు ఖచ్చితమైన వ్యవసాయంలో UAS యొక్క అనువర్తనాన్ని సమీక్షించారు. రైతులకు విశ్వసనీయమైన తుది ఉత్పత్తులను అందించడానికి ప్లాట్ఫారమ్ రూపకల్పన, ఉత్పత్తి, ఇమేజ్ జియోరెఫరెన్సింగ్ యొక్క ప్రామాణీకరణ మరియు సమాచార పునరుద్ధరణ వర్క్ఫ్లోను ముందుకు తీసుకెళ్లాల్సిన అవసరం ఉందని వారి పరిశోధన యొక్క ఫలితాలు సూచిస్తున్నాయి. అదనంగా, ముఖ్యంగా ఫీల్డ్ ప్లానింగ్, ఇమేజ్ క్యాప్చర్, అలాగే డేటా ఇంటర్ప్రిటేషన్ మరియు అనాలిసిస్లో రైతును మరింత బలంగా ఎంగేజ్ చేయాలని వారు సిఫార్సు చేస్తున్నారు. ముఖ్యముగా, ఫీల్డ్ మ్యాపింగ్, శక్తి మ్యాపింగ్, రసాయన కంటెంట్ కొలత, వృక్షసంపద ఒత్తిడి పర్యవేక్షణ మరియు మొక్కల పెరుగుదలపై ఎరువుల ప్రభావాల మూల్యాంకనంలో UAV యొక్క ప్రాముఖ్యతను చూపించిన వాటిలో ఈ అధ్యయనం మొదటిది. సాంకేతికతకు సంబంధించిన సవాళ్లలో నిషేధిత ఖర్చులు, సెన్సార్ సామర్థ్యం, ప్లాట్ఫారమ్ స్థిరత్వం మరియు విశ్వసనీయత, ప్రామాణికత లేకపోవడం మరియు భారీ మొత్తంలో డేటాను విశ్లేషించడానికి స్థిరమైన విధానం కూడా ఉన్నాయి.
అనులేఖన విశ్లేషణ
అనులేఖన విశ్లేషణ అనేది వ్యాసాల ప్రభావానికి సంబంధించిన అధ్యయనాన్ని సూచిస్తుంది, అయితే ప్రవాహాలకు (ఉదా., సైటేషన్ బయాస్, సెల్ఫ్-సైటేషన్) అనేది ప్రభావ మూల్యాంకనం కోసం ప్రామాణిక సాధనాల్లో ఒకటిగా పరిగణించబడుతుంది (Osareh, 1996; A. Rejeb et al., 2022; సర్లీ మరియు ఇతరులు., 2010). అనులేఖనాలు ఒక నిర్దిష్ట అంశంపై సాహిత్యానికి పేపర్ల సహకారం యొక్క ప్రాముఖ్యత మరియు శక్తిని ప్రతిబింబిస్తాయి (R. శర్మ మరియు ఇతరులు., 2022). వ్యవసాయ డ్రోన్లపై అత్యంత ప్రభావవంతమైన అధ్యయనాలను గుర్తించడానికి మేము అనులేఖన విశ్లేషణను నిర్వహించాము మరియు విషయాలను సంగ్రహించాము. 5–1990 మరియు 2010–2011 కాలాల్లో అత్యంత ప్రభావవంతమైన పదిహేను పత్రాల జాబితాను టేబుల్ 2021 అందిస్తుంది. బెర్ని మరియు ఇతరుల కథనాలు. (2009)b మరియు Austin (2010) 1990 మరియు 2010లో వరుసగా 831 మరియు 498 అనులేఖనాలతో అత్యధికంగా ఉదహరించబడ్డాయి. బెర్ని మరియు ఇతరులు. (2009)b సరసమైన థర్మల్ మరియు నారోబ్యాండ్ మల్టీస్పెక్ట్రల్ ఇమేజింగ్ సెన్సార్లతో అమర్చబడిన హెలికాప్టర్-ఆధారిత UAV ద్వారా పరిమాణాత్మక రిమోట్సెన్సింగ్ ఉత్పత్తులను అభివృద్ధి చేయగల సామర్థ్యాన్ని వివరించింది. సాంప్రదాయ మానవ సహిత వాయుమార్గాన సెన్సార్లతో పోలిస్తే, వ్యవసాయం కోసం ఒక తక్కువ-ధర UAV వ్యవస్థ మెరుగ్గా కాకపోయినా, పంటల బయోఫిజికల్ పారామితుల యొక్క పోల్చదగిన అంచనాలను సాధించగలదు. సరసమైన ధర మరియు కార్యాచరణ సౌలభ్యం, అధిక స్పెక్ట్రల్, ప్రాదేశిక మరియు తాత్కాలిక రిజల్యూషన్లతో పాటు శీఘ్ర టర్నరౌండ్ సమయంలో అందుబాటులో ఉంటాయి, నీటిపారుదల షెడ్యూలింగ్ మరియు ఖచ్చితమైన వ్యవసాయంతో సహా సమయ-క్లిష్టమైన నిర్వహణ అవసరమయ్యే అనేక రకాల అప్లికేషన్లకు UAVలను అనువైనదిగా అందిస్తాయి. బెర్ని మరియు ఇతరుల నుండి కాగితం. (2009)b ఎక్కువగా ఉదహరించబడింది ఎందుకంటే ఇది మానవరహిత రోటరీ-వింగ్ ప్లాట్ఫారమ్ మరియు వ్యవసాయ అనువర్తనాలకు అవసరమైన క్రమాంకన విధానాలతో డిజిటల్ మరియు థర్మల్ సెన్సార్లను సమర్థవంతంగా సమీకృతం చేసింది. డిజైన్, అభివృద్ధి మరియు విస్తరణ దృక్కోణాల నుండి UAVలను చర్చించిన ఆస్టిన్ (2010) రచించిన పుస్తకం రెండవ అత్యంత ఉదహరించబడిన ప్రచురణ. వ్యవసాయంలో, UAVలు పంటల రంగు మార్పుల ద్వారా వ్యాధులను ముందుగానే గుర్తించడం ద్వారా పంట పర్యవేక్షణకు మద్దతునిస్తాయి, పంటలను విత్తడం మరియు చల్లడం సులభతరం చేయడం మరియు మందలను పర్యవేక్షించడం మరియు నడపడం ద్వారా.
సుల్లివన్ మరియు ఇతరుల అధ్యయనాలు. (2007), లుమ్మె మరియు ఇతరులు. (2008), మరియు గోక్టో ¨ ǧan et al. (2010) అత్యధికంగా ఉదహరించబడిన మొదటి పదిహేను కథనాల జాబితాను పూర్తి చేయండి. వ్యవసాయానికి మద్దతుగా UAV-ఆధారిత వ్యవస్థల అభివృద్ధిని ఈ కథనాలు వివరిస్తాయి. వారు పంట పర్యవేక్షణ మరియు స్కానింగ్, కలుపు మొక్కల పర్యవేక్షణ మరియు నిర్వహణ మరియు నిర్ణయ మద్దతు వంటి వివిధ సమస్యలకు పరిష్కారాలను అందిస్తారు. వారు నమూనా సామర్థ్యాన్ని పెంచడానికి UAV యొక్క సామర్థ్యాన్ని సూచిస్తారు మరియు చర్చించారు మరియు ఖచ్చితమైన మరియు సమర్థవంతమైన రూపకల్పనలో రైతులకు సహాయం చేస్తారు
నాటడం వ్యూహాలు. వ్యవసాయ డ్రోన్-సంబంధిత పరిశోధనపై అతని గణనీయమైన ప్రభావాన్ని నొక్కిచెబుతూ బెర్ని (బెర్నీ మరియు ఇతరులు, 2009b; బెర్ని మరియు ఇతరులు, 2009a) రెండు పత్రాలను రచించారు. Zarco-Tejada et al నుండి పేపర్. (2014) చెట్టు ఎత్తు పరిమాణంలో తక్కువ-ధర UAV చిత్రాలను ఉపయోగించాల్సిన అవసరాన్ని వివరించడానికి మార్గదర్శక అధ్యయనాలలో ఒకటి.
ఎక్కువగా ఉదహరించబడిన ప్రచురణల జాబితా.
రాంక్ | 1990 నుండి 2010 వరకు | 2011 నుండి 2021 వరకు | ||
<span style="font-family: Mandali; ">డాక్యుమెంట్ | citation | <span style="font-family: Mandali; ">డాక్యుమెంట్ | citation | |
1 | (బెర్ని మరియు ఇతరులు, 2009b) | 831 | (సి. జాంగ్ & కోవాక్స్, 2012) | 967 |
2 | (ఆస్టిన్, 2010) | 498 | (నెక్స్ & రెమోండినో, 2014) | 893 |
3 | (హంట్ మరియు ఇతరులు, 2010) | 331 | (ఫ్లోరియానో & వుడ్, 2015) | 552 |
4 | (SR హెర్విట్జ్ మరియు ఇతరులు., 2004) | 285 | (హోస్సేన్ మోట్లాగ్ మరియు ఇతరులు., 2016) | 391 |
5 | (CCD లెలాంగ్ మరియు ఇతరులు., 2008) | 272 | (శాఖత్రేహ్ మరియు ఇతరులు., 2019) | 383 |
6 | (బెర్ని మరియు ఇతరులు, 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (గ్రెన్జ్డోర్ఫర్ ¨ మరియు ఇతరులు., 2008) | 198 | (బెండిగ్ మరియు ఇతరులు, 2014) | 360 |
8 | (హ్రాబర్ మరియు ఇతరులు, 2005) | 175 | (జార్కో-తేజాడా మరియు ఇతరులు., 2014) | 347 |
9 | (Y. హువాంగ్ మరియు ఇతరులు., 2009) | 129 | (ప్రకటన ao మరియు ఇతరులు., 2017) | 335 |
10 | (ష్మేల్ III మరియు ఇతరులు., 2008) | 119 | (Honkavaara et al., 2013) | 331 |
11 | (అబ్ద్-ఎల్రాహ్మాన్ మరియు ఇతరులు., 2005) | 79 | (కాండియాగో మరియు ఇతరులు, 2015) | 327 |
12 | (టెక్కీ మరియు ఇతరులు, 2010) | 69 | (జియాంగ్ & టియాన్, 2011) | 307 |
13 | (సుల్లివన్ మరియు ఇతరులు, 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (గాగో మరియు ఇతరులు, 2015) | 275 |
15 | (గోక్టో ¨ ǧan et al., 2010) | 40 | (ఆసెన్ మరియు ఇతరులు, 2015a) | 269 |
రెండవ కాలంలో (2011–2021), Zhang మరియు Kovacs (2012) మరియు Nex and Remondino (2014) చేసిన పరిశోధనలు చాలా తరచుగా ఉదహరించబడిన ప్రచురణలకు దారితీశాయి. భౌగోళిక సమాచార వ్యవస్థలు, GPS మరియు రిమోట్ సెన్సింగ్ వంటి భౌగోళిక సాంకేతికతలు మరియు సెన్సార్లను అమలు చేయడం ద్వారా ఖచ్చితత్వ వ్యవసాయం ప్రయోజనం పొందవచ్చని Zhang మరియు Kovacs (2012) వాదించారు, ఫీల్డ్లోని వైవిధ్యాలను సంగ్రహించడానికి మరియు ప్రత్యామ్నాయ వ్యూహాలను ఉపయోగించడం ద్వారా వాటిని నిర్వహించడానికి. ఖచ్చితమైన వ్యవసాయంలో గేమ్-ఛేంజర్గా, డ్రోన్ల స్వీకరణ రిమోట్ సెన్సింగ్, వైమానిక పరిశీలనను సులభతరం చేయడం, పంట పెరుగుదల డేటా, నేల పరిస్థితులు మరియు స్ప్రేయింగ్ ప్రాంతాలను సంగ్రహించడంలో కొత్త యుగానికి నాంది పలికింది. ప్లాట్ఫారమ్ మరియు కెమెరా పరిమితులు, డేటా ప్రాసెసింగ్ సవాళ్లు, రైతు నిశ్చితార్థం మరియు విమానయాన నిబంధనల వంటి పర్యావరణ పర్యవేక్షణ మరియు ఖచ్చితత్వ వ్యవసాయంలో ఈ పరికరాల యొక్క ప్రస్తుత ఉపయోగాలు మరియు సవాళ్లను బహిర్గతం చేయడం ద్వారా UAVల గురించి అంతర్దృష్టులను అందించడం ద్వారా Zhang మరియు Kovacs (2012) యొక్క సమీక్ష ప్రాథమికమైనది. . రెండవ
Nex మరియు Remondino (2014) నుండి ఎక్కువగా ఉదహరించబడిన అధ్యయనం భూమి చిత్రాలను సంగ్రహించడం, ప్రాసెస్ చేయడం మరియు విశ్లేషించడం కోసం UAVల యొక్క కళ యొక్క స్థితిని సమీక్షించింది.
వారి పని అనేక UAV ప్లాట్ఫారమ్లు, అప్లికేషన్లు మరియు వినియోగ కేసుల యొక్క అవలోకనాన్ని కూడా అందించింది, UAV ఇమేజ్ ప్రాసెసింగ్లో సరికొత్త పురోగతిని ప్రదర్శిస్తుంది. వ్యవసాయంలో, రైతులు ఖర్చు మరియు సమయం ఆదా చేయడానికి సమర్థవంతమైన నిర్ణయాలు తీసుకోవడానికి UAVలను ఉపయోగించవచ్చు, నష్టాల యొక్క వేగవంతమైన మరియు ఖచ్చితమైన రికార్డును అందుకుంటారు మరియు సాధ్యమయ్యే సమస్యలను అంచనా వేయవచ్చు. సాంప్రదాయిక వైమానిక ప్లాట్ఫారమ్లకు విరుద్ధంగా, UAVలు అధిక ఖచ్చితత్వ సామర్థ్యాన్ని సంరక్షించేటప్పుడు కార్యాచరణ ఖర్చులను తగ్గించగలవు మరియు కఠినమైన ప్రదేశాలలో యాక్సెస్ ప్రమాదాన్ని తగ్గించగలవు. వారి కాగితం UAVల యొక్క వివిధ ప్రయోజనాలను సంగ్రహిస్తుంది, ముఖ్యంగా ఖచ్చితత్వం మరియు రిజల్యూషన్ పరంగా.
2011 మరియు 2021 మధ్యకాలంలో అత్యధికంగా ఉదహరించబడిన మిగిలిన పదమూడు ప్రచురణలలో, ఇమేజింగ్ మిషన్లలో డ్రోన్ అప్లికేషన్లకు అనుసంధానించబడిన పరిశోధనపై ఎక్కువ ఏకాగ్రతను మేము గమనించాము (బెండిగ్ మరియు ఇతరులు, 2014; మా మరియు ఇతరులు., 2017; జార్కో-తేజాడా మరియు ఇతరులు., 2014). , ఖచ్చితత్వ వ్యవసాయం (కాండియాగో మరియు ఇతరులు., 2015; హోంకవారా మరియు ఇతరులు., 2013a), ఖచ్చితత్వపు విటికల్చర్ (మాటేస్ మరియు ఇతరులు, 2015), నీటి ఒత్తిడి అంచనా (గాగో మరియు ఇతరులు., 2015), మరియు వృక్షసంపద పర్యవేక్షణ (Aasen . , 2015a). ప్రారంభ సంవత్సరాల్లో, పరిశోధకులు దృష్టి పెట్టారు
వ్యవసాయం కోసం తక్కువ-ధర, తేలికైన మరియు ఖచ్చితమైన UAV-ఆధారిత వ్యవస్థలను అభివృద్ధి చేయడంపై మరింత; ఇటీవలి పరిశోధన వ్యవసాయం మరియు ఫీల్డ్ సర్వేయింగ్ కోసం UAV అప్లికేషన్ల సమీక్షలపై ఎక్కువ దృష్టి సారించింది. సారాంశంలో, UAVల ప్రస్తుత శాస్త్రీయ మరియు సాంకేతిక స్థితిని అంచనా వేయడానికి ప్రభావవంతమైన ప్రచురణలు ముందస్తు అధ్యయనాల సమీక్షలను అందించాయని మరియు ఖచ్చితమైన వ్యవసాయానికి మద్దతుగా UAV వ్యవస్థలను అభివృద్ధి చేశాయని ఈ విశ్లేషణ వెల్లడిస్తుంది. ఆసక్తికరమైన విషయమేమిటంటే, మేము అనుభవ సంబంధమైన అధ్యయనాలను కనుగొనలేదు
మెథడాలజీలు లేదా డిస్క్రిప్టివ్ కేస్ స్టడీస్, ఇది గణనీయమైన జ్ఞాన అంతరాన్ని ఏర్పరుస్తుంది మరియు ఈ అంశంపై మరింత పరిశోధన కోసం పిలుపునిస్తుంది.
కో-సైటేషన్ విశ్లేషణ
Gmür (2006) ప్రకారం, కో-సైటేషన్ విశ్లేషణ సారూప్య ప్రచురణలను గుర్తిస్తుంది మరియు వాటిని క్లస్టర్ చేస్తుంది. క్లస్టర్ను జాగ్రత్తగా పరిశీలించడం ద్వారా ప్రచురణల మధ్య ఒక సాధారణ పరిశోధనా రంగాన్ని బహిర్గతం చేయవచ్చు. సంబంధిత సబ్జెక్ట్ ప్రాంతాలను వివరించడానికి మరియు ప్రచురణల యొక్క మేధో నమూనాలను గుర్తించడానికి వ్యవసాయ డ్రోన్లకు సంబంధించిన సాహిత్యం యొక్క సహ-ఉలేఖనాన్ని మేము పరిశీలిస్తాము. ఈ విషయంలో, స్మాల్ (1973) అత్యంత ప్రభావవంతమైన మరియు సెమినల్ పరిశోధనలను అధ్యయనం చేయడానికి కోసిటేషన్ విశ్లేషణను ఉపయోగించాలని సిఫార్సు చేసింది
ఒక క్రమశిక్షణలో. సెట్ను అత్యంత ముఖ్యమైన కథనాలకు (గోయల్ & కుమార్, 2021) పరిమితం చేయడానికి, మేము 25 సహ-ఉదహరణ థ్రెషోల్డ్ని సెట్ చేసాము, అంటే 25 లేదా అంతకంటే ఎక్కువ విభిన్న ప్రచురణల సూచన జాబితాలలో రెండు కథనాలు తప్పనిసరిగా ఉదహరించబడి ఉండాలి. క్లస్టరింగ్ కూడా కనిష్ట క్లస్టర్ పరిమాణం 1తో నిర్వహించబడింది మరియు చిన్న క్లస్టర్లను పెద్ద వాటితో విలీనం చేయడానికి ఎలాంటి పద్ధతి లేకుండా నిర్వహించబడింది. ఫలితంగా, అధ్యయనాల సారూప్యత మరియు వాటి మేధో నిర్మాణం ఆధారంగా ఆరు క్లస్టర్లు రూపొందించబడ్డాయి. ప్రతి క్లస్టర్లో ప్రచురణల పంపిణీని టేబుల్ 6 చూపుతుంది.
క్లస్టర్ 1: ఈ క్లస్టర్లో పద్దెనిమిది పత్రాలు ప్రచురించబడిన తర్వాత ప్రచురించబడిన పద్దెనిమిది పత్రాలను ఈ క్లస్టర్లోని ప్రచురణలు పర్యావరణ పర్యవేక్షణ, పంట నిర్వహణ మరియు కలుపు నిర్వహణకు మద్దతుగా డ్రోన్ల పాత్రను చర్చిస్తాయి. ఉదాహరణకు, మాన్ఫ్రెడా మరియు ఇతరులు. (2018) సహజ వ్యవసాయ పర్యావరణ వ్యవస్థ పర్యవేక్షణలో UAV యొక్క ప్రస్తుత పరిశోధన మరియు అమలుల యొక్క అవలోకనాన్ని అందించండి మరియు పర్యావరణ పర్యవేక్షణను తీవ్రంగా మెరుగుపరచడానికి మరియు తగ్గించడానికి సాంకేతికత అద్భుతమైన సామర్థ్యాన్ని అందిస్తుందని వాదించారు.
క్షేత్ర పరిశీలన మరియు సంప్రదాయ గాలి మరియు స్పేస్బోర్న్ రిమోట్ సెన్సింగ్ మధ్య ఉన్న అంతరం. మెరుగైన తాత్కాలిక పునరుద్ధరణ కోసం కొత్త సామర్థ్యాన్ని అందించడం ద్వారా మరియు సరసమైన మార్గంలో పెద్ద ప్రాంతాలలో ప్రాదేశిక అంతర్దృష్టులను అందించడం ద్వారా ఇది చేయవచ్చు. UAVలు నిరంతరం పర్యావరణాన్ని పసిగట్టగలవు మరియు వ్యాధి లేదా నీటిని గుర్తించడం వంటి ఆఖరి సమస్యలను గుర్తించడానికి సెన్సార్లను నియంత్రించే తెలివైన, కేంద్రీకృత/వికేంద్రీకృత సంస్థలకు ఫలిత డేటాను పంపగలవు (పాడువా ´ et al., 2017). అడావో ˜ మరియు ఇతరులు. (2017) నీటి స్థితి, బయోమాస్ అంచనా మరియు శక్తి మదింపుకు సంబంధించిన ముడి డేటా యొక్క విస్తారమైన పరిమాణాన్ని సంగ్రహించడం ద్వారా మొక్కల పరిస్థితులను అంచనా వేయడానికి UAVలు అనువైనవని వాదించండి. రిమోట్-సెన్సింగ్ డేటాను సకాలంలో సంగ్రహించడానికి అనుమతించడానికి సరైన పర్యావరణ పరిస్థితులలో UAV-మౌంటెడ్ సెన్సార్లను కూడా వెంటనే అమలు చేయవచ్చు (వాన్ బ్యూరెన్ మరియు ఇతరులు., 2015). UAVల ద్వారా, రైతులు ఇండోర్ ఫార్మింగ్ పరిసరాలలో (ఉదా, గ్రీన్హౌస్లు) త్రిమితీయ స్థలంలో ఆచరణాత్మకంగా ఏ ప్రదేశం నుండి అయినా కొలతలను పొందడం ద్వారా ఇండోర్ వ్యవసాయ కార్యకలాపాలను నిర్వహించగలుగుతారు, తద్వారా స్థానిక వాతావరణ నియంత్రణ మరియు మొక్కల పర్యవేక్షణ (రోల్డాన్ ´ మరియు ఇతరులు) ., 2015). ఖచ్చితత్వం సందర్భంలో
వ్యవసాయం, పంట నిర్వహణ నిర్ణయాలకు తగిన తాత్కాలిక మరియు ప్రాదేశిక స్పష్టతతో ఖచ్చితమైన, నమ్మదగిన పంట డేటా అవసరం (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). ఈ కారణంగా, Agüera Vega et al. (2015) పెరుగుతున్న కాలంలో పొద్దుతిరుగుడు పంట యొక్క చిత్రాలను పొందేందుకు UAV-మౌంటెడ్ మల్టీస్పెక్ట్రల్ సెన్సార్ సిస్టమ్ను ఉపయోగించింది. అదేవిధంగా, హువాంగ్ మరియు ఇతరులు. (2009) UAVల ఆధారంగా రిమోట్ సెన్సింగ్ సేకరించిన స్పెక్ట్రల్ డేటా నుండి పంటలు మరియు మట్టిని కొలిచేందుకు సులభతరం చేయగలదని గమనించండి. వెర్గెర్ మరియు ఇతరులు. (2014) గోధుమ మరియు రాప్సీడ్ పంటలపై దృష్టి సారించి, ఖచ్చితమైన వ్యవసాయ అనువర్తనాల్లో UAV ప్రతిబింబ కొలతల నుండి గ్రీన్ ఏరియా ఇండెక్స్ (GAI)ని అంచనా వేయడానికి ఒక సాంకేతికతను అభివృద్ధి చేసి పరీక్షించారు. అందువల్ల, డ్రోన్లు తరచుగా తిరిగి సందర్శించడం మరియు అధిక ప్రాదేశిక రిజల్యూషన్తో పంట స్థితి సమాచారాన్ని తిరిగి పొందడానికి కొత్త అవకాశాలను అందిస్తాయి (డాంగ్ మరియు ఇతరులు, 2019; గార్జోనియో మరియు ఇతరులు., 2017; హెచ్. జెంగ్ మరియు ఇతరులు., 2016).
వ్యవసాయ డ్రోన్లపై ప్రభావవంతమైన ప్రచురణల క్లస్టరింగ్.
క్లస్టర్ | విస్తృత థీమ్ | ప్రస్తావనలు |
1 | పర్యావరణ పర్యవేక్షణ, పంట నిర్వహణ, కలుపు నిర్వహణ | (ప్రకటన ao మరియు ఇతరులు., 2017; అగుయెరా వేగా మరియు ఇతరులు, 2015; డి కాస్ట్రో మరియు ఇతరులు., 2018; గోమెజ్-కాండ్ ´ ఆన్ ´ et al., 2014; YB హువాంగ్ మరియు ఇతరులు., 2013; ఖనాల్ మరియు ఇతరులు., 2017; లోపెజ్-గ్రానాడోస్, 2011; మాన్ఫ్రెడా మరియు ఇతరులు., 2018; P´ అడువా మరియు ఇతరులు., 2017; పెనా ˜ et al., 2013; పెరెజ్-ఓర్టిజ్ మరియు ఇతరులు, 2015; రాస్ముస్సేన్ మరియు ఇతరులు., 2013, 2016; టోర్రెస్-S´ ఆంచెజ్ మరియు ఇతరులు., 2014; టోర్రెస్-సాంచెజ్, 'లోపెజ్-గ్రానాడోస్,' & పెనా, ˜ 2015; వెర్గెర్ మరియు ఇతరులు., 2014; వాన్ బ్యూరెన్ మరియు ఇతరులు., 2015; సి. జాంగ్ & కోవాక్స్, 2012) |
2 | రిమోట్ ఫినోటైపింగ్, దిగుబడి అంచనా, పంట ఉపరితల నమూనా, మొక్కల లెక్కింపు | (బెండిగ్ మరియు ఇతరులు, 2013, 2014; గీపెల్ మరియు ఇతరులు, 2014; గ్నాడింగర్ ¨ & ష్మిధాల్టర్, 2017; హఘీఘట్టలాబ్ మరియు ఇతరులు, 2016; హోల్మాన్ మరియు ఇతరులు., 2016; జిన్ మరియు ఇతరులు, 2017; W. లి మరియు ఇతరులు., 2016; మైమైతిజియాంగ్ మరియు ఇతరులు., 2017; శంకరన్ మరియు ఇతరులు, 2015; షిర్మాన్ మరియు ఇతరులు., 2016; షి మరియు ఇతరులు, 2016; యు మరియు ఇతరులు., 2017; X. జౌ మరియు ఇతరులు., 2017) |
3 | నీటి కోసం థర్మల్ ఇమేజింగ్, మల్టీస్పెక్ట్రల్ ఇమేజింగ్ | (బలుజా మరియు ఇతరులు, 2012; బెర్ని మరియు ఇతరులు., 2009బి; బెర్ని మరియు ఇతరులు., 2009a ; కాండియాగో మరియు ఇతరులు, 2015; గాగో మరియు ఇతరులు., 2015; గొంజాలెజ్-డుగో మరియు ఇతరులు, 2013, 2014; Grenzdorffer ¨ et al., 2008; ఖలిక్ మరియు ఇతరులు, 2019; మాటేస్ మరియు ఇతరులు., 2015; రిబీరో-గోమ్స్ మరియు ఇతరులు., 2017; Santesteban et al., 2017; ఉటో మరియు ఇతరులు., 2013) |
4 | హైపర్సెక్ట్రల్ ఇమేజింగ్, స్పెక్ట్రల్ ఇమేజింగ్ | (ఆసెన్ మరియు ఇతరులు, 2015a; బారెత్ మరియు ఇతరులు., 2015; హకాలా మరియు ఇతరులు., 2013; Honkavaara et al., 2013a; లూసియర్ మరియు ఇతరులు, 2014; సారి మరియు ఇతరులు., 2011; సుయోమలైనెన్ మరియు ఇతరులు., 2014) |
5 | 3D-మ్యాపింగ్ అప్లికేషన్లు | (జిమ్నెజ్-బ్రెన్స్ మరియు ఇతరులు, 2017; నెక్స్ & రెమోండినో, 2014; సలామీ మరియు ఇతరులు., 2014; టోర్రెస్-S´ ఆంచెజ్, లోపెజ్-' గ్రానడోస్, సెరానో, మరియు ఇతరులు., 2015; జహావి మరియు ఇతరులు., 2015; జర్కో-తేజాడ మరియు ఇతరులు., 2014) |
6 | వ్యవసాయంపై నిఘా | (SR హెర్విట్జ్ మరియు ఇతరులు, 2004; హంట్ మరియు ఇతరులు, 2010; CCD లెలాంగ్ మరియు ఇతరులు., 2008; ప్రిమిసెరియో మరియు ఇతరులు., 2012; జియాంగ్ & టియాన్, 2011) |
ఇంకా, కలుపు మొక్కల మ్యాపింగ్తో సహా వ్యవసాయంలో సవాలు చేసే పనులకు డ్రోన్లు ఉపయోగపడతాయి. పరికరాల ద్వారా సంగ్రహించబడిన చిత్రాలు పొలాల్లో కలుపు మొక్కలను ముందుగా గుర్తించడానికి వాటి ఉపయోగాన్ని నిరూపించాయి (డి కాస్ట్రో మరియు ఇతరులు, 2018; జిమెనెజ్-బ్రెనెస్ మరియు ఇతరులు., 2017; లామ్ మరియు ఇతరులు., 2021; లోపెజ్-గ్రానడోస్ మరియు ఇతరులు., 2016; రోజెన్బర్గ్ మరియు ఇతరులు., 2021). ఈ విషయంలో, డి కాస్ట్రో మరియు ఇతరులు. (2018) UAV ఇమేజరీ మరియు ఆబ్జెక్ట్-బేస్డ్ ఇమేజ్ అనాలిసిస్ (OBIA) యొక్క విలీనం, కలుపు పరిశోధనలో ఒక పెద్ద ముందడుగు అయిన ప్రారంభ సీజన్ గడ్డి భూముల పంటలలో ముందస్తు గుర్తింపును ఆటోమేట్ చేసే సమస్యను అధిగమించడానికి అభ్యాసకులను ఎనేబుల్ చేసింది. అదేవిధంగా, పెనా ˜ మరియు ఇతరులు. (2013) OBIA విధానంతో కలిపి UAV నుండి అల్ట్రా-హై స్పేషియల్ రిజల్యూషన్ ఇమేజ్లను ఉపయోగించడం వల్ల ప్రారంభ మొక్కజొన్న పంటలలో కలుపు మ్యాప్లను రూపొందించడం సాధ్యమవుతుందని, వీటిని సీజన్లో కలుపు నియంత్రణ చర్యల అమలును ప్లాన్ చేయడంలో ఉపయోగించవచ్చు, ఉపగ్రహ మరియు సంప్రదాయ వాయుమార్గ చిత్రాల సామర్థ్యానికి మించిన పని. ఇమేజ్ క్లాసిఫికేషన్ లేదా ఆబ్జెక్ట్ డిటెక్షన్ అల్గారిథమ్లతో పోలిస్తే, సెమాంటిక్ సెగ్మెంటేషన్ టెక్నిక్లు కలుపు మ్యాపింగ్ పనులలో (J. డెంగ్ మరియు ఇతరులు, 2020) మరింత ప్రభావవంతంగా ఉంటాయి, తద్వారా రైతులు క్షేత్ర పరిస్థితులను గుర్తించడం, నష్టాలను తగ్గించడం మరియు పెరుగుతున్న సీజన్లో దిగుబడులను మెరుగుపరచడం (రమేష్ మరియు ఇతరులు, 2020). డీప్ లెర్నింగ్ బేస్డ్ సెమాంటిక్ సెగ్మెంటేషన్ హై-రిజల్యూషన్ వైమానిక చిత్రాల నుండి వృక్షసంపద యొక్క ఖచ్చితమైన కొలతను కూడా అందిస్తుంది (రమేష్ మరియు ఇతరులు, 2020; ఎ. జెంగ్ మరియు ఇతరులు., 2022). రిమోట్ కోసం వారి సంభావ్యత ఉన్నప్పటికీ
సెన్సింగ్ పిక్సెల్ వర్గీకరణ, సెమాంటిక్ సెగ్మెంటేషన్ టెక్నిక్లకు ముఖ్యమైన గణన మరియు అధిక GPU మెమరీ అవసరం (J. డెంగ్ మరియు ఇతరులు., 2020).
మెషిన్ లెర్నింగ్ మరియు UAV ఆధారంగా, P´erez-Ortiz et al. (2015) రైతులు ముందస్తుగా ఉద్భవించిన కలుపు నియంత్రణను అనుసరించినప్పుడు సైట్-నిర్దిష్ట కలుపు నియంత్రణ వ్యూహాలను అందించడానికి కలుపు మ్యాపింగ్ విధానాన్ని సూచించారు. చివరగా, రాస్ముసేన్ మరియు ఇతరులు. (2013) డ్రోన్లు గొప్ప ప్రాదేశిక రిజల్యూషన్ ఫ్లెక్సిబిలిటీతో చవకైన సెన్సింగ్ను అందిస్తాయని హైలైట్ చేసింది. మొత్తంమీద, ఈ క్లస్టర్లోని ప్రచురణలు రిమోట్ సెన్సింగ్, క్రాప్ మానిటరింగ్ మరియు వీడ్ మ్యాపింగ్కు మద్దతుగా UAVల యొక్క సామర్థ్యాలను అన్వేషించడంపై దృష్టి పెడతాయి. పర్యావరణ పర్యవేక్షణ, పంట నిర్వహణ మరియు కలుపు మొక్కల మ్యాపింగ్లో డ్రోన్ అప్లికేషన్లు మరింత స్థిరమైన వ్యవసాయాన్ని ఎలా సాధించగలవని మరింత పరిశోధించడానికి అదనపు లోతైన పరిశోధన అవసరం (చముహ్ & సింగ్, 2019; ఇస్లాం మరియు ఇతరులు, 2021; పోపెస్కు మరియు ఇతరులు., 2020; J . సు, లియు మరియు ఇతరులు., 2018) మరియు పంట బీమా అప్లికేషన్లలో ఈ సాంకేతికత యొక్క పాలన సమస్యలను పరిష్కరించండి (బాస్నెట్ & బ్యాంగ్, 2018; చముహ్ & సింగ్, 2019, 2022; మెయిన్ & రాబిన్సన్, 2021). ప్రాసెస్ చేయబడిన డేటా యొక్క అంతిమ నాణ్యతను మెరుగుపరచడానికి సమర్థవంతమైన ప్రాసెసింగ్ పద్ధతులతో UAV సేకరించిన కొలతలను ధృవీకరించడంపై పరిశోధకులు దృష్టి కేంద్రీకరించాలి (Manfreda et al., 2018). ఇంకా, డిజిటల్ చిత్రాలలో కలుపు మొక్కలను ప్రదర్శించే మరియు UAV వీడ్ మ్యాపింగ్ సమయంలో అసంబద్ధమైన నేపథ్యాన్ని తొలగించే పిక్సెల్లను గుర్తించే తగిన అల్గారిథమ్ల అభివృద్ధి అవసరం (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; లోపెజ్- గ్రానాడోస్ మరియు ఇతరులు., 2016). మొక్కల గుర్తింపు, ఆకు వర్గీకరణ మరియు వ్యాధి మ్యాపింగ్లో సెమాంటిక్ సెగ్మెంటేషన్ పద్ధతులను అనుసరించడంపై అదనపు పరిశోధన స్వాగతించబడింది (ఫ్యూయెంటెస్-పాచెకో మరియు ఇతరులు, 2019; కెర్కెచ్ మరియు ఇతరులు., 2020).
క్లస్టర్ 2. ఈ క్లస్టర్లోని ప్రచురణలు వ్యవసాయ డ్రోన్ల యొక్క అనేక అంశాలపై దృష్టి సారించాయి. రిమోట్ ఫినోటైపింగ్కు సంబంధించినది, శంకరన్ మరియు ఇతరులు. (2015) ఫీల్డ్లోని పంటల యొక్క శీఘ్ర సమలక్షణం కోసం UAVలతో తక్కువ-ఎత్తు, అధిక-రిజల్యూషన్ ఏరియల్ ఇమేజింగ్ను ఉపయోగించడం యొక్క సామర్థ్యాన్ని సమీక్షించారు మరియు వారు వాదించారు, భూమి-ఆధారిత సెన్సింగ్ ప్లాట్ఫారమ్లతో పోలిస్తే, తగిన సెన్సార్లతో కూడిన చిన్న UAVలు అనేక ప్రయోజనాలను అందిస్తాయి. , ఫీల్డ్కి సులభంగా యాక్సెస్, అధిక రిజల్యూషన్ డేటా, సమర్థవంతమైన డేటా సేకరణ,
క్షేత్ర వృద్ధి పరిస్థితుల యొక్క వేగవంతమైన అంచనాలు మరియు తక్కువ కార్యాచరణ ఖర్చులు. అయినప్పటికీ, ఫీల్డ్ ఫినోటైపింగ్ కోసం UAV యొక్క ప్రభావవంతమైన అప్లికేషన్ UAV లక్షణాలు (ఉదా, భద్రత, స్థిరత్వం, స్థానాలు, స్వయంప్రతిపత్తి) మరియు సెన్సార్ లక్షణాలు (ఉదా, రిజల్యూషన్, బరువు, స్పెక్ట్రల్ తరంగదైర్ఘ్యాలు, ఫీల్డ్) అనే రెండు ప్రాథమిక అంశాలపై ఆధారపడి ఉంటుందని కూడా రచయితలు గమనించారు. వీక్షణ). హఘీఘట్టలాబ్ మరియు ఇతరులు. (2016) UAV ఇమేజరీ నుండి ప్లాట్-స్థాయి డేటాను తిరిగి పొందడానికి మరియు సంతానోత్పత్తి ప్రక్రియను వేగవంతం చేయడానికి సెమీ-ఆటోమేటెడ్ ఇమేజ్ప్రాసెసింగ్ పైప్లైన్ను ప్రతిపాదించింది. హోల్మాన్ మరియు ఇతరులు. (2016) అత్యధికంగా అభివృద్ధి చేయబడింది
నిర్గమాంశ ఫీల్డ్ ఫినోటైపింగ్ సిస్టమ్ మరియు UAV నాణ్యత, భారీ, ఫీల్డ్-బేస్డ్ ఫినోటైపిక్ డేటాను సేకరించగలదని మరియు పరికరం పెద్ద ప్రాంతాలకు మరియు వివిధ ఫీల్డ్ స్థానాల్లో ప్రభావవంతంగా ఉంటుందని హైలైట్ చేసింది.
దిగుబడి అంచనా అనేది చాలా ముఖ్యమైన సమాచారం కాబట్టి, ప్రత్యేకించి సమయానికి అందుబాటులో ఉన్నప్పుడు, UAVలు అన్ని ఫీల్డ్ కొలతలను అందించగలవు మరియు అధిక-నాణ్యత డేటాను సమర్ధవంతంగా పొందగలవు (Daakir et al., 2017; Demir et al., 2018 ; ఎన్సిసో మరియు ఇతరులు., 2019; కుల్బాకీ మరియు ఇతరులు., 2018; పుడెల్కో మరియు ఇతరులు., 2012). ఈ విషయంలో, జిన్ మరియు ఇతరులు. (2017) ఆవిర్భావ దశలో గోధుమ మొక్కల సాంద్రతను అంచనా వేయడానికి ఒక పద్ధతిని అభివృద్ధి చేయడానికి మరియు అంచనా వేయడానికి UAVలు చాలా తక్కువ ఎత్తులో పొందిన అధిక రిజల్యూషన్ చిత్రాల ప్రయోజనాన్ని పొందాయి. రచయితల ప్రకారం, UAV లు కెమెరాలతో కూడిన రోవర్ సిస్టమ్ల పరిమితులను అధిగమిస్తాయి మరియు పంటలలో మొక్కల సాంద్రతను అంచనా వేయడానికి నాన్-ఇన్వాసివ్ పద్ధతిని సూచిస్తాయి, తద్వారా రైతులు మట్టి యొక్క ట్రాఫిక్తో సంబంధం లేకుండా ఫీల్డ్ ఫినోటైపింగ్కు అవసరమైన అధిక నిర్గమాంశను సాధించడానికి వీలు కల్పిస్తుంది. లి మరియు ఇతరులు. (2016) మొక్కజొన్న పారామితులను అంచనా వేయడానికి UAV-ఆధారిత వ్యవస్థను ఉపయోగించి అత్యధిక రిజల్యూషన్తో వందలాది స్టీరియో చిత్రాలను సేకరించారు, పందిరి ఎత్తు మరియు భూమిపై ఉన్న బయోమాస్తో సహా. చివరగా, యు మరియు ఇతరులు. (2017) UAVల నుండి నిర్ణయించబడిన పంట ఎత్తు భూగర్భ బయోమాస్ (AGB) అంచనాను మెరుగుపరుస్తుందని కనుగొన్నారు.
పంట పెరుగుదలను పర్యవేక్షించడానికి ఒక విధానం పంట ఉపరితల నమూనాలను అభివృద్ధి చేసే ఆలోచన (బెండిగ్ మరియు ఇతరులు, 2014, 2015; హోల్మాన్ మరియు ఇతరులు., 2016; పాండే, శ్రేష్ఠ, మరియు ఇతరులు., 2020; సుమేష్ మరియు ఇతరులు., 2021). మొక్కల ఎత్తును సంగ్రహించడానికి మరియు వాటి పెరుగుదలను పర్యవేక్షించడానికి UAV నుండి తీసిన చిత్రాల సాధ్యాసాధ్యాలను అనేక అధ్యయనాలు హైలైట్ చేశాయి. ఉదాహరణకు, బెండిగ్ మరియు ఇతరులు. (2013) UAVని ఉపయోగించి 0.05 m కంటే తక్కువ రిజల్యూషన్తో బహుళ-తాత్కాలిక పంట ఉపరితల నమూనాల అభివృద్ధిని వివరించింది. వారు పంటను గుర్తించడం లక్ష్యంగా పెట్టుకున్నారు
పెరుగుదల వైవిధ్యం మరియు పంట చికిత్స, సాగు మరియు ఒత్తిడిపై దాని ఆధారపడటం. బెండిగ్ మరియు ఇతరులు. (2014) పంట ఉపరితల నమూనాల నుండి సేకరించిన మొక్కల ఎత్తు ఆధారంగా తాజా మరియు పొడి బయోమాస్ను అంచనా వేయడానికి UAVలను ఉపయోగించారు మరియు గాలిలో ఉండే ప్లాట్ఫారమ్లు మరియు టెరెస్ట్రియల్ లేజర్ స్కానింగ్ మాదిరిగా కాకుండా, UAVల నుండి అధిక రిజల్యూషన్ చిత్రాలు వేర్వేరు పెరుగుదల కోసం మొక్కల ఎత్తు మోడలింగ్ యొక్క ఖచ్చితత్వాన్ని గణనీయంగా పెంచుతాయని కనుగొన్నారు. దశలు. అదే పంథాలో, గీపెల్ మరియు ఇతరులు. (2014) చిత్రాలను పొందేందుకు వారి పరిశోధనలో UAVలను ఉపయోగించారు
మొక్కజొన్న ధాన్యం దిగుబడి అంచనా కోసం డేటాసెట్లు ప్రారంభ సీజన్ నుండి మధ్యకాలం వరకు మూడు వేర్వేరు వృద్ధి దశలలో మరియు వైమానిక చిత్రాలు మరియు పంట ఉపరితల నమూనాల ఆధారంగా స్పెక్ట్రల్ మరియు ప్రాదేశిక నమూనాల కలయిక మధ్య-సీజన్ మొక్కజొన్న దిగుబడిని అంచనా వేయడానికి సరైన పద్ధతి అని నిర్ధారించారు. చివరగా, Gnadinger ¨ మరియు Schmidhalter (2017) ఖచ్చితమైన సమలక్షణంలో UAV యొక్క ప్రయోజనాన్ని పరిశీలించారు మరియు ఈ సాంకేతికత యొక్క ఉపయోగం వ్యవసాయ నిర్వహణను మెరుగుపరుస్తుందని మరియు సంతానోత్పత్తి మరియు వ్యవసాయ ప్రయోజనాల కోసం క్షేత్ర ప్రయోగాలను ప్రారంభించగలదని హైలైట్ చేశారు. మొత్తంమీద, క్లస్టర్ 2లోని పబ్లికేషన్లు రిమోట్లో UAVల యొక్క ప్రధాన ప్రయోజనాలపై దృష్టి సారించడాన్ని మేము గమనించాము
ఫినోటైపింగ్, దిగుబడి అంచనా, పంట ఉపరితల నమూనా మరియు మొక్కల లెక్కింపు. భవిష్యత్ అధ్యయనాలు రిమోట్ ఫినోటైపింగ్ కోసం కొత్త పద్ధతులను అభివృద్ధి చేయడం ద్వారా లోతుగా త్రవ్వవచ్చు, అది రిమోట్గా గ్రహించిన డేటా యొక్క ప్రాసెసింగ్ను ఆటోమేట్ చేయగలదు మరియు ఆప్టిమైజ్ చేయగలదు (బరాబాస్చి మరియు ఇతరులు, 2016; లైబిష్ మరియు ఇతరులు., 2015; మోచిడా మరియు ఇతరులు., 2015; ఎస్. జౌ et ., 2021). అదనంగా, UAVలపై అమర్చబడిన IoT సెన్సార్ల పనితీరు మరియు వాటి ఖర్చులు, శ్రమ మరియు దిగుబడి అంచనా యొక్క ఖచ్చితత్వం మధ్య ట్రేడ్-ఆఫ్ గురించి పరిశోధన చేయాలి.
భవిష్యత్తు (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). అంతిమంగా, నమ్మదగిన సమాచారాన్ని రూపొందించగల, వ్యవసాయ ఉత్పత్తిలో సామర్థ్యాన్ని పెంచగల మరియు రైతుల మాన్యువల్ లెక్కింపు పనిని తగ్గించగల సమర్థవంతమైన ఇమేజ్ ప్రాసెసింగ్ పద్ధతులను అభివృద్ధి చేయవలసిన అవసరం ఉంది (RU ఖాన్ మరియు ఇతరులు, 2021; కోహ్ మరియు ఇతరులు., 2021; లిన్ & గువో, 2020; సి. జాంగ్ మరియు ఇతరులు., 2020).
క్లస్టర్ 3. ఈ క్లస్టర్లోని ప్రచురణలు UAV ప్లాట్ఫారమ్లలో ఉపయోగించే వ్యవసాయ వనరుల రిమోట్ సెన్సింగ్ కోసం వివిధ రకాల ఇమేజింగ్ సిస్టమ్లను చర్చిస్తాయి. ఈ విషయంలో, థర్మల్ ఇమేజింగ్ పంట నష్టాన్ని నివారించడానికి మరియు కరువు ఒత్తిడిని ముందస్తుగా గుర్తించడానికి ఉపరితల ఉష్ణోగ్రతల పర్యవేక్షణను అనుమతిస్తుంది (అవైస్ మరియు ఇతరులు, 2022; గార్సియా-టెజెరో మరియు ఇతరులు., 2018; శంకరన్ మరియు ఇతరులు., 2015; సాంటెస్టెబాన్ మరియు ఇతరులు., 2017; యోమ్, 2021). బలుజా మరియు ఇతరులు. (2012) ఆన్బోర్డ్లో మల్టీస్పెక్ట్రల్ మరియు థర్మల్ కెమెరాల వినియోగాన్ని నొక్కి చెప్పింది
UAV పరిశోధకులు అధిక రిజల్యూషన్ చిత్రాలను పొందేందుకు మరియు వైన్ వాటర్ స్థితిని అంచనా వేయడానికి వీలు కల్పించింది. రిమోట్-సెన్సింగ్ డేటాను ఉపయోగించి నవల నీటి షెడ్యూలింగ్ నమూనాలను అభివృద్ధి చేయడానికి ఇది ఉపయోగపడుతుంది (బలుజా మరియు ఇతరులు, 2012). అందువలన
UAVల పరిమిత లోడ్ సామర్థ్యం, రిబీరో-గోమ్స్ మరియు ఇతరులు. (2017) ప్లాంట్లలో నీటి ఒత్తిడిని గుర్తించడానికి అన్కూల్డ్ థర్మల్ కెమెరాలను UAVSలో ఏకీకృతం చేయడాన్ని పరిగణించారు, ఇది సాంప్రదాయ ఉపగ్రహ ఆధారిత రిమోట్ సెన్సింగ్ మరియు కూల్డ్ థర్మల్ కెమెరాలతో కూడిన UAVల కంటే ఈ రకమైన UAVలను మరింత సమర్థవంతంగా మరియు ఆచరణీయంగా చేస్తుంది. రచయితల ప్రకారం, చల్లబడని థర్మల్ కెమెరాలు చల్లబడిన కెమెరాల కంటే తేలికగా ఉంటాయి, తగిన క్రమాంకనం అవసరం. గొంజాలెజ్-డుగో మరియు ఇతరులు. (2014) థర్మల్ ఇమేజరీ నీటి స్థితిని అంచనా వేయడానికి మరియు సిట్రస్ తోటల మధ్య మరియు లోపల నీటి ఒత్తిడిని లెక్కించడానికి పంట నీటి ఒత్తిడి సూచికల యొక్క ప్రాదేశిక మ్యాప్లను సమర్థవంతంగా ఉత్పత్తి చేస్తుందని చూపించింది. గొంజాలెజ్-డుగో మరియు ఇతరులు. (2013) మరియు Santesteban et al. (2017) వాణిజ్య పండ్ల తోట మరియు ద్రాక్షతోట యొక్క నీటి స్థితి వైవిధ్యాన్ని అంచనా వేయడానికి అధిక రిజల్యూషన్ UAV థర్మల్ ఇమేజరీని ఉపయోగించడాన్ని పరిశోధించారు.
సాంప్రదాయ RGB (ఎరుపు, ఆకుపచ్చ మరియు నీలం) చిత్రాలతో పోల్చితే మల్టీస్పెక్ట్రల్ ఇమేజింగ్ భారీ డేటాను అందించగలదు (Ad˜ ao et al., 2017; Navia et al., 2016). ఈ స్పెక్ట్రల్ డేటా, ప్రాదేశిక డేటాతో పాటు, వర్గీకరణ, మ్యాపింగ్, ఫోర్కాస్టింగ్, ప్రిడిక్షన్ మరియు డిటెక్షన్ ప్రయోజనాలలో సహాయపడుతుంది (బెర్ని మరియు ఇతరులు, 2009b). కాండియాగో మరియు ఇతరుల ప్రకారం. (2015), UAV ఆధారిత మల్టీస్పెక్ట్రల్ ఇమేజింగ్ పంట అంచనా మరియు ఖచ్చితమైన వ్యవసాయానికి నమ్మదగిన మరియు సమర్థవంతమైన వనరుగా దోహదపడుతుంది. అలాగే,
ఖలీక్ మరియు ఇతరులు. (2019) ఉపగ్రహం మరియు UAV ఆధారిత మల్టీస్పెక్ట్రల్ ఇమేజింగ్ మధ్య పోలిక చేసింది. UAV-ఆధారిత చిత్రాలు ద్రాక్ష తోటల వైవిధ్యాన్ని మరియు పంట పందిరిని సూచించే శక్తి మ్యాప్లను వివరించడంలో మరింత ఖచ్చితమైనవిగా ఉన్నాయి. క్లుప్తంగా, ఈ క్లస్టర్లోని కథనాలు వ్యవసాయ UAVలలో థర్మల్ మరియు మల్టీస్పెక్ట్రల్ ఇమేజింగ్ సెన్సార్లను చేర్చడం గురించి చర్చిస్తాయి. దీని ప్రకారం, థర్మల్ మరియు మల్టీస్పెక్ట్రల్ ఇమేజింగ్ను AIతో ఎలా అనుసంధానించవచ్చో అర్థం చేసుకోవడానికి మరింత పరిశోధన అవసరం.
మొక్కల ఒత్తిడిని గుర్తించే పద్ధతులు (ఉదా, లోతైన అభ్యాసం) (అంపట్జిడిస్ మరియు ఇతరులు, 2020; అంపట్జిడిస్ & పార్టెల్, 2019; జంగ్ మరియు ఇతరులు., 2021; శాంటెస్టెబాన్ మరియు ఇతరులు., 2017; సైదా మరియు ఇతరులు., 2021). ఇటువంటి అంతర్దృష్టులు మరింత సమర్థవంతమైన మరియు ఖచ్చితమైన గుర్తింపును అలాగే మొక్కల పెరుగుదల, ఒత్తిడి మరియు ఫినాలజీని పర్యవేక్షించడంలో సహాయపడతాయి (బ్యూటర్స్ మరియు ఇతరులు, 2019; కావో మరియు ఇతరులు., 2020; న్యూపాన్ & బేసల్గురల్, 2021; ఎల్. జౌ మరియు ఇతరులు., 2020).
క్లస్టర్ 4. ఈ క్లస్టర్ వ్యవసాయ పద్ధతులకు మద్దతు ఇవ్వడంలో స్పెక్ట్రల్ ఇమేజింగ్ మరియు హైపర్స్పెక్ట్రల్ ఇమేజింగ్ యొక్క కీలక పాత్ర చుట్టూ తిరిగే ఏడు పేపర్లను కలిగి ఉంటుంది. హైపర్స్పెక్ట్రల్ ఇమేజింగ్ అనేది రిమోట్-సెన్సింగ్ పద్ధతిగా స్థిరపడింది, ఇది భూమి వ్యవస్థ యొక్క పరిమాణాత్మక అంచనాను అనుమతిస్తుంది (స్కేప్మాన్ మరియు ఇతరులు, 2009). మరింత ఖచ్చితంగా చెప్పాలంటే, ఇది ఉపరితల పదార్థాల గుర్తింపు, (సంబంధిత) సాంద్రతలు మరియు పరిమాణాన్ని అనుమతిస్తుంది. ఉపరితల భాగాల నిష్పత్తుల కేటాయింపు
మిశ్రమ పిక్సెల్లలో (కిర్ష్ మరియు ఇతరులు, 2018; జావో మరియు ఇతరులు., 2022). మరో మాటలో చెప్పాలంటే, హైపర్స్పెక్ట్రల్ సిస్టమ్లు అందించిన అధిక స్పెక్ట్రల్ రిజల్యూషన్ శాఖాహార లక్షణాలు లేదా లీఫ్ వాటర్ కంటెంట్ వంటి వివిధ పారామితుల యొక్క మరింత ఖచ్చితమైన అంచనాలను అనుమతిస్తుంది (సువోమలైనెన్ మరియు ఇతరులు., 2014). ఈ క్లస్టర్లోని పరిశోధకులు అటువంటి వ్యవస్థల యొక్క వివిధ అంశాలను పరిశోధించారు. ఇతరులలో, ఆసెన్ మరియు ఇతరులు. (2015b) తేలికపాటి నుండి త్రిమితీయ హైపర్స్పెక్ట్రల్ సమాచారాన్ని పొందేందుకు ఒక ప్రత్యేక విధానాన్ని అందించింది
వృక్షసంపద పర్యవేక్షణ కోసం UAVలలో ఉపయోగించే స్నాప్షాట్ కెమెరాలు. లూసియర్ మరియు ఇతరులు. (2014) నవల హైపర్స్పెక్ట్రల్ UAS యొక్క రూపకల్పన, అభివృద్ధి మరియు వైమానిక కార్యకలాపాలతో పాటు దానితో సేకరించిన ఇమేజ్ డేటా యొక్క క్రమాంకనం, విశ్లేషణ మరియు వివరణ గురించి చర్చించారు. చివరగా, హోంకవారా మరియు ఇతరులు. (2013b) FabryPerot ఇంటర్ఫెరోమీటర్-ఆధారిత స్పెక్ట్రల్ చిత్రాల కోసం సమగ్ర ప్రాసెసింగ్ విధానాన్ని అభివృద్ధి చేసింది మరియు ఖచ్చితమైన వ్యవసాయం కోసం బయోమాస్ అంచనా విధానంలో దాని ఉపయోగాన్ని చూపించింది. ఈ ప్రస్తుత క్లస్టర్కు సంభావ్య భవిష్యత్ మార్గాలు సెన్సార్ టెక్నాలజీలలో సాంకేతిక మెరుగుదలల అవసరాన్ని నొక్కి చెప్పడం (Aasen et al., 2015b) అలాగే కాంప్లిమెంటరీ టెక్నాలజీలను, ప్రత్యేకంగా పెద్ద డేటా మరియు విశ్లేషణలను (Ang & Seng, 2021; -గ్రామటికిస్ మరియు ఇతరులు., 2020; షకూర్ మరియు ఇతరులు., 2019). రెండోది ప్రధానంగా స్మార్ట్ అగ్రికల్చర్లో అమలు చేయబడిన వివిధ సెన్సార్ల ద్వారా ఉత్పత్తి చేయబడిన ఎప్పటికప్పుడు పెరుగుతున్న డేటా నుండి వచ్చింది (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
క్లస్టర్ 5. ఈ క్లస్టర్లోని ప్రచురణలు డ్రోన్ల ఆధారిత 3డిమ్యాపింగ్ అప్లికేషన్లను పరిశీలించాయి. 3D మ్యాపింగ్ కోసం డ్రోన్లను ఉపయోగించడం సంక్లిష్టమైన ఫీల్డ్వర్క్ను తగ్గించగలదు మరియు సామర్థ్యాన్ని గణనీయంగా పెంచుతుంది (టోర్రెస్-సాంచెజ్ ´ et al., 2015). క్లస్టర్లోని ఐదు కథనాలు ప్రధానంగా మొక్కల పర్యవేక్షణ అనువర్తనాలపై దృష్టి సారించాయి. ఉదాహరణకు, పందిరి ప్రాంతం, చెట్టు ఎత్తు మరియు కిరీటం వాల్యూమ్ గురించి త్రిమితీయ డేటాను పొందేందుకు, Torres-Sanchez ô et al. (2015) డిజిటల్ ఉపరితల నమూనాలను రూపొందించడానికి UAV సాంకేతికతను ఉపయోగించారు మరియు ఆబ్జెక్ట్-బేస్డ్ ఇమేజ్ అనాలిసిస్ (OBIA) విధానాలను ఉపయోగించారు. ఇంకా, జార్కో-తేజాడా మరియు ఇతరులు. (2014) UAV సాంకేతికత మరియు త్రిమితీయ ఫోటో-పునర్నిర్మాణ పద్ధతులను ఏకీకృతం చేయడం ద్వారా చెట్టు ఎత్తును లెక్కించారు. జిమెనెజ్-బ్రెనెస్ లోపెజ్-గ్రానాడోస్, 'డి కాస్ట్రో, మరియు ఇతరులు. (2017) అధునాతన OBIA మెథడాలజీతో UAV సాంకేతికతను సమగ్రపరచడం ద్వారా డజన్ల కొద్దీ ఆలివ్ చెట్ల బహుళ-తాత్కాలిక, 3D పర్యవేక్షణ కోసం కొత్త ప్రక్రియను ప్రదర్శించారు. ఈ క్లస్టర్లో భవిష్యత్తు పనుల కోసం ఆసక్తికరమైన మార్గాలలో కరెంట్ని మెరుగుపరచడం కూడా ఉంటుంది
OBIA (డి కాస్ట్రో మరియు ఇతరులు, 2014, 2017; వెంచురా మరియు ఇతరులు) డిజిటల్ ఉపరితల మోడలింగ్ ప్రయోజనాల కోసం (అజయ్ మరియు ఇతరులు, 2016; జౌడ్ మరియు ఇతరులు., 2018) మెథడాలజీలు (జార్కో-తేజాడా మరియు ఇతరులు., 2020). , 2018), మరియు ఫోటో పునర్నిర్మాణం లేదా అభివృద్ధి చెందుతున్న నవల పద్ధతులు (Díaz-Varela et al., 2015; Torres-S´ anchez et al., 2015).
క్లస్టర్ 6. ఈ క్లస్టర్ వ్యవసాయ నిఘాలో డ్రోన్ల పాత్రను చర్చిస్తుంది. UAVలు శాటిలైట్ మరియు ఎయిర్క్రాఫ్ట్ ఇమేజింగ్ యొక్క లోపాలను పూర్తి చేయగలవు మరియు అధిగమించగలవు. ఉదాహరణకు, వారు తక్కువ ఇంధనం లేదా పైలటింగ్ సవాళ్లతో రియల్ టైమ్ ఇమేజింగ్ దగ్గర అధిక రిజల్యూషన్ను అందించగలరు, ఫలితంగా స్థిరమైన మరియు నిజ-సమయ నిఘా మరియు నిర్ణయం తీసుకోవడంలో మెరుగుదలలు (S. హెర్విట్జ్ మరియు ఇతరులు, 2004). UAVల యొక్క మరొక ముఖ్య సహకారం ఏమిటంటే, ఖచ్చితమైన వ్యవసాయం లేదా సైట్-నిర్దిష్ట వ్యవసాయం కోసం సైట్-నిర్దిష్ట డేటాను వాటి అధిక రిజల్యూషన్గా అందించగల సామర్థ్యం, వివిధ పారామితుల గురించి సవివరమైన డేటా రైతులు భూమిని సజాతీయ భాగాలుగా విభజించి వాటికి అనుగుణంగా వ్యవహరించేలా చేస్తుంది (హంట్ మరియు ఇతరులు. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). ఇటువంటి UAV-ఆధారిత వ్యవసాయ నిఘా ఆహార భద్రత పర్యవేక్షణ మరియు నిర్ణయం తీసుకోవడానికి మద్దతు ఇస్తుంది (SR హెర్విట్జ్ మరియు ఇతరులు., 2004). వ్యవసాయ నిఘాలో పరిశోధనను ముందుకు తీసుకెళ్లడానికి, సెన్సార్లు, UAVలు మరియు ఇతర సంబంధిత సాంకేతికతలలో మెరుగుదలలు మరియు వాటి కమ్యూనికేషన్ మరియు డేటా బదిలీ పద్ధతులు మాత్రమే అవసరం (Ewing et al., 2020; Shuai et al., 2019), కానీ వివిధ రకాల డ్రోన్లను ఏకీకృతం చేయడం కూడా అవసరం. మానిటరింగ్, వ్యవసాయ నిఘా మరియు నిర్ణయం తీసుకోవడం వంటి స్మార్ట్ వ్యవసాయానికి సంబంధించి వివిధ పనులను ఆప్టిమైజ్ చేసే సాంకేతికతలు అధిక సంభావ్య పరిశోధనా ప్రాంతం (అల్సామ్హి మరియు ఇతరులు, 2021; పోపెస్కు మరియు ఇతరులు., 2020; వురాన్ మరియు ఇతరులు., 2018). ఈ విషయంలో, IoT, WSNలు మరియు పెద్ద డేటా ఆసక్తికరమైన పరిపూరకరమైన సామర్థ్యాలను అందిస్తాయి (వాన్ డెర్ మెర్వే మరియు ఇతరులు., 2020). అమలు ఖర్చులు, వ్యయ పొదుపులు, శక్తి సామర్థ్యం మరియు డేటా భద్రత అటువంటి ఏకీకరణ కోసం పరిశోధన చేయని ప్రాంతాలలో ఉన్నాయి (మస్రూర్ మరియు ఇతరులు, 2021).
దేశాలు మరియు విద్యా సంస్థలు
చివరి దశలో మూలం దేశం మరియు రచయితల విద్యాసంబంధ అనుబంధాల పరిశోధన ఉన్నాయి. ఈ విశ్లేషణ ద్వారా, వ్యవసాయంలో డ్రోన్ల అనువర్తనాలకు దోహదపడే పండితుల భౌగోళిక పంపిణీని బాగా అర్థం చేసుకోవాలని మేము లక్ష్యంగా పెట్టుకున్నాము. దేశాలు మరియు విద్యాసంస్థల వైవిధ్యాన్ని గమనించడం గమనార్హం. దేశం దృష్టికోణంలో, USA, చైనా, భారతదేశం మరియు ఇటలీ ప్రచురణల సంఖ్య (టేబుల్ 7) పరంగా జాబితాలో అగ్రస్థానంలో ఉన్నాయి. కరెంట్
వ్యవసాయ డ్రోన్లపై పరిశోధన ఎక్కువగా ఉత్తర అమెరికా మరియు ఆసియా దేశాలలో కేంద్రీకృతమై ఉంది, ప్రధానంగా ఖచ్చితత్వ వ్యవసాయ అనువర్తనాల్లో అధిక నిమగ్నత కారణంగా. ఉదాహరణకు, USAలో, వ్యవసాయ డ్రోన్ల మార్కెట్ 841.9 సంవత్సరంలో 2020 మిలియన్ USDగా అంచనా వేయబడింది, ఇది ప్రపంచ మార్కెట్ వాటాలో సుమారు 30% వాటా (రిపోర్ట్లింకర్, 2021). ప్రపంచంలోనే అతిపెద్ద ఆర్థిక వ్యవస్థగా ర్యాంకింగ్లో ఉన్న చైనా 2.6 సంవత్సరంలో సుమారుగా 2027 బిలియన్ USD మార్కెట్ పరిమాణాన్ని చేరుకోగలదని అంచనా వేయబడింది. ఉత్పాదకత సమస్యలను అధిగమించడానికి మరియు మెరుగైన దిగుబడులు, శ్రమ తగ్గింపు మరియు తక్కువ ఉత్పత్తి ఇన్పుట్లను సాధించడానికి ఈ దేశం వ్యవసాయ డ్రోన్ల కోసం విజ్ఞప్తి చేస్తోంది. ఏదేమైనా, చైనాలో సాంకేతికతను స్వీకరించడం జనాభా పరిమాణం మరియు ఇప్పటికే ఉన్న పంట నిర్వహణ పద్ధతులను ఆవిష్కరించడం మరియు మెరుగుపరచడం వంటి అంశాల ద్వారా కూడా నడపబడుతుంది.
అత్యుత్తమ ఉత్పాదక దేశాలు మరియు దోహదపడే విశ్వవిద్యాలయాలు/సంస్థలు
వ్యవసాయ డ్రోన్ సంబంధిత పరిశోధన.
రాంక్ | దేశాలు |
1 | అమెరికా |
2 | చైనా |
3 | |
4 | ఇటలీ |
5 | స్పెయిన్ |
6 | జర్మనీ |
7 | బ్రెజిల్ |
8 | ఆస్ట్రేలియా |
9 | జపాన్ |
10 | యునైటెడ్ కింగ్డమ్ |
రాంక్ | విశ్వవిద్యాలయాలు/సంస్థలు |
1 | చైనీస్ అకాడమీ ఆఫ్ సైన్సెస్ |
2 | పీపుల్స్ రిపబ్లిక్ ఆఫ్ చైనా వ్యవసాయ మంత్రిత్వ శాఖ |
3 | సుపీరియర్ కౌన్సిల్ ఆఫ్ సైంటిఫిక్ ఇన్వెస్టిగేషన్స్ |
4 | టెక్సాస్ A & M విశ్వవిద్యాలయం |
5 | చైనా వ్యవసాయ విశ్వవిద్యాలయం |
6 | USDA వ్యవసాయ పరిశోధన సేవ |
7 | CSIC – ఇన్స్టిట్యూటో డి అగ్రికల్చురా సోస్టెనిబుల్ IAS |
8 | పర్డ్యూ విశ్వవిద్యాలయం |
9 | నేషనల్ రీసెర్చ్ కౌన్సిల్ |
10 | దక్షిణ చైనా వ్యవసాయ విశ్వవిద్యాలయం |
విశ్వవిద్యాలయం మరియు సంస్థాగత దృక్కోణంలో, ప్రచురణల సంఖ్య పరంగా చైనీస్ అకాడమీ ఆఫ్ సైన్సెస్ అగ్రస్థానంలో ఉంది, పీపుల్స్ రిపబ్లిక్ ఆఫ్ చైనా యొక్క వ్యవసాయ మంత్రిత్వ శాఖ మరియు కాన్సెజో సుపీరియర్ డి ఇన్వెస్టిగేసియన్స్ సైంటిఫికాస్ తర్వాతి స్థానాల్లో ఉన్నాయి. చైనీస్ అకాడమీ ఆఫ్ సైన్సెస్కు రచయితలు లియావో జియావోహాన్ మరియు లి జున్ ప్రాతినిధ్యం వహిస్తున్నారు; హాన్ వెంటింగ్ పీపుల్స్ రిపబ్లిక్ ఆఫ్ చైనా యొక్క వ్యవసాయ మంత్రిత్వ శాఖకు ప్రాతినిధ్యం వహిస్తున్నారు; మరియు కాన్సెజో సుపీరియర్ డి ఇన్వెస్టిగేసియోన్స్ సైంటిఫికాస్కు USA నుండి లోపెజ్-గ్రానడోస్, ´ F. మరియు పెనా, ˜ జోస్ మారియా S. ప్రాతినిధ్యం వహిస్తున్నారు, టెక్సాస్ A&M విశ్వవిద్యాలయం మరియు పర్డ్యూ విశ్వవిద్యాలయం వంటి విశ్వవిద్యాలయాలు తమను గుర్తించాయి.
ప్రస్తావన. అత్యధిక సంఖ్యలో ప్రచురణలు ఉన్న విశ్వవిద్యాలయాలు మరియు వాటి కనెక్షన్లు అంజీర్ 4లో చూపబడ్డాయి. అదనంగా, ఈ జాబితాలో కాన్సిగ్లియో నాజియోనేల్ డెల్లె రిసెర్చే మరియు కాన్సెజో సుపీరియర్ డి ఇన్వెస్టిగేసియోన్స్ సైంటిఫికాస్ వంటి సంస్థలు ఉన్నాయి, ఇవి శాస్త్రీయ పరిశోధనలో చురుకుగా ఉన్నాయి, కానీ అవి విద్యా సంస్థలు కాదు. .
మా ఎంపికలో అనేక రకాల జర్నల్లు ఉన్నాయి, వాస్తవంగా అందుబాటులో ఉన్న మొత్తం డేటాను కలిగి ఉంటుంది. టేబుల్ 8లో చూపినట్లుగా, 258 కథనాలతో రిమోట్ సెన్సింగ్ అగ్రస్థానంలో ఉంది, తర్వాత జర్నల్ ఆఫ్ ఇంటెలిజెంట్ మరియు రోబోటిక్ సిస్టమ్స్: థియరీ అండ్ అప్లికేషన్స్ 126తో మరియు కంప్యూటర్లు మరియు ఎలక్ట్రానిక్స్ ఇన్ అగ్రికల్చర్ 98 కథనాలతో ఉన్నాయి. రిమోట్ సెన్సింగ్ ఎక్కువగా డ్రోన్ల అప్లికేషన్ మరియు డెవలప్మెంట్పై దృష్టి పెడుతుంది, వ్యవసాయంలో కంప్యూటర్లు మరియు ఎలక్ట్రానిక్స్ ప్రధానంగా కంప్యూటర్ హార్డ్వేర్, సాఫ్ట్వేర్, ఎలక్ట్రానిక్స్ మరియు వ్యవసాయంలో నియంత్రణ వ్యవస్థలలో పురోగతిని కవర్ చేస్తుంది. 87 ప్రచురణలతో IEEE రోబోటిక్స్ మరియు ఆటోమేషన్ లెటర్స్ మరియు 34 ప్రచురణలతో IEEE యాక్సెస్ వంటి క్రాస్-ఏరియా అవుట్లెట్లు కూడా ఈ రంగంలో ప్రధానమైన అవుట్లెట్లు. మొదటి పదిహేను అవుట్లెట్లు 959 పత్రాలతో సాహిత్యానికి సహకరించాయి, ఇది మొత్తం ప్రచురణలలో దాదాపు 20.40%. జర్నల్ కో-సైటేషన్ విశ్లేషణ ప్రచురణల మధ్య ప్రాముఖ్యత మరియు సారూప్యతను పరిశీలించడానికి మాకు సహాయపడుతుంది. కో-సైటేషన్ విశ్లేషణ అంజీర్ 5లో చూపిన విధంగా మూడు క్లస్టర్లను అందిస్తుంది. రెడ్ క్లస్టర్లో రిమోట్ సెన్సింగ్, కంప్యూటర్ మరియు ఎలక్ట్రానిక్స్ ఇన్ అగ్రికల్చర్, సెన్సార్లు వంటి జర్నల్లు ఉంటాయి.
మరియు ఇంటర్నేషనల్ జర్నల్ ఆఫ్ రిమోట్ సెన్సింగ్. ఈ అవుట్లెట్లన్నీ రిమోట్ సెన్సింగ్ మరియు ఖచ్చితత్వ వ్యవసాయ రంగాలలో అత్యంత ప్రసిద్ధి చెందిన జర్నల్లు. గ్రీన్ క్లస్టర్లో జర్నల్ ఆఫ్ ఇంటెలిజెంట్ మరియు రోబోటిక్ సిస్టమ్స్: థియరీ అండ్ అప్లికేషన్స్, IEEE రోబోటిక్స్ మరియు ఆటోమేషన్ లెటర్స్, IEEE యాక్సెస్ మరియు డ్రోన్స్ వంటి రోబోటిక్స్తో వ్యవహరించే జర్నల్లు ఉన్నాయి. ఈ అవుట్లెట్లు ఎక్కువగా ఆటోమేషన్పై పేపర్లను ప్రచురిస్తాయి మరియు వ్యవసాయ ఇంజనీర్లకు ఉపయోగపడతాయి. అగ్రోనమీ మరియు ఇంటర్నేషనల్ జర్నల్ ఆఫ్ అగ్రికల్చరల్ అండ్ బయోలాజికల్ ఇంజినీరింగ్ వంటి అగ్రోనమీ మరియు అగ్రికల్చర్ ఇంజనీరింగ్కు సంబంధించిన జర్నల్ల ద్వారా తుది క్లస్టర్ ఏర్పడింది.
వ్యవసాయ డ్రోన్ సంబంధిత పరిశోధనలో టాప్ 15 జర్నల్లు.
రాంక్ | వార్తాపత్రిక | కౌంట్ |
1 | దూరం నుంచి నిర్ధారణ | 258 |
2 | జర్నల్ ఆఫ్ ఇంటెలిజెంట్ అండ్ రోబోటిక్ సిస్టమ్స్: థియరీ అండ్ అప్లికేషన్స్ | 126 |
3 | వ్యవసాయంలో కంప్యూటర్లు మరియు ఎలక్ట్రానిక్స్ | 98 |
4 | IEEE రోబోటిక్స్ మరియు ఆటోమేషన్ లెటర్స్ | 87 |
5 | సెన్సార్స్ | 73 |
6 | ఇంటర్నేషనల్ జర్నల్ ఆఫ్ రిమోట్ సెన్సింగ్ | 42 |
7 | ఖచ్చితమైన వ్యవసాయం | 41 |
8 | డ్రోన్లు | 40 |
9 | వ్యవసాయశాస్త్రం | 34 |
10 | IEEE యాక్సెస్ | 34 |
11 | ఇంటర్నేషనల్ జర్నల్ ఆఫ్ అడ్వాన్స్డ్ రోబోటిక్ సిస్టమ్స్ | 31 |
12 | ఇంటర్నేషనల్ జర్నల్ ఆఫ్ అగ్రికల్చరల్ అండ్ బయోలాజికల్ ఇంజనీరింగ్ | 25 |
13 | PLOS ONE | 25 |
14 | జర్నల్ ఆఫ్ ఫీల్డ్ రోబోటిక్స్ | 23 |
15 | బయోసిస్టమ్స్ ఇంజినీరింగ్ | 23 |
ముగింపు
సారాంశం
ఈ అధ్యయనంలో, మేము వ్యవసాయ డ్రోన్లపై ఇప్పటికే ఉన్న పరిశోధనలను సంగ్రహించాము మరియు విశ్లేషించాము. వివిధ బైబిలియోమెట్రిక్ పద్ధతులను వర్తింపజేస్తూ, వ్యవసాయ డ్రోన్-సంబంధిత పరిశోధన యొక్క మేధోపరమైన నిర్మాణాన్ని బాగా అర్థం చేసుకోవడానికి మేము ప్రయత్నించాము. మొత్తానికి, మా సమీక్ష సాహిత్యంలో కీలక పదాలను గుర్తించడం మరియు చర్చించడం, డ్రోన్ల రంగంలో సెమాంటిక్గా సారూప్య సంఘాలను ఏర్పరుచుకుంటూ నాలెడ్జ్ క్లస్టర్లను బహిర్గతం చేయడం, మునుపటి పరిశోధనలను వివరించడం మరియు భవిష్యత్తు పరిశోధన దిశలను సూచించడం ద్వారా అనేక సహకారాలను అందిస్తుంది. క్రింద, వ్యవసాయ డ్రోన్ల అభివృద్ధిపై సమీక్ష యొక్క ప్రధాన ఫలితాలను మేము వివరిస్తాము:
• 2012 తర్వాత వ్యాసాల సంఖ్య పెరగడం ద్వారా సూచించినట్లుగా, గత దశాబ్దంలో మొత్తం సాహిత్యం వేగంగా అభివృద్ధి చెందింది మరియు అపారమైన దృష్టిని ఆకర్షించింది. ఈ విజ్ఞాన రంగం ఇంకా పూర్తి పరిపక్వతను సాధించనప్పటికీ (బారియంటోస్ మరియు ఇతరులు, 2011; మేస్ & స్టెప్పీ, 2019), అనేక ప్రశ్నలకు ఇప్పటికీ సమాధానం లేదు. ఉదాహరణకు, ఇండోర్ ఫార్మింగ్లో డ్రోన్ల ప్రయోజనం ఇప్పటికీ చర్చకు తెరిచి ఉంది (అస్లాన్ మరియు ఇతరులు, 2022; క్రుల్ మరియు ఇతరులు., 2021; రోల్డాన్ మరియు ఇతరులు., 2015). ఫీల్డ్ల దృశ్యాల సంక్లిష్టత మరియు విభిన్న ఇమేజింగ్ పరిస్థితులు (ఉదా, నీడలు మరియు ప్రకాశం) అధిక స్పెక్ట్రల్ ఇన్-క్లాస్ వైవిధ్యానికి దారితీయవచ్చు (యావో మరియు ఇతరులు, 2019). తరువాతి పరిశోధనా దశలలో కూడా, నిర్దిష్ట దృశ్యాలు మరియు అవసరమైన చిత్ర నాణ్యతకు అనుగుణంగా సరైన విమాన ప్రణాళికలను నిర్ణయించడానికి పరిశోధకులు సవాలు చేయబడ్డారు (సోరెస్ మరియు ఇతరులు, 2021; తు మరియు ఇతరులు.,
2020).
• వ్యవసాయ డ్రోన్ల రూపకల్పనలో మెషిన్ లెర్నింగ్ మరియు డీప్ లెర్నింగ్ వంటి సమర్థవంతమైన UAV సిస్టమ్లను అభివృద్ధి చేయడం నుండి AI సాంకేతికతలను చేర్చడం వరకు ఫీల్డ్ పురోగమించిందని మేము గమనించాము (బా మరియు ఇతరులు, 2018; కిటానో మరియు ఇతరులు., 2019; మైమైతిజియాంగ్ మరియు ఇతరులు. , 2020; మజ్జియా మరియు ఇతరులు., 2020; టెటిలా మరియు ఇతరులు., 2020).
• పర్యావరణ పర్యవేక్షణ, పంట నిర్వహణ మరియు కలుపు నిర్వహణ (క్లస్టర్ 1) అలాగే రిమోట్ ఫినోటైపింగ్ మరియు దిగుబడి అంచనా (క్లస్టర్ 2)లో సాంకేతికత యొక్క సామర్థ్యాలను అన్వేషించడం ద్వారా వ్యవసాయ డ్రోన్లపై పరిశోధన ప్రధానంగా రిమోట్ సెన్సింగ్ గురించి చర్చించింది. వ్యవసాయ డ్రోన్లపై ప్రభావవంతమైన అధ్యయనాల సమితిలో ఆస్టిన్ (2010), బెర్ని మరియు ఇతరులు ఉన్నారు. (2009)a, హెర్విట్జ్ మరియు ఇతరులు. (2004), Nex మరియు Remondino (2014), మరియు Zhang and Kovacs (2012). ఈ అధ్యయనాలు వ్యవసాయం సందర్భంలో డ్రోన్-సంబంధిత పరిశోధన యొక్క సంభావిత ఆధారాన్ని అభివృద్ధి చేశాయి.
• మెథడాలజీకి సంబంధించి, ఇప్పటివరకు చేసిన చాలా పరిశోధనలు సిస్టమ్ డిజైన్, కాన్సెప్టువల్ లేదా రివ్యూ-ఆధారిత అధ్యయనాలతో రూపొందించబడిందని మేము గమనించాము (Inouue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; యావో మరియు ఇతరులు., 2019). వ్యవసాయ డ్రోన్లను పరిశోధించడంలో పనిలో అనుభావిక, గుణాత్మక మరియు కేస్-స్టడీ-ఆధారిత పద్ధతులు లేకపోవడం కూడా మేము గమనించాము.
• ఇటీవల, ఖచ్చితమైన వ్యవసాయం, AI పద్ధతులు, ఖచ్చితమైన ద్రాక్షసాగు మరియు నీటి ఒత్తిడి అంచనాకు సంబంధించిన అంశాలు గణనీయమైన దృష్టిని ఆకర్షించాయి (Espinoza et al., 2017; Gomez-Cand´ on ô et al., 2016; Matese et al., 2015; మాటేస్ & డి జెన్నారో, 2018, 2021; Z. జౌ మరియు ఇతరులు., 2021). 1990-2010 మరియు 2011-2021 రెండు వేర్వేరు యుగాలలో పరిశోధన సమూహాలను జాగ్రత్తగా పరిశీలించడం, డొమైన్ యొక్క మేధోపరమైన నిర్మాణం యొక్క పురోగతిని వెల్లడిస్తుంది. 1990 నుండి 2010 మధ్య కాలంలో కేంద్ర భావనలు మరియు డ్రోన్ల భావనల నిర్మాణాన్ని ఏర్పరిచింది, ఇది UAV రూపకల్పన, అభివృద్ధి మరియు అమలు యొక్క చర్చ నుండి స్పష్టంగా కనిపిస్తుంది. రెండవ యుగంలో, వ్యవసాయంలో UAV వినియోగ కేసులను సంశ్లేషణ చేసే ప్రయత్నం చేస్తూ, పరిశోధన దృష్టి ముందస్తు అధ్యయనాలపై విస్తరించింది. ఇమేజింగ్ పనులు మరియు ఖచ్చితమైన వ్యవసాయంలో డ్రోన్ అప్లికేషన్లను చర్చించే అనేక అధ్యయనాలను కూడా మేము కనుగొన్నాము.
రాంక్ | వార్తాపత్రిక | కౌంట్ |
1 | దూరం నుంచి నిర్ధారణ | 258 |
2 | జర్నల్ ఆఫ్ ఇంటెలిజెంట్ అండ్ రోబోటిక్ సిస్టమ్స్: థియరీ అండ్ | 126 |
అప్లికేషన్స్ | ||
3 | వ్యవసాయంలో కంప్యూటర్లు మరియు ఎలక్ట్రానిక్స్ | 98 |
4 | IEEE రోబోటిక్స్ మరియు ఆటోమేషన్ లెటర్స్ | 87 |
5 | సెన్సార్స్ | 73 |
6 | ఇంటర్నేషనల్ జర్నల్ ఆఫ్ రిమోట్ సెన్సింగ్ | 42 |
7 | ఖచ్చితమైన వ్యవసాయం | 41 |
8 | డ్రోన్లు | 40 |
9 | వ్యవసాయశాస్త్రం | 34 |
10 | IEEE యాక్సెస్ | 34 |
11 | ఇంటర్నేషనల్ జర్నల్ ఆఫ్ అడ్వాన్స్డ్ రోబోటిక్ సిస్టమ్స్ | 31 |
12 | ఇంటర్నేషనల్ జర్నల్ ఆఫ్ అగ్రికల్చరల్ అండ్ బయోలాజికల్ ఇంజనీరింగ్ | 25 |
13 | PLOS ONE | 25 |
14 | జర్నల్ ఆఫ్ ఫీల్డ్ రోబోటిక్స్ | 23 |
15 | బయోసిస్టమ్స్ ఇంజినీరింగ్ | 22 |
ఇంప్లికేషన్స్
పండితులు, రైతులు, వ్యవసాయ నిపుణులు, క్రాప్ కన్సల్టెంట్లు మరియు UAV సిస్టమ్ డిజైనర్లను దృష్టిలో ఉంచుకుని మా బైబిలియోమెట్రిక్ సమీక్ష రూపొందించబడింది మరియు నిర్వహించబడింది. రచయితల ఉత్తమ జ్ఞానం ప్రకారం, లోతైన బైబిలియోమెట్రిక్ విశ్లేషణను చేపట్టిన మొదటి అసలైన సమీక్షలలో ఇది ఒకటి.
వ్యవసాయంలో డ్రోన్ అప్లికేషన్లు. మేము ఈ నాలెడ్జ్ బాడీ యొక్క సమగ్ర సమీక్షను నిర్వహించాము, ప్రచురణల యొక్క అనులేఖన మరియు సహ-ఉదహరణ విశ్లేషణలను ఉపయోగిస్తాము. డ్రోన్ పరిశోధన యొక్క మేధో నిర్మాణాన్ని వివరించడానికి మా ప్రయత్నాలు విద్యావేత్తలకు కొత్త అంతర్దృష్టులను కూడా అందిస్తాయి. కాలక్రమేణా ఉపయోగించిన కీలకపదాలను జాగ్రత్తగా సమీక్షించడం డ్రోన్-సంబంధిత సాహిత్యంలో హాట్స్పాట్లు మరియు ఫోకల్ రీసెర్చ్ ప్రాంతాలను వెల్లడిస్తుంది. ఇంకా, ఈ రంగంలో పూర్తి చేసిన అత్యంత ప్రభావవంతమైన పరిశోధన పనులను గుర్తించడానికి మేము చాలా ఉదహరించిన అధ్యయనాల జాబితాను అందిస్తున్నాము. కథనాలు మరియు కీలకపదాల గుర్తింపు తత్ఫలితంగా భవిష్యత్ అధ్యయనాల కోసం అనేక మార్గాలను వెలికితీసేందుకు ఒక ఘనమైన ప్రారంభ బిందువును అందిస్తుంది.
ముఖ్యంగా, పోల్చదగిన పనులను వర్గీకరించే మరియు ఫలితాలపై వివరించే క్లస్టర్లను మేము వెల్లడించాము. సమూహాలలో వర్గీకరించబడిన అధ్యయనాలు UAV పరిశోధన యొక్క మేధో నిర్మాణాన్ని అర్థం చేసుకోవడంలో సహాయపడతాయి. ముఖ్యంగా, డ్రోన్ల స్వీకరణ కారకాలను పరిశోధించే అధ్యయనాల కొరతను మేము కనుగొన్నాము
మరియు వ్యవసాయ కార్యకలాపాలలో అడ్డంకులు (టేబుల్ 9 చూడండి). వివిధ వ్యవసాయ కార్యకలాపాలు మరియు వాతావరణ పరిస్థితులలో డ్రోన్ల స్వీకరణ కారకాలను అంచనా వేసే అనుభావిక పరిశోధనలను నిర్వహించడం ద్వారా భవిష్యత్ పరిశోధకులు ఈ సంభావ్య అంతరాన్ని పరిష్కరించగలరు. ఇంకా, డ్రోన్ల ప్రభావానికి సంబంధించిన కేస్ స్టడీ-ఆధారిత పరిశోధనకు ఫీల్డ్ నుండి నిజమైన డేటాతో మద్దతు ఇవ్వాలి. అలాగే, డ్రోన్ పరిశోధన యొక్క సైద్ధాంతిక మరియు ఆచరణాత్మక పురోగతికి అకడమిక్ పరిశోధనలో రైతులు మరియు నిర్వాహకులను చేర్చుకోవడం ప్రయోజనకరంగా ఉంటుంది. మేము అత్యంత ప్రముఖ పరిశోధకులను మరియు వారి సహకారాన్ని కూడా గుర్తించగలిగాము, ఇది విలువైనది ఎందుకంటే ఇటీవలి సెమినల్ వర్క్ల గురించిన అవగాహన భవిష్యత్ విద్యా ప్రయత్నాలకు కొంత మార్గదర్శకాన్ని అందించగలదు.
పట్టిక 11
UAV స్వీకరణ అడ్డంకులు.
అడ్డంకి | <span style="font-family: Mandali; "> టెండర్ వివరణ</span> |
డేటా భద్రత | సైబర్ భద్రత అమలుకు పెద్ద సవాలు IoT సొల్యూషన్స్ (మస్రూర్ మరియు ఇతరులు, 2021). |
పరస్పర చర్య మరియు అనుసంధానం | UAV, WSN, IoT, మొదలైన వివిధ సాంకేతికతలు. సమగ్రపరచబడాలి మరియు డేటాను ప్రసారం చేయాలి సంక్లిష్టత స్థాయిని పెంచండి (Alsamhi et al., 2021; పోపెస్కు మరియు ఇతరులు., 2020; వురాన్ మరియు ఇతరులు., 2018). |
అమలు ఖర్చులు | ఇది చిన్న రైతులకు మరియు వారికి ప్రత్యేకంగా వర్తిస్తుంది వివిధ అత్యాధునిక సాంకేతికతలను ఏకీకృతం చేయడం ( మస్రూర్ మరియు ఇతరులు., 2021). |
కార్మిక జ్ఞానం మరియు నైపుణ్యం | UAVలను ఆపరేట్ చేయడానికి నైపుణ్యం కలిగిన డ్రోన్ పైలట్లు అవసరం. అలాగే, వివిధ అత్యాధునిక అమలు సాంకేతికతలకు నైపుణ్యం కలిగిన కార్మికులు అవసరం (YB Huang మరియు ఇతరులు, 2013; టౌరోస్ మరియు ఇతరులు., 2019). |
ఇంజిన్ పవర్ మరియు ఫ్లైట్ వ్యవధి | డ్రోన్లను ఎక్కువ గంటలు ఆపరేట్ చేయడం సాధ్యం కాదు పెద్ద ప్రాంతాలు (హార్డిన్ & హార్డిన్, 2010; లాలిబెర్టే మరియు ఇతరులు., 2007). |
స్థిరత్వం, విశ్వసనీయత మరియు యుక్తులు | చెడు వాతావరణ పరిస్థితుల్లో డ్రోన్లు స్థిరంగా ఉండవు (హార్డిన్ & హార్డిన్, 2010; లాలిబెర్టే మరియు ఇతరులు., 2007). |
పేలోడ్ పరిమితులు మరియు సెన్సార్ల నాణ్యత | డ్రోన్లు పరిమిత లోడ్లను మాత్రమే మోయగలవు తక్కువ నాణ్యత గల సెన్సార్లను లోడ్ చేసే సామర్థ్యం (నెబికర్ మరియు ఇతరులు., 2008). |
నియంత్రణ | డ్రోన్లు కూడా ప్రమాదకరమైనవి కావు, తీవ్రమైనవి కూడా ఉన్నాయి కొన్ని ప్రాంతాలలో నిబంధనలు (హార్డిన్ & జెన్సన్, 2011; లాలిబెర్టే & రాంగో, 2011). |
రైతుల జ్ఞానం మరియు వడ్డీ | ఇతర అత్యాధునిక సాంకేతికతల వలె, డ్రోన్లు విజయవంతమైన అమలుకు నైపుణ్యం మరియు కూడా అవసరం అనిశ్చితితో పాటు (ఫిషర్ మరియు ఇతరులు, 2009; లాంబెర్ట్ మరియు ఇతరులు., 2004; స్టాఫోర్డ్, 2000). |
దిగుబడిని పెంచడానికి అందుబాటులో ఉన్న వనరులను సమర్ధవంతంగా ఉపయోగించాల్సిన అవసరం నిరంతరం ఉన్నందున, రైతులు తమ పొలాలను వేగంగా, ఖచ్చితమైన మరియు తక్కువ ఖర్చుతో స్కానింగ్ చేయడానికి డ్రోన్ల ప్రయోజనాన్ని పొందవచ్చు. సాంకేతికత రైతులకు వారి పంటల పరిస్థితిని నిర్ణయించడానికి మరియు నీటి స్థితిని, పండిన దశను, కీటకాల దాడిని మరియు పోషక అవసరాలను అంచనా వేయడానికి తోడ్పడుతుంది. డ్రోన్ల రిమోట్ సెన్సింగ్ సామర్థ్యాలు రైతులకు ప్రాథమిక దశలోనే సమస్యలను అంచనా వేయడానికి మరియు తక్షణమే తగిన జోక్యాలను చేయడానికి కీలకమైన డేటాను అందించగలవు. అయితే, సవాళ్లను సరిగ్గా పరిష్కరించినట్లయితే మాత్రమే సాంకేతికత యొక్క ప్రయోజనాలు గ్రహించబడతాయి. యొక్క వెలుగులో
డేటా భద్రత, సెన్సార్ టెక్నాలజీ సమస్యలు (ఉదా., కొలతల విశ్వసనీయత లేదా ఖచ్చితత్వం), ఏకీకరణ సంక్లిష్టత మరియు గణనీయమైన అమలు ఖర్చులు, భవిష్యత్తు అధ్యయనాలు వ్యవసాయ డ్రోన్లు మరియు ఇతర కట్టింగ్లను ఏకీకృతం చేయడంలో సాంకేతిక, ఆర్థిక మరియు కార్యాచరణ సాధ్యాసాధ్యాలను కూడా పరిశీలించాలి. అంచు సాంకేతికతలు.
పరిమితులు
మా అధ్యయనానికి అనేక పరిమితులు ఉన్నాయి. మొదట, తుది విశ్లేషణ కోసం ఎంచుకున్న ప్రచురణల ద్వారా ఫలితాలు నిర్ణయించబడతాయి. వ్యవసాయ డ్రోన్లకు సంబంధించిన అన్ని సంబంధిత అధ్యయనాలను, ముఖ్యంగా స్కోపస్ డేటాబేస్లో సూచిక చేయని వాటిని సంగ్రహించడం సవాలుగా ఉంది. ఇంకా, డేటా సేకరణ ప్రక్రియ శోధన కీలక పదాల సెట్టింగ్కు పరిమితం చేయబడింది, ఇది కలుపుకొని ఉండకపోవచ్చు మరియు అసంకల్పిత ఫలితాలకు దారి తీస్తుంది. అందువల్ల, భవిష్యత్ అధ్యయనాలు చేయడానికి డేటా సేకరణ యొక్క అంతర్లీన సమస్యపై మరింత శ్రద్ధ వహించాలి
మరింత నమ్మదగిన ముగింపులు. మరొక పరిమితి తక్కువ సంఖ్యలో అనులేఖనాలతో కొత్త ప్రచురణలకు సంబంధించినది. బిబ్లియోమెట్రిక్ విశ్లేషణ మునుపటి ప్రచురణల పట్ల పక్షపాతంతో ఉంటుంది, ఎందుకంటే అవి సంవత్సరాలుగా ఎక్కువ అనులేఖనాలను పొందుతాయి. ఇటీవలి అధ్యయనాలు దృష్టిని ఆకర్షించడానికి మరియు అనులేఖనాలను సేకరించడానికి కొంత సమయం అవసరం. పర్యవసానంగా, ఒక ఉదాహరణ మార్పును తీసుకువచ్చే ఇటీవలి అధ్యయనాలు మొదటి పది ప్రభావవంతమైన రచనలలో ర్యాంక్ చేయవు. వ్యవసాయ డ్రోన్ల వంటి వేగంగా అభివృద్ధి చెందుతున్న పరిశోధన డొమైన్ల పరిశీలనలో ఈ పరిమితి ప్రబలంగా ఉంది. ఈ పని కోసం సాహిత్యాన్ని అధ్యయనం చేయడానికి మేము స్కోపస్ను సంప్రదించినందున, భవిష్యత్ పరిశోధకులు విభిన్నంగా పరిగణించవచ్చు
వెబ్ ఆఫ్ సైన్స్ మరియు IEEE ఎక్స్ప్లోర్ వంటి డేటాబేస్లు హోరిజోన్ను విస్తరించడానికి మరియు పరిశోధనా నిర్మాణాన్ని మెరుగుపరచడానికి.
సంభావ్య బిబ్లియోమెట్రిక్ అధ్యయనాలు నవల అంతర్దృష్టులను రూపొందించడానికి సమావేశ పత్రాలు, అధ్యాయాలు మరియు పుస్తకాలు వంటి ఇతర ముఖ్యమైన జ్ఞాన వనరులను పరిగణించవచ్చు. వ్యవసాయ డ్రోన్లపై ప్రపంచ పబ్లికేషన్లను మ్యాపింగ్ చేసి, పరిశోధించినప్పటికీ, మా పరిశోధనలు విశ్వవిద్యాలయాల పండితుల ఫలితాల వెనుక కారణాలను వెల్లడించలేదు. వ్యవసాయానికి సంబంధించిన పరిశోధనల విషయానికి వస్తే కొన్ని విశ్వవిద్యాలయాలు ఇతరులకన్నా ఎందుకు ఎక్కువ ఉత్పాదకతను కలిగి ఉన్నాయో గుణాత్మకంగా వివరించడంలో ఇది పరిశోధన యొక్క నవల రంగానికి మార్గం సుగమం చేస్తుంది.
డ్రోన్లు. అదనంగా, భవిష్యత్ అధ్యయనాలు అనేక మంది పరిశోధకులచే సూచించబడిన పర్యావరణ పర్యవేక్షణ, పంట నిర్వహణ మరియు కలుపు మ్యాపింగ్ వంటి అనేక మార్గాల్లో వ్యవసాయ స్థిరత్వాన్ని పెంచడానికి డ్రోన్ల సంభావ్యతపై అంతర్దృష్టులను అందించగలవు (చముహ్ & సింగ్, 2019; ఇస్లాం మరియు ఇతరులు., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). ఎక్కువ సంఖ్యలో ఎంపిక చేసిన పేపర్ల కారణంగా వచన విశ్లేషణ సాధ్యం కానందున, క్రమబద్ధమైన సాహిత్య సమీక్షల అవసరం ఉంది.
ఉపయోగించిన పరిశోధన పద్ధతులు మరియు ముందస్తు అధ్యయనాలలో రైతుల ప్రమేయం. సంక్షిప్తంగా, డ్రోన్ పరిశోధన యొక్క మా విశ్లేషణ ఈ జ్ఞాన శరీరం యొక్క అదృశ్య సంబంధాలను బహిర్గతం చేస్తుంది. అందువల్ల ఈ సమీక్ష ప్రచురణల మధ్య సంబంధాలను వెలికితీసేందుకు సహాయపడుతుంది మరియు పరిశోధనా రంగం యొక్క మేధో నిర్మాణాన్ని అన్వేషిస్తుంది. ఇది రచయితల కీలకపదాలు, అనుబంధాలు మరియు దేశాలు వంటి సాహిత్యంలోని వివిధ అంశాల మధ్య సంబంధాలను కూడా వర్ణిస్తుంది.
పోటీ ఆసక్తి యొక్క ప్రకటన
ఈ కాగితంలో నివేదించబడిన పనిని ప్రభావితం చేసేలా కనిపించే పోటీ ఆర్థిక ప్రయోజనాలు లేదా వ్యక్తిగత సంబంధాలు తమకు తెలియదని రచయితలు ప్రకటించారు.
అనుబంధం 1
TITLE-ABS-KEY ((డ్రోన్* లేదా “మానవ రహిత వైమానిక వాహనం” లేదా uav* లేదా “మానవ రహిత విమాన వ్యవస్థ”లేదా US లేదా “రిమోట్గా పైలట్ చేసిన విమానం”) మరియు (వ్యవసాయం లేదా వ్యవసాయం లేదా వ్యవసాయం లేదా రైతు))) మరియు (మినహాయింపు (పబ్యియర్, 2022)) మరియు (పరిమితం వరకు (భాష, “ఇంగ్లీష్”)).
ప్రస్తావనలు
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. వృక్షసంపద పర్యవేక్షణ కోసం తేలికపాటి UAV స్నాప్షాట్ కెమెరాలతో 3D హైపర్స్పెక్ట్రల్ సమాచారాన్ని రూపొందించడం: నుండి
నాణ్యత హామీకి కెమెరా క్రమాంకనం. ISPRS J. ఫోటోగ్రామ్. రిమోట్ సెన్స్ 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. మానవరహిత వైమానిక వాహన చిత్రాల నుండి స్వయంచాలక పక్షి గుర్తింపు కోసం నమూనా గుర్తింపు అల్గారిథమ్ అభివృద్ధి.
సర్వే. భూమి సమాచారం. సైన్స్ 65 (1), 37–45.
అబ్డోల్లాహి, ఎ., రెజెబ్, కె., రెజెబ్, ఎ., మోస్తఫా, ఎంఎమ్, జైలానీ, ఎస్., 2021. వ్యవసాయంలో వైర్లెస్ సెన్సార్ నెట్వర్క్లు: బైబిలియోమెట్రిక్ విశ్లేషణ నుండి అంతర్దృష్టులు. సస్టైనబిలిటీ 13 (21),
<span style="font-family: arial; ">10</span>
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., హై-రిజల్యూషన్ ఆప్టికల్ ఇమేజరీలో షాడో డిటెక్షన్ మరియు గణనపై నీడ ప్రభావం యొక్క మూల్యాంకనం కోసం వివిధ పద్ధతుల అంచనా NDVI, మరియు బాష్పీభవన ప్రేరణ. నీటిపారుదల. సైన్స్ 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
అడావో, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. హైపర్స్పెక్ట్రల్ ఇమేజింగ్: UAV-ఆధారిత సెన్సార్లపై సమీక్ష, డేటా ప్రాసెసింగ్ మరియు
వ్యవసాయం మరియు అటవీ కోసం దరఖాస్తులు. రిమోట్ సెన్సింగ్ 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. పొద్దుతిరుగుడు పంటను పర్యవేక్షించడానికి మానవరహిత వైమానిక వాహనాన్ని ఉపయోగించి మల్టీ-టెంపోరల్ ఇమేజింగ్. బయోసిస్ట్. ఇంజి.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. UAV నుండి ఖచ్చితమైన డిజిటల్ ఎలివేషన్ మోడల్ల ఉత్పత్తి తక్కువ శాతం అతివ్యాప్తి చిత్రాలను పొందింది. Int.
J. రిమోట్ సెన్స్. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. రిమోట్ సెన్సింగ్ డేటా నుండి బయోమాస్ మరియు మట్టి తేమను తిరిగి పొందడం కోసం యంత్ర అభ్యాస విధానాల సమీక్ష. రిమోట్ సెన్సింగ్ 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., B5G నెట్వర్క్లలో UAVలను ఉపయోగిస్తున్న విషయాల యొక్క గ్రీన్ ఇంటర్నెట్: అప్లికేషన్ల సమీక్ష
మరియు వ్యూహాలు. ప్రకటన తాత్కాలికంగా నెట్. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. షీప్ లైవ్స్టాక్ మానిటరింగ్ కోసం డ్రోన్లు. లో: 20వ IEEE మెడిటరేనియన్ ఎలక్ట్రోటెక్నికల్ కాన్ఫరెన్స్. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., పార్టెల్, V., 2019. మల్టీస్పెక్ట్రల్ ఇమేజింగ్ మరియు కృత్రిమ మేధస్సును ఉపయోగించి సిట్రస్లో UAV-ఆధారిత హై త్రూపుట్ ఫినోటైపింగ్. రిమోట్ సెన్సింగ్ 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: కృత్రిమ మేధస్సును ఉపయోగించి ఖచ్చితమైన వ్యవసాయ అనువర్తనాల కోసం UAV- సేకరించిన డేటాను ప్రాసెస్ చేయడానికి, విశ్లేషించడానికి మరియు దృశ్యమానం చేయడానికి క్లౌడ్-ఆధారిత అప్లికేషన్. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. వ్యవసాయంలో హైపర్స్పెక్ట్రల్ సమాచారంతో పెద్ద డేటా మరియు మెషిన్ లెర్నింగ్. IEEE యాక్సెస్ 9, 36699–36718. https://doi.org/10.1109/
యాక్సెస్.2021.3051196.
అక్విలాని, C., కన్ఫెసోర్, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. సమీక్ష: పచ్చిక ఆధారిత పశువుల వ్యవస్థలలో ఖచ్చితమైన పశువుల పెంపకం సాంకేతికతలు. యానిమల్ 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
అర్మెంటా-మదీనా, D., రామిరేజ్-డెల్రియల్, TA, విల్లానువా-వాస్క్వెజ్, ´ D., మెజియా-అగ్యురే, C., అధునాతన సమాచారం మరియు కమ్యూనికేషన్ టెక్నాలజీలపై ట్రెండ్స్
వ్యవసాయ ఉత్పాదకతను మెరుగుపరచడం: బైబిలియోమెట్రిక్ విశ్లేషణ. వ్యవసాయ శాస్త్రం 10 (12), ఆర్టికల్ 12. https://doi.org/10.3390/agronomy10121989.
ఆర్మ్స్ట్రాంగ్, I., పిరోన్-బ్రూస్సే, M., స్మిత్, A., జదుద్, M., 2011. ది ఫ్లయింగ్ గేటర్: ఓకామ్-πలో ఏరియల్ రోబోటిక్స్ వైపు. కమ్యూన్ ప్రాసెస్ ఆర్కిటెక్ట్. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
అరోరా, SD, చక్రవర్తి, A., 2021. వినియోగదారు ఫిర్యాదు ప్రవర్తన (CCB) పరిశోధన యొక్క మేధోపరమైన నిర్మాణం: ఒక బైబిలియోమెట్రిక్ విశ్లేషణ. J. వ్యాపారం Res. 122, 60–74.
అస్లాన్, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
బహిరంగ క్షేత్రాలు మరియు గ్రీన్హౌస్లలో ఖచ్చితమైన వ్యవసాయం కోసం UAVతో ఇటీవలి అధ్యయనాల సమగ్ర సర్వే. Appl. సైన్స్ 12 (3), 1047. https://doi.org/10.3390/
యాప్ 12031047.
అట్కిన్సన్, JA, జాక్సన్, RJ, బెంట్లీ, AR, Ober, E., & Wells, DM (2018). ఫీల్డ్ ఫినోటైపింగ్ ఫర్ ది ఫ్యూచర్. ఆన్లైన్లో వార్షిక మొక్కల సమీక్షలు (పేజీలు. 719–736). జాన్
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
ఆస్టిన్, R., 2010. మానవరహిత విమాన వ్యవస్థలు: UAVS డిజైన్, అభివృద్ధి మరియు విస్తరణ. లో: మానవరహిత విమాన వ్యవస్థలు: UAVS డిజైన్, అభివృద్ధి మరియు
విస్తరణ. జాన్ విలే అండ్ సన్స్. https://doi.org/10.1002/9780470664797.
అవైస్, M., లి, W., చీమా, MJM, జమాన్, QU, షాహీన్, A., అస్లాం, B., ఝు, W., అజ్మల్, M., ఫహీం, M., హుస్సేన్, S., నదీమ్, AA, అఫ్జల్, MM, లియు, C., 2022. మొక్కల ఒత్తిడిలో UAV ఆధారిత రిమోట్ సెన్సింగ్ డిజిటల్ వ్యవసాయ పద్ధతుల కోసం హై-రిజల్యూషన్ థర్మల్ సెన్సార్ని ఉపయోగించి ఊహించుకోండి: ఒక మెటా-రివ్యూ. Int. J. ఎన్విరాన్. సైన్స్ సాంకేతికత. https://doi.
org/10.1007/s13762-021-03801-5.
బాకో, ఎం., బెర్టన్, ఎ., ఫెర్రో, ఇ., జెన్నారో, సి., గొట్టా, ఎ., మట్టెయోలి, ఎస్., పవోనెస్సా, ఎఫ్., రుగ్గేరి, ఎం., విరోన్, జి., జానెల్లా, ఎ., 2018. స్మార్ట్ వ్యవసాయం: అవకాశాలు, సవాళ్లు
మరియు టెక్నాలజీ ఎనేబుల్స్. 2018 IoT నిలువు మరియు. వ్యవసాయంపై సమయోచిత సమ్మిట్ -టుస్కానీ (IOT టుస్కానీ) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. UAV చిత్రాలలో లైన్ పంటలలో కలుపు గుర్తింపు కోసం పర్యవేక్షించబడని డేటా లేబులింగ్తో లోతైన అభ్యాసం. రిమోట్ సెన్సింగ్ 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
బాల్డి, S., 1998. అనులేఖనాల కేటాయింపులో సాధారణ మరియు సామాజిక నిర్మాణాత్మక ప్రక్రియలు: నెట్వర్క్-విశ్లేషణాత్మక నమూనా. అం. సామాజిక. రెవ. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
బలుజా, J., డియాగో, MP, బాల్డా, P., జోరర్, R., Meggio, F., మోరేల్స్, F., Tardaguila, J., 2012. థర్మల్ మరియు మల్టీస్పెక్ట్రల్ ద్వారా వైన్యార్డ్ నీటి స్థితి వైవిధ్యాన్ని అంచనా వేయడం
మానవరహిత వైమానిక వాహనం (UAV) ఉపయోగించి చిత్రాలు నీటిపారుదల. సైన్స్ 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
బరాబాస్చి, డి., టోండెల్లి, ఎ., డెసిడెరియో, ఎఫ్., వోలంటే, ఎ., వాక్సినో, పి., వాల్`ఇ, జి., కాట్టివెల్లి, ఎల్., తదుపరి తరం పెంపకం. ప్లాంట్ సైన్స్. 242, 3–13. https://doi.org/10.1016/j.
మొక్కలు.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. పశువులను పర్యవేక్షించడానికి మానవరహిత వైమానిక వ్యవస్థల వినియోగంపై దృక్కోణాలు. ఔట్లుక్ అగ్రిక్. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
బారెత్, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. తక్కువ బరువు మరియు UAV-ఆధారిత హైపర్స్పెక్ట్రల్ పూర్తి-ఫ్రేమ్ కెమెరాలు
పంటల పర్యవేక్షణ కోసం: పోర్టబుల్ స్పెక్ట్రోరేడియోమీటర్ కొలతలతో స్పెక్ట్రల్ పోలిక. ఫోటోగ్రామెట్రీ, ఫెర్నర్కుందుంగ్, జియోఇన్ఫర్మేషన్ 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
బారియంటోస్, A., కొలరాడో, J., డెల్ సెర్రో, J., మార్టినెజ్, A., రోస్సీ, C., Sanz, D., Valente, J., వ్యవసాయంలో ఏరియల్ రిమోట్ సెన్సింగ్: ఏరియా కవరేజీకి ఆచరణాత్మక విధానం
మరియు మినీ ఏరియల్ రోబోట్ల విమానాల కోసం పాత్ ప్లానింగ్. J. ఫీల్డ్ రాబ్. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
బసిరి, A., మరియాని, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. ఖచ్చితత్వంలో బహుళ-రోటర్ UAVల కోసం పాత్-ప్లానింగ్ అల్గారిథమ్ల అప్లికేషన్పై సర్వే
వ్యవసాయం. J. నావిగ్ 75 (2), 364–383.
Basnet, B., Bang, J., 2018. ది స్టేట్ ఆఫ్ ది ఆర్ట్ ఆఫ్ నాలెడ్జ్-ఇంటెన్సివ్ అగ్రికల్చర్: ఎ రివ్యూ ఆన్ అప్లైడ్ సెన్సింగ్ సిస్టమ్స్ మరియు డేటా అనలిటిక్స్. J. సెన్స్ 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. పంట పెరుగుదల వైవిధ్యాన్ని పర్యవేక్షించడానికి బహుళ-తాత్కాలిక, చాలా అధిక రిజల్యూషన్ క్రాప్ ఉపరితల నమూనాల కోసం UAV-ఆధారిత ఇమేజింగ్. ఫోటోగ్రామెట్రీ, ఫెర్నర్కుందుంగ్, జియోఇన్ఫర్మేషన్ 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. UAV ఆధారిత RGB ఇమేజింగ్ నుండి ఉత్పన్నమైన క్రాప్ ఉపరితల నమూనాలను (CSMలు) ఉపయోగించి బార్లీ బయోమాస్ను అంచనా వేయడం. రిమోట్ సెన్సింగ్ 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. పంట ఉపరితలం నుండి UAV-ఆధారిత మొక్కల ఎత్తును కలపడం నమూనాలు,
బార్లీలో బయోమాస్ పర్యవేక్షణ కోసం కనిపించే, మరియు సమీపంలోని పరారుణ వృక్ష సూచికలు. Int. J. Appl. భూమి అబ్స్. జియోఇన్ఎఫ్. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
బెర్ని, JA, Zarco-Tejada, PJ, సెపుల్క్రే-కాంటో, ´ G., ఫెరెరెస్, E., విల్లాలోబోస్, F., 2009a. అధిక రిజల్యూషన్ ఉపయోగించి ఆలివ్ తోటలలో పందిరి ప్రవర్తన మరియు CWSI మ్యాపింగ్
థర్మల్ రిమోట్ సెన్సింగ్ ఇమేజరీ. రిమోట్ సెన్స్. ఎన్విరాన్. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
బెర్ని, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. మానవరహిత వైమానిక వాహనం నుండి వృక్షసంపద పర్యవేక్షణ కోసం థర్మల్ మరియు నారోబ్యాండ్ మల్టీస్పెక్ట్రల్ రిమోట్ సెన్సింగ్. IEEE ట్రాన్స్. జియోస్కీ. రిమోట్ సెన్స్ 47 (3), 722–738.
Bouzembrak, Y., Kluche, M., Gavai, A., Marvin, HJP, 2019. ఇంటర్నెట్ ఆఫ్ థింగ్స్ ఇన్ ఫుడ్ సేఫ్టీ: లిటరేచర్ రివ్యూ మరియు ఎ బిబ్లియోమెట్రిక్ విశ్లేషణ. ట్రెండ్స్ ఫుడ్ సైన్స్. సాంకేతికత. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
బ్రూస్టర్, సి., రౌసాకి, ఐ., కలాట్జిస్, ఎన్., డూలిన్, కె., ఎల్లిస్, కె., 2017. వ్యవసాయంలో IoT: యూరప్-వ్యాప్తంగా పెద్ద-స్థాయి పైలట్ రూపకల్పన. IEEE కమ్యూన్. మాగ్. 55 (9), 26–33.
బ్యూటర్స్, TM, బెల్టన్, D., క్రాస్, AT, 2019. మిల్లీమీటర్ ఖచ్చితత్వంతో వ్యక్తిగత మొలకలు మరియు విత్తనాల కమ్యూనిటీల మల్టీ-సెన్సర్ UAV ట్రాకింగ్. డ్రోన్లు 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. UAV చిత్రాల నుండి ఖచ్చితమైన వ్యవసాయ అనువర్తనాల కోసం మల్టీస్పెక్ట్రల్ చిత్రాలు మరియు వృక్ష సూచికలను మూల్యాంకనం చేయడం. రిమోట్ సెన్సింగ్ 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. UAV నుండి తీసుకోబడిన వైడ్-డైనమిక్-రేంజ్ వెజిటేషన్ ఇండెక్స్ (WDRVI)ని ఉపయోగించి చక్కెర దుంప పెరుగుదల సూచికలను పర్యవేక్షించడం
బహుళ స్పెక్ట్రల్ చిత్రాలు. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
కాసిల్లాస్, J., అసిడో, F., 2007. కుటుంబ వ్యాపార సాహిత్యం యొక్క మేధో నిర్మాణం యొక్క పరిణామం: FBR యొక్క బైబిలియోమెట్రిక్ అధ్యయనం. కుటుంబ వ్యాపారం రెవ. 20 (2), 141–162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., బావో, వై., ఫెంగ్, ఎల్., షౌ, జె., హీ, వై., 2019. బియ్యం బయోమాస్ యొక్క డైనమిక్ పర్యవేక్షణ
డ్యూయల్ ఇమేజ్-ఫ్రేమ్ స్నాప్షాట్ కెమెరాలతో తేలికపాటి UAVని ఉపయోగించి విభిన్న నైట్రోజన్ చికిత్సలు. మొక్కల పద్ధతులు 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
చముహ్, ఎ., సింగ్, ఆర్., 2019. పౌర UAV ద్వారా భారతీయ వ్యవసాయంలో సుస్థిరతను పొందడం: బాధ్యతాయుతమైన ఆవిష్కరణ దృక్పథం. SN Appl. సైన్స్ 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
చముహ్, ఎ., సింగ్, ఆర్., 2022. భారతీయ పంట బీమా దరఖాస్తుల కోసం పౌర మానవరహిత వైమానిక వాహనం (UAV) ఆవిష్కరణల బాధ్యతాయుతమైన పాలన. J. బాధ్యత
సాంకేతికత. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. పంట పందిరి యొక్క అధిక-రిజల్యూషన్ కనిపించే-ఛానల్ ఏరియల్ ఇమేజింగ్ని ఖచ్చితమైన నీటిపారుదల నిర్వహణకు వర్తింపజేయడం. వ్యవసాయం. నీటి
మానాగ్. 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. ఆన్-బోర్డ్ ఫోటోగ్రామెట్రీ మరియు సింగిల్ ఫ్రీక్వెన్సీ GPS పొజిషనింగ్తో తేలికపాటి UAV మెట్రాలజీ అప్లికేషన్ల కోసం. ISPRS J. ఫోటోగ్రామ్. రిమోట్ సెన్స్ 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
దావాలిబీ, S., అబెర్కేన్, A., బ్రాడై, A., 2020. స్వయంప్రతిపత్త డ్రోన్ కార్యకలాపాల నిర్వహణ కోసం బ్లాక్చెయిన్-ఆధారిత IoT ప్లాట్ఫారమ్. ఇన్: 2వ ACM ప్రొసీడింగ్స్
MobiCom వర్క్షాప్ ఆన్ డ్రోన్ అసిస్టెడ్ వైర్లెస్ కమ్యూనికేషన్స్ ఫర్ 5G అండ్ బియాండ్, pp. 31–36. https://doi.org/10.1145/3414045.3415939.
డే, RA, గాస్టెల్, B., 1998. శాస్త్రీయ పత్రాన్ని ఎలా వ్రాయాలి మరియు ప్రచురించాలి. కేంబ్రిడ్జ్ యూనివర్సిటీ ప్రెస్. డి కాస్ట్రో, AI, పెనా, ˜ JM, టోర్రెస్-సాంచెజ్, ´ J., జిమెనెజ్-బ్రెన్స్, FM, వాలెన్సియాగ్రెడిల్లా, F., రీకాసెన్స్, J., లోపెజ్-గ్రానడోస్, ´ F., 2020. మ్యాపింగ్ సైనోడాన్ డాక్టిలాన్లో ఖచ్చితమైన ద్రాక్షసాగు కోసం ఆటోమేటిక్ డెసిషన్ ట్రీ-OBIA విధానం మరియు UAV ఇమేజరీతో పంటలను కవర్ చేయండి. రిమోట్ సెన్సింగ్ 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. ఒక ఆటోమేటిక్ యాదృచ్ఛిక అటవీ-OBIA అల్గోరిథం UAV చిత్రాలను ఉపయోగించి పంట వరుసల మధ్య మరియు లోపల తొలి కలుపు మ్యాపింగ్. రిమోట్ సెన్సింగ్ 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. UAV ఇమేజరీ నుండి తీసుకోబడిన DSMని ఉపయోగించి గోధుమ జన్యురూపాల మొక్కల ఎత్తు యొక్క స్వయంచాలక కొలత. ప్రొసీడింగ్స్ 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. మానవరహిత వైమానిక వాహనాలను ఉపయోగించి నిజ-సమయ కలుపు మ్యాపింగ్ కోసం తేలికపాటి సెమాంటిక్ సెగ్మెంటేషన్ నెట్వర్క్. Appl. సైన్స్ 10 (20), 7132. https://doi.org/10.3390/app10207132.
డెంగ్, ఎల్., మావో, జెడ్., లి, ఎక్స్., హు, జెడ్., డువాన్, ఎఫ్., యాన్, వై., 2018. ఖచ్చితమైన వ్యవసాయం కోసం UAV-ఆధారిత మల్టీస్పెక్ట్రల్ రిమోట్ సెన్సింగ్: విభిన్న కెమెరాల మధ్య పోలిక. ISPRS J. ఫోటోగ్రామ్. రిమోట్ సెన్స్ 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. మట్టి సూచికలను అంచనా వేయడానికి ఉపయోగించే యంత్ర అభ్యాసం మరియు రిమోట్ సెన్సింగ్ పద్ధతులు - సమీక్ష. ఎకోల్. 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. 3D ఫోటోను ఉపయోగించి ఆలివ్ చెట్టు కిరీటం పారామితులను అంచనా వేయడానికి అధిక-రిజల్యూషన్ గాలిలో UAV చిత్రాలు
పునర్నిర్మాణం: బ్రీడింగ్ ట్రయల్స్లో అప్లికేషన్. రిమోట్ సెన్సింగ్ 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
దీక్షిత్, A., జఖర్, SK, 2021. ఎయిర్పోర్ట్ కెపాసిటీ మేనేజ్మెంట్: ఎ రివ్యూ మరియు బిబ్లియోమెట్రిక్ విశ్లేషణ. J. ఎయిర్ ట్రాన్స్ప్ మానాగ్. 91, 102010.
డాంగ్, T., షాంగ్, J., లియు, J., Qian, B., జింగ్, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., కానిసియస్, ఎఫ్., జియావో, ఎక్స్., కోవాక్స్, జెఎమ్, వాల్టర్స్, డి., కేబుల్, జె., విల్సన్, జె., 2019.
కెనడాలోని అంటారియోలో పంట పెరుగుదల మరియు దిగుబడి యొక్క క్షేత్రంలోని వైవిధ్యాన్ని గుర్తించడానికి RapidEye చిత్రాలను ఉపయోగించడం. ప్రెసిషన్ అగ్రిక్. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
దత్తా, PK, మిత్ర, S., 2021. కోవిడ్-19 అనంతర కాలంలో ఆహార సరఫరా గొలుసును అర్థం చేసుకోవడానికి వ్యవసాయ డ్రోన్లు మరియు IOT యొక్క అప్లికేషన్. ఇన్: చౌదరి, A., బిస్వాస్, A., ప్రతీక్, M.,
చక్రబర్తి, A. (Eds.), అగ్రికల్చరల్ ఇన్ఫర్మేటిక్స్: IoT మరియు మెషిన్ లెర్నింగ్ ఉపయోగించి ఆటోమేషన్. విలే, pp. 67–87. వాన్ ఎక్, ఎన్., వాల్ట్మన్, ఎల్., 2009. సాఫ్ట్వేర్ సర్వే: VOSవ్యూయర్, బిబ్లియోమెట్రిక్ మ్యాపింగ్ కోసం కంప్యూటర్ ప్రోగ్రామ్. సైంటోమెట్రిక్స్ 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
ఎలిజా, O., రెహ్మాన్, TA, ఒరికుమ్హి, I., లియో, CY, హిందీయా, MN, 2018. ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT) మరియు వ్యవసాయంలో డేటా విశ్లేషణల యొక్క అవలోకనం: ప్రయోజనాలు మరియు సవాళ్లు.
IEEE ఇంటర్నెట్ థింగ్స్ 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. వ్యవసాయ శాస్త్ర ధ్రువీకరణ UAV మరియు ఫీల్డ్
టమోటా రకాలు కోసం కొలతలు. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. హై రిజల్యూషన్ మల్టీస్పెక్ట్రల్ మరియు థర్మల్ రిమోట్ సెన్సింగ్ ఆధారిత నీటి ఒత్తిడి అంచనా
ఉపరితల నీటిపారుదల ద్రాక్ష. రిమోట్ సెన్సింగ్ 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
ఎవింగ్, జె., ఊమెన్, టి., జయకుమార్, పి., అల్గర్, ఆర్., 2020. నేల స్థాయి కోసం హైపర్స్పెక్ట్రల్ రిమోట్ సెన్సింగ్ని ఉపయోగించడం. రిమోట్ సెన్సింగ్ 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
ఫాసెట్, డి., పానిగడ, సి., టాగ్లియాబ్యూ, జి., బోస్చెట్టి, ఎం., సెలెస్టి, ఎం., ఎవ్డోకిమోవ్, ఎ., బిరియుకోవా, కె., కొలంబో, ఆర్., మిగ్లియెట్టా, ఎఫ్., రాస్చెర్, యు., ఆండర్సన్, K., 2020. డ్రోన్ ఆధారిత మల్టీస్పెక్ట్రల్ ఉపరితల ప్రతిబింబం మరియు కార్యాచరణ పరిస్థితులలో వృక్ష సూచికల యొక్క బహుళస్థాయి మూల్యాంకనం. రిమోట్ సెన్సింగ్ 12 (3), 514.
ఫెంగ్, ఎక్స్., యాన్, ఎఫ్., లియు, ఎక్స్., 2019. ఖచ్చితమైన వ్యవసాయం కోసం ఇంటర్నెట్ ఆఫ్ థింగ్స్లో వైర్లెస్ కమ్యూనికేషన్ టెక్నాలజీల అధ్యయనం. వైర్లెస్ పర్సస్. కమ్యూన్ 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. అంతర్జాతీయ వ్యాపార పరిశోధనలో లావాదేవీ ఖర్చుల సిద్ధాంతం: మూడు దశాబ్దాలుగా బైబిలియోమెట్రిక్ అధ్యయనం. సైంటోమెట్రిక్స్ 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
ఫిషర్, P., అబుజార్, M., రబ్, M., బెస్ట్, F., చంద్ర, S., 2009. ఆగ్నేయ ఆస్ట్రేలియాలో ఖచ్చితమైన వ్యవసాయంలో పురోగతి. I. అనుకరించడానికి ఒక రిగ్రెషన్ మెథడాలజీ
రైతుల చారిత్రక పాడాక్ దిగుబడులు మరియు సాధారణీకరించిన వ్యత్యాస వృక్ష సూచికను ఉపయోగించి తృణధాన్యాల దిగుబడిలో ప్రాదేశిక వైవిధ్యం. పంట పచ్చిక శాస్త్రం. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. సైన్స్, టెక్నాలజీ అండ్ ది ఫ్యూచర్ ఆఫ్ స్మాల్ అటానమస్ డ్రోన్స్. ప్రకృతి 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. స్మార్ట్ వ్యవసాయం యొక్క భవిష్యత్తు కోసం ఇంటర్నెట్ ఆఫ్ థింగ్స్: అభివృద్ధి చెందుతున్న సాంకేతికతలపై సమగ్ర సర్వే. IEEE CAA J. ఆటోమ్. సినికా 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. ఫిగ్ ప్లాంట్ సెగ్మెంటేషన్ లోతైన కన్వల్యూషనల్ ఎన్కోడర్-డీకోడర్ నెట్వర్క్ని ఉపయోగించి వైమానిక చిత్రాల నుండి. రిమోట్ సెన్సింగ్ 11 (10), 1157. https://doi.org/10.3390/rs11101157.
గాగో, J., డౌతే, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. నీటి ఒత్తిడిని అంచనా వేయడానికి UAVలు సవాలు
స్థిరమైన వ్యవసాయం. వ్యవసాయం. వాటర్ మేనేగ్. 153, 9–19. https://doi.org/10.1016/j. ఆగస్ట్.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. థర్మల్ ఇమేజింగ్ మొక్క వద్ద
లోటు నీటిపారుదల వ్యూహాల కింద బాదం చెట్లలో (cv. Guara) పంట-నీటి స్థితిని అంచనా వేయడానికి స్థాయి. వ్యవసాయం. వాటర్ మేనేగ్. 208, 176–186. https://doi.org/10.1016/j.
ఆగస్ట్.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. ఒక చిన్న హైపర్స్పెక్ట్రల్ UAS ఉపయోగించి ఉపరితల ప్రతిబింబం మరియు సన్ఇండస్డ్ ఫ్లోరోసెన్స్ స్పెక్ట్రోస్కోపీ కొలతలు. రిమోట్ సెన్సింగ్ 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovic, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. దీని కోసం ఆటోమేటిక్ పద్ధతి
UAV చిత్రాల ఆధారంగా వోట్ క్షేత్రాలలో కలుపు మ్యాపింగ్. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం.
గెబ్బర్స్, ఆర్., ఆడమ్చుక్, VI, 2010. ఖచ్చితమైన వ్యవసాయం మరియు ఆహార భద్రత. సైన్స్ 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. మానవరహిత విమాన వ్యవస్థతో పొందిన వైమానిక చిత్రాలు మరియు క్రాప్ ఉపరితల నమూనాల ఆధారంగా మొక్కజొన్న దిగుబడి యొక్క కంబైన్డ్ స్పెక్ట్రల్ మరియు స్పేషియల్ మోడలింగ్. రిమోట్ సెన్సింగ్ 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. వినియోగదారుల కోసం స్థిరమైన డిజైన్: సాహిత్య సమీక్ష మరియు బైబిలియోమెట్రిక్ విశ్లేషణ. పర్యావరణం. సైన్స్ కాలుష్యం. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. మల్టీస్పెక్ట్రల్ శాటిలైట్ మరియు హైపర్స్పెక్ట్రల్ కలపడం ద్వారా స్పెక్ట్రల్ టెంపోరల్ రెస్పాన్స్ సర్ఫేస్ల ఉత్పత్తి
ఖచ్చితమైన వ్యవసాయ అనువర్తనాల కోసం UAV చిత్రాలు. IEEE J. సెల్. టాప్. Appl. భూమి అబ్స్. రిమోట్ సెన్స్ 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
గిల్, SS, చనా, I., Buyya, R., 2017. IoT ఆధారిత వ్యవసాయం ఒక క్లౌడ్ మరియు పెద్ద డేటా సర్వీస్: డిజిటల్ ఇండియా ప్రారంభం. J. ఆర్గ్. మరియు తుది వినియోగదారు కంప్యూట్. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. కో-సైటేషన్ విశ్లేషణ మరియు అదృశ్య కళాశాలల శోధన: ఒక పద్దతి మూల్యాంకనం. సైంటోమెట్రిక్స్ 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. మానవరహిత వైమానిక వాహనాల (UAVలు) ద్వారా మొక్కజొన్న మొక్కల డిజిటల్ గణనలు. రిమోట్ సెన్సింగ్ 9 (6). Https://doi.org/10.3390/rs9060544.
గోక్టో ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. ఆక్వాటిక్ కలుపు పర్యవేక్షణ కోసం రోటరీ-వింగ్ మానవరహిత విమాన వాహనం మరియు
నిర్వహణ. J. ఇంటెల్. రోబోటిక్ సిస్ట్: థియర్. 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. గోధుమలలో ఖచ్చితమైన వ్యవసాయ ప్రయోజనాల కోసం మానవరహిత వైమానిక వాహనం (UAV) చిత్రాల నుండి మొజాయిక్ల యొక్క ఖచ్చితత్వాన్ని అంచనా వేయడం. ఖచ్చితమైన. వ్యవసాయం. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labbe, S., Jolivot, A., Regnard, J.-L., 2016. UAV-సెన్స్డ్ ఇమేజరీ ద్వారా ట్రీ స్కేల్ వద్ద నీటి ఒత్తిడిని ఫీల్డ్ ఫినోటైపింగ్ : కోసం కొత్త అంతర్దృష్టులు
థర్మల్ సముపార్జన మరియు క్రమాంకనం. ఖచ్చితమైన. వ్యవసాయం. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. సిట్రస్ తోటలలో నీటి లోటుకు సూచికగా పంట నీటి ఒత్తిడి సూచికను ఉపయోగించడం యొక్క వర్తింపు మరియు పరిమితులు. వ్యవసాయం. కోసం. మెటోరోల్. 198–199, 94–104. https://doi.org/10.1016/j. agroformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. అధిక రిజల్యూషన్ UAV థర్మల్ ఇమేజరీని ఉపయోగించడం
వాణిజ్య పండ్ల తోటలోని ఐదు పండ్ల చెట్ల జాతుల నీటి స్థితిలో వైవిధ్యాన్ని అంచనా వేయండి. ఖచ్చితమైన. వ్యవసాయం. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
గోయల్, కె., కుమార్, ఎస్., 2021. ఆర్థిక అక్షరాస్యత: ఒక క్రమబద్ధమైన సమీక్ష మరియు బైబిలియోమెట్రిక్ విశ్లేషణ. Int. J. కన్స్యూమర్ స్టడీస్ 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, ఎంగెల్, A., Teichert, B., 2008. అటవీ మరియు వ్యవసాయంలో తక్కువ ఖర్చుతో కూడిన uavs యొక్క ఫోటోగ్రామెట్రిక్ సంభావ్యత. ఇంటర్నేషనల్ ఆర్కైవ్స్ ఆఫ్ ది ఫోటోగ్రామెట్రీ, రిమోట్ సెన్సింగ్ మరియు స్పేషియల్ ఇన్ఫర్మేషన్ సైన్సెస్ – ISPRS ఆర్కైవ్స్ 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
గ్వాన్, ఎస్., ఫుకామి, కె., మత్సునాకా, హెచ్., ఓకామి, ఎం., తనకా, ఆర్., నకానో, హెచ్., సకై, టి., నకానో, కె., ఓహ్డాన్, హెచ్., తకహషి, కె., 2019. అధిక రిజల్యూషన్ యొక్క సహసంబంధాన్ని అంచనా వేయడం
ఎరువుల దరఖాస్తు స్థాయి మరియు చిన్న UAVలను ఉపయోగించి వరి మరియు గోధుమ పంటల దిగుబడితో NDVI. రిమోట్ సెన్సింగ్ 11 (2), 112.
గుండోల్ఫ్, K., ఫిల్సర్, M., 2013. నిర్వహణ పరిశోధన మరియు మతం: ఒక అనులేఖన విశ్లేషణ. J. బస్సు నీతి 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD అనుకరణ మరియు ప్రాదేశిక యొక్క ప్రయోగాత్మక ధృవీకరణ మరియు తాత్కాలిక పంపిణీలు
హోవర్లో ఉన్న క్వాడ్-రోటర్ వ్యవసాయ UAV యొక్క డౌన్వాష్ వాయుప్రసరణ. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
హఘిఘట్టలాబ్, A., గొంజాలెజ్ పెరెజ్, L., మోండల్, S., సింగ్, D., షిన్స్టాక్, D., రుట్కోస్కి, J., ఓర్టిజ్-మొనాస్టిరియో, I., సింగ్, RP, గూడిన్, D. , పోలాండ్, J., 2016.
పెద్ద గోధుమ పెంపకం నర్సరీల యొక్క అధిక నిర్గమాంశ సమలక్షణం కోసం మానవరహిత వైమానిక వ్యవస్థల అప్లికేషన్. మొక్కల పద్ధతులు 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. UAVల నుండి వర్ణపట ఇమేజింగ్ వివిధ ప్రకాశ పరిస్థితులలో . GG బిల్ R. (Ed.), ఇంటర్నేషనల్ ఆర్కైవ్స్ ఆఫ్ ది ఫోటోగ్రామెట్రీ, రిమోట్ సెన్సింగ్ మరియు స్పేషియల్ ఇన్ఫర్మేషన్ సైన్సెస్-ISPRS ఆర్కైవ్స్ (వాల్యూమ్. 40, ఇష్యూ 1W2, pp. 189–194). ఫోటోగ్రామెట్రీ మరియు రిమోట్ సెన్సింగ్ కోసం ఇంటర్నేషనల్ సొసైటీ. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
హామిల్టన్, SM, మోరిస్, RH, కార్వాల్హో, RC, రోడర్, N., బార్లో, P., మిల్స్, K., వాంగ్, L. మానవరహిత వైమానిక నుండి ద్వీప వృక్షాలను మ్యాపింగ్ చేయడానికి మూల్యాంకనం చేసే పద్ధతులు
వాహనం (UAV) చిత్రాలు: పిక్సెల్ వర్గీకరణ, దృశ్య వివరణ మరియు యంత్ర అభ్యాస విధానాలు. Int. J. Appl. భూమి అబ్స్. జియోఇన్ఎఫ్. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. బంగ్లాదేశ్లో బాధ్యతాయుతమైన నాయకత్వం ద్వారా స్మార్ట్ వ్యవసాయం: అవకాశాలు, అవకాశాలు మరియు అంతకు మించి.
సస్టైనబిలిటీ 13 (8), 4511.
హార్డిన్, PJ, హార్డిన్, TJ, 2010. పర్యావరణ పరిశోధనలో చిన్న-స్థాయి రిమోట్గా పైలట్ వాహనాలు. జియోగ్రఫీ కంపాస్ 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. పర్యావరణ రిమోట్ సెన్సింగ్లో చిన్న-స్థాయి మానవరహిత వైమానిక వాహనాలు: సవాళ్లు మరియు అవకాశాలు. GISci. రిమోట్ సెన్స్ 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. అగ్రికల్చరల్ ఇంటర్నెట్ ఆఫ్ థింగ్స్: టెక్నాలజీస్ అండ్ అప్లికేషన్స్, (1వ ఎడిషన్. 2021 ఎడిషన్). స్ప్రింగర్.
హెర్విట్జ్, SR, జాన్సన్, LF, డునాగన్, SE, హిగ్గిన్స్, RG, సుల్లివన్, DV, జెంగ్, J., లోబిట్జ్, BM, లెంగ్, JG, గాల్మేయర్, BA, అయోయాగి, M., స్లై, RE, బ్రాస్, JA, 2004.
మానవరహిత వైమానిక వాహనం నుండి ఇమేజింగ్: వ్యవసాయ నిఘా మరియు నిర్ణయ మద్దతు. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 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 ఆధారిత రిమోట్ సెన్సింగ్ ఉపయోగించి ఫీల్డ్ ప్లాట్ ట్రయల్స్లో గోధుమ మొక్కల ఎత్తు మరియు వృద్ధి రేటు యొక్క అధిక నిర్గమాంశ ఫీల్డ్ ఫినోటైపింగ్. రిమోట్ సెన్సింగ్ 8 (12). https://doi. org/10.3390/rs8121031.
Honkavaara, E., Saari, H., Kaivosoja, J., Pol ¨ onen, ¨ I., Hakala, T., Litkey, P., M¨kynen, J., Pesonen, L., 2013. ప్రాసెసింగ్ మరియు అసెస్మెంట్ ఖచ్చితమైన వ్యవసాయం కోసం తేలికపాటి UAV స్పెక్ట్రల్ కెమెరాను ఉపయోగించి సేకరించిన స్పెక్ట్రోమెట్రిక్, స్టీరియోస్కోపిక్ చిత్రాలు. రిమోట్ సెన్సింగ్ 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. తక్కువ ఎత్తులో ఉన్న మానవరహిత వైమానిక వాహనాల ఆధారిత ఇంటర్నెట్ సేవల సేవలు: సమగ్ర సర్వే మరియు భవిష్యత్తు దృక్కోణాలు. IEEE ఇంటర్నెట్ థింగ్స్ J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
హ్రబార్, S., సుఖత్మే, GS, కోర్కే, P., అషర్, K., రాబర్ట్స్, J., 2005. UAV కోసం అర్బన్ కాన్యన్స్ యొక్క కంబైన్డ్ ఆప్టిక్-ఫ్లో మరియు స్టీరియో-బేస్డ్ నావిగేషన్. లో: 2005 IEEE/RSJ
ఇంటర్నేషనల్ కాన్ఫరెన్స్ ఆన్ ఇంటెలిజెంట్ రోబోట్స్ అండ్ సిస్టమ్స్, pp. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. క్లౌడ్ ఫాగ్ కంప్యూటింగ్ కోసం సృజనాత్మక IoT వ్యవసాయ వేదిక. నిలబెట్టుకోండి. కంప్యూట్. Inf. సిస్ట్. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. మానవరహిత వైమానిక వాహనం యొక్క కలుపు మ్యాపింగ్ కోసం పూర్తిగా కన్వల్యూషనల్ నెట్వర్క్ ( UAV) చిత్రాలు. PLoS ONE 13 (4), e0196302.
హువాంగ్, హెచ్., లాన్, వై., యాంగ్, ఎ., జాంగ్, వై., వెన్, ఎస్., డెంగ్, జె., 2020. UAV చిత్రాల వీడ్ మ్యాపింగ్లో డీప్ లెర్నింగ్ వర్సెస్ ఆబ్జెక్ట్-బేస్డ్ ఇమేజ్ అనాలిసిస్ (OBIA). Int. జె.
రిమోట్ సెన్స్ 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
హువాంగ్, H., యాంగ్, A., టాంగ్, Y., జువాంగ్, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. క్రాప్ మానిటరింగ్లో UAV చిత్రాల కోసం డీప్ కలర్ కాలిబ్రేషన్
ప్రపంచ దృష్టికి స్థానికంగా అర్థ శైలి బదిలీని ఉపయోగించడం. Int. J. Appl. భూమి అబ్స్. జియోఇన్ఎఫ్. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
హువాంగ్, YB, థామ్సన్, SJ, హాఫ్మన్, WC, లాన్, YB, ఫ్రిట్జ్, BK, 2013. వ్యవసాయ ఉత్పత్తి కోసం మానవ రహిత వైమానిక వాహన సాంకేతికతల అభివృద్ధి మరియు అవకాశాలు
నిర్వహణ. Int. J. అగ్రిక్. బయోల్. ఇంజి. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. మానవరహిత వైమానిక వాహన వేదిక కోసం స్ప్రే వ్యవస్థ అభివృద్ధి. Appl. ఇంజి. వ్యవసాయం. 25 (6), 803–809.
హంట్ జూనియర్, ER, డీన్ హైవ్లీ, W., ఫుజికావా, SJ, లిండెన్, DS, డాటర్, CST, మెక్కార్టీ, GW, 2010. నుండి NIR-గ్రీన్-బ్లూ డిజిటల్ ఫోటోగ్రాఫ్ల సేకరణ
పంట పర్యవేక్షణ కోసం మానవ రహిత విమానం. రిమోట్ సెన్సింగ్ 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. స్మార్ట్ వ్యవసాయం కోసం పంటలు మరియు నేలలను శాటిలైట్- మరియు డ్రోన్ ఆధారిత రిమోట్ సెన్సింగ్-ఒక సమీక్ష. సాయిల్ సైన్స్. మొక్క నట్ర్. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
ఇస్లాం, N., రషీద్, MM, పసందిదే, F., రే, B., మూర్, S., Kadel, R., 2021. ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT) కోసం అప్లికేషన్లు మరియు కమ్యూనికేషన్ టెక్నాలజీల సమీక్ష మరియు
మానవరహిత వైమానిక వాహనం (UAV) ఆధారిత స్థిరమైన స్మార్ట్ వ్యవసాయం. సస్టైనబిలిటీ 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. గణించబడిన అధిక రిజల్యూషన్ డిజిటల్ ఉపరితల నమూనాల ఖచ్చితత్వాన్ని అంచనా వేయడం
PhotoScan® మరియు MicMac® సబ్-ఆప్టిమల్ సర్వే పరిస్థితుల్లో. రిమోట్ సెన్సింగ్ 8 (6), https://doi.org/10.3390/rs8060465.
జిమెనెజ్-బ్రెనెస్, FM, లోపెజ్-గ్రానాడోస్, ´ F., కాస్ట్రో, AI, టోర్రెస్-S´ anchez, J., Serrano, N., Pena, ˜ JM, 2017. ఆలివ్ ట్రీ ఆర్కిటెక్చర్ మరియు వార్షిక కత్తిరింపు ప్రభావాలను లెక్కించడం UAV-ఆధారిత 3D మోడలింగ్ని ఉపయోగించడం ద్వారా పందిరి పెరుగుదల. మొక్కల పద్ధతులు 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
జిన్, ఎక్స్., లియు, ఎస్., బారెట్, ఎఫ్., హెమెర్లే, ఎం., కోమర్, ఎ., 2017. చాలా తక్కువ ఎత్తులో ఉన్న UAV చిత్రాల నుండి ఉద్భవించిన గోధుమ పంటల మొక్కల సాంద్రత అంచనాలు. రిమోట్ సెన్స్.
పర్యావరణం. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
జిన్బో, సి., జియాంగ్లియాంగ్, సి., హాన్-చి, ఎఫ్., లామ్, ఎ., 2019. క్లౌడ్ కంప్యూటింగ్ మద్దతు ఉన్న వ్యవసాయ ఉత్పత్తి పర్యవేక్షణ వ్యవస్థ. క్లస్టర్ కంప్యూట్. 22 (4), 8929–8938.
జు, సి., & సన్, HI 2018a. వ్యవసాయంలో రిమోట్ సెన్సింగ్ కోసం బహుళ UAV వ్యవస్థల పనితీరు మూల్యాంకనం. IEEE ఇంటర్నేషనల్ కాన్ఫరెన్స్ ఆన్ రోబోటిక్స్ అండ్ ఆటోమేషన్ (ICRA), బ్రిస్బేన్, ఆస్ట్రేలియా, 21–26లో రోబోటిక్ విజన్ అండ్ యాక్షన్ ఇన్ అగ్రికల్చర్పై వర్క్షాప్ ప్రొసీడింగ్స్.
జు, సి., సన్, హెచ్ఐ, 2018బి. వ్యవసాయ అనువర్తనాల కోసం బహుళ UAV వ్యవస్థలు: నియంత్రణ, అమలు మరియు మూల్యాంకనం. ఎలక్ట్రానిక్స్ 7 (9), 162. https://doi.org/10.3390/
ఎలక్ట్రానిక్స్7090162.
జంగ్, J., Maeda, M., చాంగ్, A., భండారీ, M., ఆషాపురే, A., లాండివర్-బౌల్స్, J., 2021. రిమోట్ సెన్సింగ్ మరియు కృత్రిమ మేధస్సును మెరుగుపరచడానికి సాధనాలుగా
వ్యవసాయ ఉత్పత్తి వ్యవస్థల స్థితిస్థాపకత. కర్ర్. అభిప్రాయం. బయోటెక్నాల్. 70, 15–22. https://doi.org/10.1016/j.copbio.2020.09.003.
కాలిస్చుక్, M., పారేట్, ML, ఫ్రీమాన్, JH, రాజ్, D., డా సిల్వా, S., Eubanks, S., విగ్గిన్స్, DJ, లోల్లర్, M., మారోయిస్, JJ, మెల్లింగర్, HC, దాస్, J. , 2019. మెరుగైన క్రాప్ స్కౌటింగ్ టెక్నిక్, మానవరహిత వైమానిక వాహనం-సహాయక మల్టీస్పెక్ట్రల్ క్రాప్ ఇమేజింగ్ను పుచ్చకాయలో గమ్మీ స్టెమ్ బ్లైట్ కోసం సాంప్రదాయ స్కౌటింగ్ ప్రాక్టీస్లో చేర్చడం. ప్లాంట్ డిస్. 103 (7), 1642–1650.
కపూర్, KK, తమిళమణి, K., రానా, NP, పాటిల్, P., ద్వివేది, YK, నెరూర్, S., 2018. సోషల్ మీడియా పరిశోధనలో పురోగతి: గతం, వర్తమానం మరియు భవిష్యత్తు. తెలియజేయండి. సిస్ట్. ముందు. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: మల్టీస్పెక్ట్రల్ ఇమేజ్లు మరియు డెప్త్ మ్యాప్ ఆధారంగా వైన్ డిసీజ్ డిటెక్షన్ నెట్వర్క్. రిమోట్ సెన్సింగ్ 12 (20), 3305. https://doi. org/10.3390/rs12203305.
ఖలిక్, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. వైన్యార్డ్ కోసం ఉపగ్రహ మరియు UAV-ఆధారిత మల్టీస్పెక్ట్రల్ చిత్రాల పోలిక
వైవిధ్యం అంచనా. రిమోట్ సెన్సింగ్ 11 (4). https://doi.org/10.3390/rs11040436.
ఖాన్, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain అధునాతన లోతైన అభ్యాసాన్ని ఉపయోగించి ఆహార పరిశ్రమ 4.0 కోసం ఆప్టిమైజ్డ్ ప్రోవెన్స్ సిస్టమ్ను ప్రారంభించింది. సెన్సార్లు 20 (10), 2990.
ఖాన్, RU, ఖాన్, K., అల్బత్తా, W., Qamar, AM, ఉల్లా, F., 2021. మొక్కల వ్యాధుల చిత్ర-ఆధారిత గుర్తింపు: శాస్త్రీయ యంత్ర అభ్యాసం నుండి లోతైన అభ్యాస ప్రయాణం వరకు. వైర్లెస్ కమ్యూన్. మొబైల్ కంప్యూట్. 2021, 1–13.
ఖాన్, S., తుఫైల్, M., ఖాన్, MT, ఖాన్, ZA, ఇక్బాల్, J., Alam, M., Le, KNQ, 2021. UAV ఆధారిత పంట/కలుపు వర్గీకరణ కోసం ఒక నవల సెమీ-పర్యవేక్షించబడిన ఫ్రేమ్వర్క్. PLoS ONE 16 (5), e0251008.
ఖనాల్, S., ఫుల్టన్, J., షియరర్, S., 2017. ఖచ్చితమైన వ్యవసాయంలో థర్మల్ రిమోట్ సెన్సింగ్ యొక్క ప్రస్తుత మరియు సంభావ్య అనువర్తనాల యొక్క అవలోకనం. కంప్యూట్. ఎలక్ట్రాన్.
వ్యవసాయం. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
ఖన్నా, A., కౌర్, S., 2019. ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT) యొక్క పరిణామం మరియు ఖచ్చితమైన వ్యవసాయ రంగంలో దాని గణనీయమైన ప్రభావం. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 157, 218–231.
కిమ్, డబ్ల్యూ., ఖాన్, GF, వుడ్, J., మహమూద్, MT, 2016. స్థిరమైన సంస్థల కోసం ఉద్యోగి నిశ్చితార్థం: సోషల్ నెట్వర్క్ విశ్లేషణ మరియు బరస్ట్ ఉపయోగించి కీలకపద విశ్లేషణ
గుర్తింపు విధానం. సస్టైనబిలిటీ 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. ఇంటిగ్రేషన్ భూసంబంధమైన మరియు డ్రోన్-బోర్న్
ఎక్స్ప్లోరేషన్ మ్యాపింగ్ మరియు మైనింగ్ మానిటరింగ్ కోసం హైపర్స్పెక్ట్రల్ మరియు ఫోటోగ్రామెట్రిక్ సెన్సింగ్ పద్ధతులు. రిమోట్ సెన్సింగ్ 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. లోతైన అభ్యాసం మరియు UAV చిత్రాలను ఉపయోగించి మొక్కజొన్న మొక్కల లెక్కింపు. IEEE జియోస్కీ. రిమోట్ సెన్స్ లెట్. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. హైత్రూపుట్ ఇమేజ్ ఆధారిత ప్లాంట్ ఫినోటైపింగ్ కోసం ఆటోమేటెడ్ మెషిన్ లెర్నింగ్. రిమోట్ సెన్సింగ్ 13 (5), 858. https://
doi.org/10.3390/rs13050858.
కోవలేవ్, IV, వోరోషిలోవా, AA, 2020. కార్గో UAVల పర్యావరణ వ్యవస్థ అభివృద్ధిలో ఆధునిక సాంకేతిక పోకడలు. J. ఫిజికల్ conf. సెర్. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. మోనోక్యులర్ కెమెరాతో చిన్న డ్రోన్ని ఉపయోగించి ఇండోర్ పశువులు మరియు వ్యవసాయం కోసం విజువల్ SLAM: ఒక సాధ్యత అధ్యయనం.
డ్రోన్స్ 5 (2), 41. https://doi.org/10.3390/drones5020041.
కుల్బాకీ, M., సెగెన్, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. వ్యవసాయ ఆటోమేషన్ కోసం డ్రోన్ల సర్వే నాటడం నుండి
పంట. ఇన్: INES 2018 – IEEE 22వ ఇంటర్నేషనల్ కాన్ఫరెన్స్ ఆన్ ఇంటెలిజెంట్ ఇంజనీరింగ్ సిస్టమ్స్, pp. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT ఫ్రేమ్వర్క్ వీక్షణలు మరియు సవాళ్లు: డ్రోన్లను “థింగ్స్”గా రక్షించే దిశగా. సెన్సార్లు 18 (11), 4015. https://doi.org/10.3390/s18114015.
లాలిబెర్టే, AS, రాంగో, A., 2011. శుష్క ప్రదేశంలో మానవరహిత విమానంతో పొందిన సబ్-డెసిమీటర్ చిత్రాల విశ్లేషణ కోసం ఇమేజ్ ప్రాసెసింగ్ మరియు వర్గీకరణ విధానాలు
రేంజ్ ల్యాండ్స్. GISci. రిమోట్ సెన్స్ 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
లాలిబెర్టే, AS, రాంగో, A., హెరిక్, JE, 2007. రేంజ్ల్యాండ్ మ్యాపింగ్ మరియు పర్యవేక్షణ కోసం మానవరహిత వైమానిక వాహనాలు: రెండు వ్యవస్థల పోలిక. ASPRS వార్షిక కాన్ఫరెన్స్ ప్రొసీడింగ్స్.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. స్థానిక గడ్డి భూముల్లో కలుపు మొక్కల మ్యాపింగ్ కోసం ఓపెన్ సోర్స్ వర్క్ఫ్లో
మానవరహిత వైమానిక వాహనాన్ని ఉపయోగించడం: కేస్ స్టడీగా రుమెక్స్ అబ్టుసిఫోలియస్ని ఉపయోగించడం. యూరో. J. రిమోట్ సెన్స్ 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
లాంబెర్ట్, DM, లోవెన్బర్గ్-డీబోయర్, J., గ్రిఫిన్, TW, Peone, J., Payne, T., Daberkow, SG, 2004. దత్తత, లాభదాయకత మరియు ఖచ్చితమైన వ్యవసాయ డేటాను బాగా ఉపయోగించడం.
పనిచేసే పత్రము. పర్డ్యూ విశ్వవిద్యాలయం. https://doi.org/10.22004/ag.econ.28615.
లెలాంగ్, CCD, Burger, P., Jubelin, G., Roux, B., Labbe, S., Baret, F., 2008. చిన్న ప్లాట్లలో గోధుమ పంట యొక్క పరిమాణాత్మక పర్యవేక్షణ కోసం మానవరహిత వైమానిక వాహనాల చిత్రాల అంచనా. సెన్సార్లు 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
లి, సి., నియు, బి., 2020. బిగ్ డేటా మరియు ఇంటర్నెట్ ఆఫ్ థింగ్స్ ఆధారంగా స్మార్ట్ వ్యవసాయ రూపకల్పన. Int. J. డిస్ట్రిబ్. సెన్స్. నెట్. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. అధిక-రిజల్యూషన్ స్టీరియో చిత్రాలను ఉపయోగించి మొక్కజొన్న యొక్క పందిరి ఎత్తు మరియు భూగర్భ బయోమాస్ యొక్క రిమోట్ అంచనా తక్కువ ఖర్చుతో కూడిన మానవరహిత వైమానిక వాహన వ్యవస్థ. ఎకోల్. ఇండో. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
లియాకోస్, కెజి, బుసాటో, పి., మోషౌ, డి., పియర్సన్, ఎస్., బోచ్టిస్, డి., 2018. వ్యవసాయంలో మెషిన్ లెర్నింగ్: ఒక సమీక్ష. సెన్సార్లు 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. మొబైల్ మల్టీ-సెన్సార్ విధానంతో మొక్కజొన్న లక్షణాల రిమోట్, ఏరియల్ ఫినోటైపింగ్. మొక్కల పద్ధతులు 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. మానవరహిత వైమానిక వ్యవస్థ చిత్రాలు మరియు లోతైన అభ్యాసాన్ని ఉపయోగించి జొన్న పానికిల్ గుర్తింపు మరియు లెక్కింపు. ముందు. ప్లాంట్ సైన్స్. 11.
లియు, ఎస్., గువో, ఎల్., వెబ్, హెచ్., యా, ఎక్స్., చాంగ్, ఎక్స్., 2019. క్లౌడ్ కంప్యూటింగ్ ఆధారంగా ఆధునిక పర్యావరణ వ్యవసాయం యొక్క ఇంటర్నెట్ ఆఫ్ థింగ్స్ మానిటరింగ్ సిస్టమ్. IEEE యాక్సెస్ 7, 37050–37058.
Lopez-Granados, ´ F., 2011. సైట్-నిర్దిష్ట కలుపు నిర్వహణ కోసం కలుపు గుర్తింపు: మ్యాపింగ్ మరియు నిజ-సమయ విధానాలు. కలుపు రెస్. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
లోపెజ్-గ్రానడోస్, ´ ఎఫ్., టోర్రెస్-సాంచెజ్, ´ జె., డి కాస్ట్రో, ఎ.-ఐ., సెరానో-పెరెజ్, ఎ., మెసాస్కార్రాస్కోసా, ఎఫ్.-జె., పెనా, ˜ జె.-ఎమ్. , 2016. అధిక రిజల్యూషన్ UAV చిత్రాలను ఉపయోగించి గడ్డి పంటలో గడ్డి కలుపును ఆబ్జెక్ట్-ఆధారిత ముందస్తు పర్యవేక్షణ. అగ్రోన్. నిలబెట్టుకోండి. దేవ్. 36 (4), 1–12
లోపెజ్-గ్రానడోస్, ´ F., టోర్రెస్-S´ anchez, J., సెర్రానో-P´erez, A., డి కాస్ట్రో, AI, మెసాస్కారస్కోసా, F.-J., పెనా, ˜ J.-M., 2016. UAV సాంకేతికతను ఉపయోగించి సన్ఫ్లవర్లో ప్రారంభ సీజన్ కలుపు మ్యాపింగ్: కలుపు థ్రెషోల్డ్లకు వ్యతిరేకంగా హెర్బిసైడ్ ట్రీట్మెంట్ మ్యాప్ల వైవిధ్యం. ఖచ్చితమైన. వ్యవసాయం. 17 (2), 183–199.
లూసియర్, A., మాలెనోవ్స్కీ, Z., వెనెస్, T., వాలెస్, L., 2014. HyperUAS - మల్టీరోటర్ మానవరహిత విమాన వ్యవస్థ నుండి ఇమేజింగ్ స్పెక్ట్రోస్కోపీ. J. ఫీల్డ్ రాబ్. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kartinen, H., Kukko, A., Hyyppa, ¨ J., Hypp¨ a, H., Jaakkola, A., & క్లీమోలా, J., 2008. టెరెస్ట్రియల్ లేజర్ స్కానింగ్ వ్యవసాయ పంటలు. JJ లో
చెన్ J. మాస్ H–G. (Ed.), ఇంటర్నేషనల్ ఆర్కైవ్స్ ఆఫ్ ది ఫోటోగ్రామెట్రీ, రిమోట్ సెన్సింగ్ మరియు స్పేషియల్ ఇన్ఫర్మేషన్ సైన్సెస్-ISPRS ఆర్కైవ్స్ (వాల్యూమ్. 37, pp. 563–566).
ఫోటోగ్రామెట్రీ మరియు రిమోట్ సెన్సింగ్ కోసం ఇంటర్నేషనల్ సొసైటీ. 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. పర్యవేక్షించబడే వస్తువు ఆధారిత ల్యాండ్-కవర్ ఇమేజ్ వర్గీకరణ యొక్క సమీక్ష. ISPRS J. ఫోటోగ్రామ్. రిమోట్ సెన్స్ 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. ఖచ్చితమైన వ్యవసాయంలో మానవరహిత వైమానిక వాహనాలతో రిమోట్ సెన్సింగ్ కోసం దృక్కోణాలు. ట్రెండ్స్ ప్లాంట్ సైన్స్. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
మైమైతిజియాంగ్, ఎం., గులాం, ఎ., సిడికే, పి., హార్ట్లింగ్, ఎస్., మైమైటియిమింగ్, ఎం., పీటర్సన్, కె., షేవర్స్, ఇ., ఫిష్మన్, జె., పీటర్సన్, జె., కడం, ఎస్., బుర్కెన్, జె., ఫ్రిట్షి, ఎఫ్., 2017.
మానవరహిత వైమానిక వ్యవస్థ (UAS)-మల్టీ-సెన్సర్ డేటా ఫ్యూజన్ మరియు ఎక్స్ట్రీమ్ లెర్నింగ్ మెషీన్ని ఉపయోగించి సోయాబీన్ యొక్క ఆధారిత ఫినోటైపింగ్. ISPRS J. ఫోటోగ్రామ్. రిమోట్ సెన్స్ 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. మైమైతిజియాంగ్, M., సాగన్, V., సిడికే, P., డాలోయ్, AM, Erkbol, H., Fritschi, FB, 2020.
శాటిలైట్/UAV డేటా ఫ్యూజన్ మరియు మెషిన్ లెర్నింగ్ ఉపయోగించి క్రాప్ మానిటరింగ్. రిమోట్ సెన్సింగ్ 12 (9), 1357. https://doi.org/10.3390/rs12091357.
మాన్ఫ్రెడా, S., మెక్కేబ్, M., మిల్లర్, P., లూకాస్, R., పజులో మాడ్రిగల్, V., మల్లినిస్, G., బెన్ డోర్, E., హెల్మాన్, D., Estes, L., Ciraolo, G ., ముల్లెరోవా, ´ J., టౌరో, F., డి లిమా, M., డి
లిమా, J., మాల్టీస్, A., ఫ్రాన్సిస్, F., కేలర్, K., Kohv, M., పెర్క్స్, M., రూయిజ్-పెరెజ్, G., Su, Z., Vico, G., Toth , B., 2018. మానవరహిత వైమానిక వ్యవస్థల వినియోగంపై
పర్యావరణ పర్యవేక్షణ. రిమోట్ సెన్సింగ్ 10 (4), 641.
మారింకో, RA, 1998. ప్రవచనాలలో ఉమెన్స్ స్టడీస్ జర్నల్లకు అనులేఖనాలు, 1989 మరియు ది సీరియల్స్ లైబ్రేరియన్ 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
<span style="font-family: arial; ">10</span>
మస్రూర్, R., నయీమ్, M., ఎజాజ్, W., 2021. UAV-సహాయక వైర్లెస్ నెట్వర్క్లలో వనరుల నిర్వహణ: ఒక ఆప్టిమైజేషన్ దృక్పథం. తాత్కాలిక నెట్. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. మల్టీస్పెక్ట్రల్, థర్మల్ మరియు RGB హై రిజల్యూషన్ చిత్రాల ఆధారంగా మల్టీసెన్సర్ UAV ప్లాట్ఫారమ్ యొక్క ప్రాక్టికల్ అప్లికేషన్లు
ద్రాక్షసాగు. వ్యవసాయం 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. సాంప్రదాయ NDVI సూచికను దాటి, ఖచ్చితమైన ద్రాక్షపంటలో UAV యొక్క ప్రధాన స్రవంతి వినియోగానికి కీలక అంశం. సైన్స్ రెప్. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
మాటేస్, A., టోస్కానో, P., డి జెన్నారో, SF, జెనెసియో, L., Vacari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 UAV, ఎయిర్క్రాఫ్ట్ మధ్య పోలిక
మరియు ఖచ్చితత్వపు విటికల్చర్ కోసం శాటిలైట్ రిమోట్ సెన్సింగ్ ప్లాట్ఫారమ్లు. రిమోట్ సెన్సింగ్ 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. ఖచ్చితత్వం కోసం UAV మరియు మెషిన్ లెర్నింగ్ ఆధారిత శుద్ధీకరణ శాటిలైట్ ఆధారిత వృక్ష సూచిక
వ్యవసాయం. సెన్సార్లు 20 (9), 2530. https://doi.org/10.3390/s20092530.
మెక్కెయిన్, KW, 1990. మ్యాపింగ్ రచయితలు ఇన్ ఇంటెలెక్చువల్ స్పేస్: ఎ టెక్నికల్ ఓవర్వ్యూ. జె. ఆమ్. Soc. సమాచారం. సైన్స్ 41 (6), 433–443.
మీనెన్, BU, రాబిన్సన్, DT, 2021. అగ్రికల్చరల్ ఎరోషన్ మోడలింగ్: UAV టైమ్-సిరీస్ డేటాను ఉపయోగించి USLE మరియు WEPP ఫీల్డ్-స్కేల్ ఎరోషన్ అంచనాలను మూల్యాంకనం చేయడం. పర్యావరణం. మోడల్. సాఫ్ట్వేర్ 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
మెల్విల్లే, B., లూసీయర్, A., ఆర్యల్, J., 2019. హైపర్స్పెక్ట్రల్ అన్మ్యాన్డ్ ఎయిర్క్రాఫ్ట్ సిస్టమ్ (UAS) చిత్రాలను ఉపయోగించి లోతట్టు స్థానిక గడ్డి భూముల కమ్యూనిటీల వర్గీకరణ
టాస్మానియన్ మిడ్ల్యాండ్స్. డ్రోన్లు 3 (1), 5.
మెస్సినా, జి., మోడికా, జి., 2020. ఖచ్చితమైన వ్యవసాయంలో UAV థర్మల్ ఇమేజరీ అప్లికేషన్స్: స్టేట్ ఆఫ్ ది ఆర్ట్ మరియు ఫ్యూచర్ రీసెర్చ్ అవుట్లుక్. రిమోట్ సెన్సింగ్ 12 (9), https://doi.org/10.3390/rs12091491.
మిశ్రా, డి., లువో, జెడ్., జియాంగ్, ఎస్., పాపడోపౌలోస్, టి., దూబే, ఆర్., 2017. పెద్ద డేటాపై గ్రంథ పట్టిక అధ్యయనం: భావనలు, పోకడలు మరియు సవాళ్లు. వ్యాపార ప్రక్రియ నిర్వహణ. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. ఫీల్డ్ పరిస్థితులలో పొందిన జీవిత చక్ర డేటాసెట్లను ఉపయోగించి పంట మెరుగుదల. ముందు. ప్లాంట్ సైన్స్. 6 https://doi.org/10.3389/
fpls.2015.00740.
మొగిలి, UM.R., దీపక్, BBVL, 2018. ఖచ్చితమైన వ్యవసాయంలో డ్రోన్ సిస్టమ్ల అప్లికేషన్పై సమీక్ష. ప్రొసీడియా కంప్యూట్. సైన్స్ 133, 502–509.
మోహరానా, S., దత్తా, S., 2016. హైపర్స్పెక్ట్రల్ ఇమేజరీ నుండి బియ్యం యొక్క క్లోరోఫిల్ మరియు నైట్రోజన్ కంటెంట్ యొక్క ప్రాదేశిక వైవిధ్యం. ISPRS J. ఫోటోగ్రామ్. రిమోట్ సెన్స్ 122, 17–29.
ముయాంగ్ప్రతుబ్, జె., బూన్నమ్, ఎన్., కజోర్న్కాసిరత్, ఎస్., లెక్బాంగ్పాంగ్, ఎన్., వానిచ్సోంబాట్, ఎ.,
నిల్లూర్, పి., 2019. స్మార్ట్ ఫార్మ్ కోసం IoT మరియు వ్యవసాయ డేటా విశ్లేషణ. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 156, 467–474.
నాన్సెన్, సి., ఇలియట్, ఎన్., 2016. కీటకాలజీలో రిమోట్ సెన్సింగ్ మరియు రిఫ్లెక్టెన్స్ ప్రొఫైలింగ్. అన్నూ. రెవ. ఎంటోమోల్. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. వ్యవసాయంలో మల్టీస్పెక్ట్రల్ మ్యాపింగ్: అటానమస్ క్వాడ్కాప్టర్ UAVని ఉపయోగించి భూభాగం మొజాయిక్. Int. conf.
మానవరహిత విమాన వ్యవస్థ. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. డ్రోన్ విషయాల ఇంటర్నెట్ (Iodt): స్మార్ట్ డ్రోన్ల భవిష్యత్తు. అడ్వా. తెలివి. సిస్ట్. కంప్యూట్. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. మైక్రో UAV కోసం ఒక లైట్-వెయిట్ మల్టీస్పెక్ట్రల్ సెన్సార్—చాలా అధిక రిజల్యూషన్ ఎయిర్బోర్న్ రిమోట్ సెన్సింగ్ కోసం అవకాశాలు. Int. ఆర్చ్. ఫోటోగ్రామ్. రిమోట్ సెన్స్. Inf. సైన్స్ 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. వ్యవసాయంలో ఉద్భవిస్తున్న UAV అప్లికేషన్లు. ఇన్: 2019 రోబోట్ ఇంటెలిజెన్స్ టెక్నాలజీపై 7వ అంతర్జాతీయ సదస్సు మరియు
అప్లికేషన్స్ (RITA), pp. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
నెరూర్, SP, రషీద్, AA, నటరాజన్, V., 2008. ది ఇంటెలెక్చువల్ స్ట్రక్చర్ ఆఫ్ ది స్ట్రాటజిక్ మేనేజ్మెంట్ ఫీల్డ్: ఒక రచయిత కో-సైటేషన్ విశ్లేషణ. వ్యూహం. మానాగ్. J. 29 (3),
319-336.
న్యూపాన్, కె., బేసల్-గురెల్, ఎఫ్., 2021. మానవరహిత వైమానిక వాహనాలను ఉపయోగించి మొక్కల వ్యాధులను స్వయంచాలకంగా గుర్తించడం మరియు పర్యవేక్షించడం: ఒక సమీక్ష. రిమోట్ సెన్సింగ్ 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. 3D మ్యాపింగ్ అప్లికేషన్ల కోసం UAV: ఒక సమీక్ష. Appl. జియోమాటిక్స్ 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. ఖచ్చితమైన వ్యవసాయంలో చిన్న UAVలతో ఎవాపోట్రాన్స్పిరేషన్ అంచనా. సెన్సార్లు 20 (22), 6427. https://
doi.org/10.3390/s20226427.
ఒసరే, ఎఫ్., 1996. బిబ్లియోమెట్రిక్స్, సైటేషన్ అనాలిసిస్ మరియు కో-సైటేషన్ అనాలిసిస్. ఎ రివ్యూ ఆఫ్ లిటరేచర్ 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, సెన్సార్లు మరియు ఆగ్రోఫారెస్ట్రీలో డేటా ప్రాసెసింగ్: ఆచరణాత్మక అనువర్తనాల వైపు సమీక్ష. Int. J. రిమోట్ సెన్స్ 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
పాండే, US, ప్రతిహస్ట్, AK, ఆర్యల్, J., కాయస్థ, RB, 2020. తృణధాన్యాల పంటల కోసం డ్రోన్ ఆధారిత డేటా సొల్యూషన్లపై సమీక్ష. డ్రోన్స్ 4 (3), 1–29. https://doi.org/10.3390/
డ్రోన్స్ 4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. ఇమేజ్ ప్రాసెసింగ్ మరియు ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్ ఉపయోగించి నువ్వుల గింజల నూనె మరియు ప్రోటీన్ కంటెంట్ను అంచనా వేయడం. జె. ఆమ్. నూనె
రసాయన శాస్త్రవేత్తల Soc. 97 (7), 691–702.
పెనా, ˜ JM, టోర్రెస్-సాంచెజ్, J., డి కాస్ట్రో, AI, కెల్లీ, M., లోపెజ్-గ్రానాడోస్, ´ F., సువారెజ్, O., ఆబ్జెక్ట్-బేస్డ్ అనాలిసిస్ ఉపయోగించి ప్రారంభ-సీజన్ మొక్కజొన్న క్షేత్రాలలో కలుపు మ్యాపింగ్ యొక్క
మానవరహిత వైమానిక వాహనం (UAV) చిత్రాలు. PLoS ONE 8 (10), e77151.
పెరెజ్-ఓర్టిజ్, M., పెనా, ˜ JM, గుటిరెజ్, PA, టోర్రెస్-S´ anchez, J., హెర్వ్ అస్-మార్టినెజ్, C.,
Lopez-Granados, ´ F., 2015. మానవరహిత వైమానిక వాహనాలు మరియు క్రాప్ రో డిటెక్షన్ పద్ధతిని ఉపయోగించి పొద్దుతిరుగుడు పంటలలో కలుపు మ్యాపింగ్ కోసం సెమీ-పర్యవేక్షించబడిన వ్యవస్థ. Appl. సాఫ్ట్ కంప్యూట్. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. ఖచ్చితత్వ వ్యవసాయంలో బ్లాక్చెయిన్ ఆధారిత నీటి నిర్వహణ వ్యవస్థ కోసం విశ్వసనీయ డేటా మూలాధారాలుగా ఖర్చుతో కూడుకున్న IoT పరికరాలు. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. ఖచ్చితమైన వ్యవసాయంలో తెలివైన పర్యవేక్షణ కోసం అధునాతన UAV-WSN వ్యవస్థ. సెన్సార్లు 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. సరఫరా గొలుసులు, రవాణా మరియు లాజిస్టిక్స్లో బ్లాక్చెయిన్ అప్లికేషన్లు: సాహిత్యం యొక్క క్రమబద్ధమైన సమీక్ష. Int. J. ప్రోడ్. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. ఖచ్చితమైన వ్యవసాయం కోసం అనువైన మానవరహిత వైమానిక వాహనం.
ఖచ్చితమైన. వ్యవసాయం. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
ప్రిచర్డ్, A., 1969. స్టాటిస్టికల్ బిబ్లియోగ్రఫీ లేదా బిబ్లియోమెట్రిక్స్. J. పత్రం. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., బోర్జెక్కా-వాకర్, M., 2012. ప్రయోగాత్మక క్షేత్రాలు మరియు పంటల మూల్యాంకనం కోసం మానవరహిత వైమానిక వాహనం (UAV) యొక్క అనుకూలత. వ్యవసాయం 99 (4), 431–436.
పూరి, వి., నయ్యర్, ఎ., రాజా, ఎల్., 2017. అగ్రికల్చర్ డ్రోన్లు: ఖచ్చితమైన వ్యవసాయంలో ఆధునిక పురోగతి. J. స్టాటిస్. మానాగ్. సిస్ట్. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. ఖచ్చితమైన వ్యవసాయం కోసం UAV అప్లికేషన్ల సంకలనం. కంప్యూట్. నెట్. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
రమేష్, KV, రాకేష్, V., ప్రకాశ రావు, EVS, 2020. వ్యవసాయ పరిశోధనలో పెద్ద డేటా అనలిటిక్స్ మరియు కృత్రిమ మేధస్సు యొక్క అప్లికేషన్. భారతీయ J. అగ్రోన్. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. వ్యవసాయ మరియు అటవీ అధ్యయనాలలో మానవరహిత వైమానిక వాహనాల వినియోగంపై బైబిలియోమెట్రిక్ విశ్లేషణ. Int. J. రిమోట్ సెన్స్. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
రాస్ముస్సేన్, J., నీల్సన్, J., గార్సియా-రూయిజ్, F., క్రిస్టెన్సెన్, S., స్ట్రీబిగ్, JC, లోట్జ్, B., 2013.
కలుపు పరిశోధనలో చిన్న మానవరహిత విమాన వ్యవస్థల (UAS) సంభావ్య ఉపయోగాలు. కలుపు రెస్. 53 (4), 242–248.
రాస్ముస్సేన్, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., ఇవి కన్స్యూమర్-గ్రేడ్ కెమెరాల నుండి పొందబడిన వృక్ష సూచికలు
ప్రయోగాత్మక ప్లాట్లను అంచనా వేయడానికి UAVలు తగినంత విశ్వసనీయంగా ఉన్నాయా? యూరో. J. అగ్రోన్. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
రెజెబ్, ఎ., రెజెబ్, కె., అబ్దోల్లాహి, ఎ., జైలానీ, ఎస్., ఇరాన్మనేష్, ఎం., ఘోబఖ్లూ, ఎం., 2022. ఆహార సరఫరా గొలుసులలో డిజిటలైజేషన్: బైబిలియోమెట్రిక్ సమీక్ష మరియు కీ-మార్గం ప్రధాన మార్గం
విశ్లేషణ. సస్టైనబిలిటీ 14 (1), 83. https://doi.org/10.3390/su14010083.
రెజెబ్, ఎ., రెజెబ్, కె., సిమ్స్కే, ఎస్జె, ట్రెయిబ్ల్మేయర్, హెచ్., 2021ఎ. సరఫరా గొలుసు నిర్వహణ మరియు లాజిస్టిక్స్ కోసం డ్రోన్లు: సమీక్ష మరియు పరిశోధన ఎజెండా. Int. J. లాజిస్ట్. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
రెజెబ్, ఎ., రెజెబ్, కె., సిమ్స్కే, ఎస్., ట్రెయిబ్ల్మైయర్, హెచ్., 2021బి. లాజిస్టిక్స్ మరియు సప్లై చైన్ మేనేజ్మెంట్లో బ్లాక్చెయిన్ టెక్నాలజీస్: ఎ బిబ్లియోమెట్రిక్ రివ్యూ. లాజిస్టిక్స్ 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
రెజెబ్, ఎ., రెజెబ్, కె., సిమ్స్కే, ఎస్., ట్రెయిబ్ల్మేయర్, హెచ్., 2021 సి. హ్యుమానిటేరియన్ డ్రోన్స్: ఎ రివ్యూ అండ్ రీసెర్చ్ ఎజెండా. ఇంటర్నెట్ ఆఫ్ థింగ్స్ 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
రెజెబ్, ఎ., ట్రెయిబ్ల్మేయర్, హెచ్., రెజెబ్, కె., జైలానీ, ఎస్., 2021డి. హెల్త్కేర్లో బ్లాక్చెయిన్ పరిశోధన: ఒక బిబ్లియోమెట్రిక్ సమీక్ష మరియు ప్రస్తుత పరిశోధన పోకడలు. J. ఆఫ్ డేటా, Inf. మరియు
మానాగ్. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. సరఫరా గొలుసు నిర్వహణ మరియు లాజిస్టిక్స్లో ఇంటర్నెట్ ఆఫ్ థింగ్స్ పరిశోధన: ఒక బైబిలియోమెట్రిక్ విశ్లేషణ. అంతర్జాలం
విషయాలు 12, 100318.
నివేదికలింకర్, 2021. ఇయర్గ్లోబ్న్యూస్వైర్ న్యూస్ రూమ్ నాటికి గ్లోబల్ అగ్రికల్చర్ డ్రోన్ల మార్కెట్ US$15.2 బిలియన్లకు చేరుకుంటుంది. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- సంవత్సరం-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. అన్కూల్డ్ థర్మల్ కెమెరా కాలిబ్రేషన్ మరియు ఆప్టిమైజేషన్
వ్యవసాయంలో UAV అప్లికేషన్ల కోసం ఫోటోగ్రామెట్రీ ప్రక్రియ. సెన్సార్లు (స్విట్జర్లాండ్) 17 (10). https://doi.org/10.3390/s17102173.
రివెరా, MA, పిజామ్, A., 2015. ఆతిథ్య పరిశోధనలో పురోగతి: "రోడ్నీ డేంజర్ఫీల్డ్ నుండి అరేతా ఫ్రాంక్లిన్ వరకు". Int. J. సమకాలీనుడు. ఆసుపత్రి. మానాగ్. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
రోల్డాన్, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. గ్రీన్హౌస్లలో పర్యావరణ చరరాశులను కొలిచే మినీ-UAV ఆధారిత ఇంద్రియ వ్యవస్థ. సెన్సార్లు 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. వినియోగదారు-గ్రేడ్ UAV వాణిజ్య ఉల్లిపాయ క్షేత్రాలలో చివరి-సీజన్ కలుపు ప్రాదేశిక పంపిణీ నమూనాలను గుర్తించడం మరియు విశ్లేషించడం కోసం ఉపయోగించబడుతుంది. ఖచ్చితమైన. వ్యవసాయం. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
సారి, హెచ్., పెల్లిక్కా, ఐ., పెసోనెన్, ఎల్., టూమినెన్, ఎస్., హెక్కిలా, ¨ జె., హోల్మ్లండ్, సి., మాకినెన్, ¨ జె., ఓజాలా, కె., ఆంటిలా, టి., 2011. మానవరహిత వైమానిక వాహనం (UAV) అటవీ మరియు వ్యవసాయ అనువర్తనాల కోసం స్పెక్ట్రల్ కెమెరా వ్యవస్థను నిర్వహిస్తుంది. కొనసాగండి. SPIE - Int. Soc. ఎంపిక ఇంజి. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. డ్రోన్ లాజిస్టిక్లను అమలు చేయడానికి అడ్డంకుల విశ్లేషణ. Int. J. లాజిస్ట్. Res. Appl. 24 (6), 531–550. https://doi.org/10.1080/
<span style="font-family: arial; ">10</span>
వ్యవసాయ క్షేత్రంలో పంట నాణ్యతను మెరుగుపరచడానికి Saha, AK, Saha, J., Ray, R., Sircar, S., Datta, S., Chattopadhyay, SP, & Saha, HN, IOT ఆధారిత డ్రోన్. SH లో
N. చక్రబర్తి S. (Ed.), 2018 IEEE 8వ వార్షిక కంప్యూటింగ్ మరియు కమ్యూనికేషన్ వర్క్షాప్ మరియు కాన్ఫరెన్స్, CCWC 2018 (వాల్యూస్. 2018-జనవరి, పేజీలు. 612–615). ఇన్స్టిట్యూట్
ఎలక్ట్రికల్ మరియు ఎలక్ట్రానిక్స్ ఇంజినీర్స్ ఇంక్. doi: 10.1109/CCWC.2018.8301662.
సాయి వినీత్, KV, వర ప్రసాద్, YR, దూబే, SR, వెంకటరామన్, H., 2019. LEDCOM: ఖచ్చితమైన వ్యవసాయం కోసం ఒక నవల మరియు సమర్థవంతమైన LED ఆధారిత కమ్యూనికేషన్. IEEE కాన్ఫ్. సమాచారం. కమ్యూన్ సాంకేతికత. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
సలామీ, ఇ., బార్రాడో, సి., పాస్టర్, ఇ., 2014. UAV విమాన ప్రయోగాలు వృక్ష ప్రాంతాల రిమోట్ సెన్సింగ్కు వర్తింపజేయబడ్డాయి. రిమోట్ సెన్సింగ్ 6 (11), 11051–11081. https://doi.org/10.3390/rs61111051.
శంకరన్, S., ఖోట్, LR, ఎస్పినోజా, CZ, జరోల్మస్జెడ్, S., సతువల్లి, VR, వందేమార్క్, GJ, మిక్లాస్, PN, కార్టర్, AH, పంఫ్రే, MO, నోలెస్, NRN, పావెక్, MJ, 2015.
రో మరియు ఫీల్డ్ క్రాప్ ఫినోటైపింగ్ కోసం తక్కువ-ఎత్తు, అధిక-రిజల్యూషన్ ఏరియల్ ఇమేజింగ్ సిస్టమ్స్: ఒక సమీక్ష. యూరో. J. అగ్రోన్. 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. హై-రిజల్యూషన్ UAV-ఆధారిత థర్మల్ ఇమేజింగ్ అంచనా వేయడానికి
ద్రాక్షతోటలో మొక్కల నీటి స్థితి యొక్క తక్షణ మరియు కాలానుగుణ వైవిధ్యం. వ్యవసాయం. వాటర్ మేనేగ్. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
సర్లి, CC, డుబిన్స్కీ, EK, హోమ్స్, KL, 2010. బియాండ్ సైటేషన్ అనాలిసిస్: ఎ మోడల్ ఫర్ అసెస్మెంట్ ఆఫ్ రీసెర్చ్ ఇంపాక్ట్. J. మెడ్ లైబ్రరీ అసో. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
స్కేప్మాన్, ME, ఉస్టిన్, SL, ప్లాజా, AJ, పెయింటర్, TH, వెరెల్స్ట్, J., లియాంగ్, S., 2009. ఎర్త్ సిస్టమ్ సైన్స్ సంబంధిత ఇమేజింగ్ స్పెక్ట్రోస్కోపీ-ఒక అంచనా. రిమోట్ సెన్స్. ఎన్విరాన్. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. తక్కువ ధర UAVతో శీతాకాలపు గోధుమ పంటల వ్యవసాయ పారామితులను పర్యవేక్షించడం
ఊహాచిత్రాలు. రిమోట్ సెన్సింగ్ 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. పైన ఖచ్చితమైన ఏరోబయోలాజికల్ నమూనా కోసం స్వయంప్రతిపత్తమైన మానవరహిత వైమానిక వాహనం అభివృద్ధి మరియు అప్లికేషన్
వ్యవసాయ క్షేత్రాలు. J. ఫీల్డ్ రాబ్. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
షాడ్రిన్, డి., మెన్షికోవ్, ఎ., సోమోవ్, ఎ., బోర్నెమాన్, జి., హౌస్లేజ్, జె., ఫెడోరోవ్, ఎం.,
కృత్రిమ మేధస్సుతో ఎంబెడెడ్ సెన్సింగ్ ద్వారా ఖచ్చితమైన వ్యవసాయాన్ని ప్రారంభించడం. IEEE ట్రాన్స్. ఇన్స్ట్రమ్. మీస్. 69 (7), 4103–4113.
షాఖత్రే, హెచ్., సవాల్మే, ఏహెచ్, అల్-ఫుకాహా, ఎ., డౌ, జెడ్., అల్మైతా, ఇ., ఖలీల్, ఐ.,
ఒత్మాన్, NS, ఖ్రీషా, A., గుయిజానీ, M., 2019. మానవరహిత వైమానిక వాహనాలు (UAVలు): పౌర అనువర్తనాలు మరియు కీలక పరిశోధన సవాళ్లపై ఒక సర్వే. IEEE యాక్సెస్ 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
షకూర్, ఎన్., నార్త్రప్, డి., ముర్రే, ఎస్., మోక్లర్, TC, 2019. పెద్ద డేటా ఆధారిత వ్యవసాయం: మొక్కల పెంపకం, జన్యుశాస్త్రం మరియు రిమోట్ సెన్సింగ్ వినియోగంలో పెద్ద డేటా విశ్లేషణలు
పంట ఉత్పాదకతను పెంపొందించే సాంకేతికతలు. ప్లాంట్ ఫినోమ్ J. 2 (1), 1–8.
శర్మ, BK, చంద్ర, G., మిశ్రా, VP, 2019. ఫోరెన్సిక్ పరిశోధనలలో UAV మరియు AI యొక్క తులనాత్మక విశ్లేషణ మరియు తాత్పర్యం. ఇన్: ప్రొసీడింగ్స్ – 2019 అమిటీ ఇంటర్నేషనల్
కృత్రిమ మేధస్సుపై సమావేశం. https://doi.org/10.1109/AICAI.2019.8701407.
శర్మ, R., శిశోడియా, A., గుణశేఖరన్, A., Min, H., Munim, ZH, 2022. సరఫరా గొలుసు నిర్వహణలో కృత్రిమ మేధస్సు పాత్ర: భూభాగాన్ని మ్యాపింగ్ చేయడం. Int. జె.
ఉత్పత్తి Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
షి, Y., థామస్సన్, JA, ముర్రే, SC, పగ్, NA, రూనీ, WL, షఫియాన్, S., రాజన్, N., రౌజ్, G., మోర్గాన్, CLS, నీలీ, HL, రానా, A., బగవతిఅన్నన్ , MV,
హెన్రిక్సన్, J., బౌడెన్, E., Valasek, J., Olsenholler, J., బిషప్, MP, షెరిడాన్, R., పుట్మాన్, EB, పోపెస్కు, S., బర్క్స్, T., కోప్, D., ఇబ్రహీం, A., మక్కట్చెన్, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. హై-త్రూపుట్ ఫినోటైపింగ్ మరియు వ్యవసాయ పరిశోధన కోసం మానవరహిత వైమానిక వాహనాలు. PLoS వన్
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. మానవరహిత ఏరియల్ని ఉపయోగించి దిగుబడి-స్థిరత జోన్లలో మొక్కజొన్న స్టాండ్ వైవిధ్యతను సంగ్రహించడం
వాహనాలు (UAV). సెన్సార్లు 19 (20), 4446. https://doi.org/10.3390/s19204446.
స్మాల్, హెచ్., 1973. సైంటిఫిక్ లిటరేచర్లో కో-సైటేషన్: రెండు డాక్యుమెంట్ల మధ్య సంబంధం యొక్క కొత్త కొలత. జె. ఆమ్. Soc. సమాచారం. సైన్స్ 24 (4), 265–269.
స్మాల్, హెచ్., రోర్విగ్, ME, లునిన్, LF, 1999. సైటేషన్ మ్యాపింగ్ ద్వారా విజువలైజింగ్ సైన్స్. జె. ఆమ్. Soc. సమాచారం. సైన్స్ 50 (9), 799–813.
సోరెస్, VHA, పొంటి, MA, గొన్వాల్వ్స్, RA, కాంపెల్లో, RJGB, 2021. పెద్ద పచ్చిక బయళ్లలో జియోలొకేట్ చేయబడిన వైమానిక చిత్రాలతో అడవిలో పశువుల లెక్కింపు. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
శ్రీవాస్తవ, కె., పాండే, PC, శర్మ, JK, 2020. UAVలను ఉపయోగించి ఖచ్చితమైన వ్యవసాయం యొక్క అప్లికేషన్లలో రూట్ ఆప్టిమైజేషన్ కోసం ఒక విధానం. డ్రోన్స్ 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
స్టాఫోర్డ్, JV, 2000. 21వ శతాబ్దంలో ఖచ్చితమైన వ్యవసాయాన్ని అమలు చేయడం. J. అగ్రిక్. ఇంజి. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. మానవరహిత వైమానిక వాహనాన్ని ఉపయోగించి రిమోట్ సెన్సింగ్ చిత్రాల ద్వారా గోధుమ కరువు అంచనా. 2018లో 37వ చైనీస్ కంట్రోల్ కాన్ఫరెన్స్ (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. మల్టీస్పెక్ట్రల్ UAV వైమానిక చిత్రాల నుండి నేర్చుకోవడం ద్వారా గోధుమ పసుపు రస్ట్ పర్యవేక్షణ.
కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
సు, వై., వాంగ్, ఎక్స్., 2021. పెద్ద డేటా ద్వారా స్మార్ట్ వ్యవసాయాన్ని నిర్మించే ప్రక్రియలో వ్యవసాయ ఆర్థిక నిర్వహణ యొక్క ఆవిష్కరణ. సస్టైనబుల్ కంప్యూట్. Inf. సిస్ట్. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
సుల్లివన్, DG, ఫుల్టన్, JP, షా, JN, బ్లాండ్, GL, 2007. కాటన్ పందిరిలో నీటి ఒత్తిడిని గుర్తించడానికి మానవరహిత ఉష్ణ పరారుణ వైమానిక వ్యవస్థ యొక్క సున్నితత్వాన్ని మూల్యాంకనం చేయడం. ట్రాన్స్. ASABE 50 (6), 1955–1962.
సుమేష్, KC, Ninsawat, S., Som-ard, J., 2021. మానవరహిత వైమానిక వాహనాన్ని ఉపయోగించి చెరకు దిగుబడి అంచనా కోసం RGB-ఆధారిత వృక్షసంపద సూచిక, పంట ఉపరితల నమూనా మరియు వస్తువు-ఆధారిత చిత్ర విశ్లేషణ విధానం యొక్క ఏకీకరణ. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 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. లైట్ వెయిట్ హైపర్స్పెక్ట్రల్ మ్యాపింగ్ సిస్టమ్
మానవరహిత వైమానిక వాహనాలు-మొదటి ఫలితాలు. ఇన్: 2013 హైపర్స్పెక్ట్రల్ ఇమేజ్ మరియు సిగ్నల్ ప్రాసెసింగ్పై 5వ వర్క్షాప్: ఎవల్యూషన్ ఇన్ రిమోట్ సెన్సింగ్ (WHISPERS), pp. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
సుయోమలైనెన్, J., ఆండర్స్, N., ఇక్బాల్, S., రోరింక్, G., ఫ్రాంకే, J., వెంటింగ్, P., Hünniger, D., Bartholomeus, H., బెకర్, R., Kooistra, L., 2014. తేలికపాటి హైపర్స్పెక్ట్రల్
మానవరహిత వైమానిక వాహనాల కోసం మ్యాపింగ్ సిస్టమ్ మరియు ఫోటోగ్రామెట్రిక్ ప్రాసెసింగ్ చైన్. రిమోట్ సెన్సింగ్ 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. వ్యవసాయంలో ఇమేజ్ ప్రాసెసింగ్, UAV మరియు AI ఉపయోగించి ముందస్తు నియంత్రణ వ్యూహాలు: ఒక సమీక్ష. వరల్డ్ J. ఇంజి. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
తహై, A., రిగ్స్బీ, JT, 1998. అకౌంటింగ్లో జర్నల్ ప్రభావాన్ని పరిశోధించడానికి అనులేఖనాలను ఉపయోగించి సమాచార ప్రాసెసింగ్. Inf. ప్రక్రియ. నిర్వహించడానికి. 34 (2–3), 341–359.
టాంగ్, Y., దనంజయన్, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. 5G నెట్వర్క్పై సర్వే మరియు వ్యవసాయంపై దాని ప్రభావం: సవాళ్లు మరియు అవకాశాలు. కంప్యూట్.
ఎలక్ట్రాన్. వ్యవసాయం. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. ఖచ్చితమైన వ్యవసాయంలో డేటా-ఆధారిత నిర్ణయం తీసుకోవడం: వ్యవసాయ వ్యవస్థలలో పెద్ద డేటా పెరుగుదల. J. అగ్రిక్. ఆహార సమాచారం.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. UAVని ఉపయోగించి శీతాకాలపు గోధుమ దిగుబడి మరియు మొక్కల ఎత్తు అంచనా- ఆధారిత హైపర్స్పెక్ట్రల్ చిత్రాలు.
సెన్సార్లు 20 (4), 1231.
టెక్కీ, L., Schmale III, DG, వూల్సే, CA, 2010. రెండు స్వయంప్రతిపత్త మానవరహిత వైమానిక వాహనాలను ఉపయోగించి దిగువ వాతావరణంలో మొక్కల వ్యాధికారక యొక్క సమన్వయ ఏరోబయోలాజికల్ నమూనా. J. ఫీల్డ్ రాబ్. 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. లోతైన అభ్యాసాన్ని ఉపయోగించి సోయాబీన్ తెగుళ్లను గుర్తించడం మరియు వర్గీకరించడం
UAV చిత్రాలతో. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. టాంజానియాలోని AN వెట్ల్యాండ్లో వ్యవసాయ వ్యవస్థలను అంచనా వేయడానికి Uas యొక్క ఉపయోగం మరియు సస్టైనబుల్ అగ్రికల్చర్ కోసం వెట్ సీజన్ మరియు టెర్రా-సార్ X డేటా కోసం గ్రౌండ్ ట్రూత్ అందించడం. ఇన్: ISPRS – ఇంటర్నేషనల్ ఆర్కైవ్స్ ఆఫ్ ది ఫోటోగ్రామెట్రీ, రిమోట్ సెన్సింగ్ మరియు స్పేషియల్ ఇన్ఫర్మేషన్ సైన్సెస్, pp. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
తెల్వాల్, M., 2008. బైబ్లియోమెట్రిక్స్ టు వెబ్మెట్రిక్స్. J. సమాచారం. సైన్స్ 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. UAV చిత్రాలలో సరైన థ్రెషోల్డింగ్ కోసం ఆటోమేటిక్ ఆబ్జెక్ట్-బేస్డ్ మెథడ్: హెర్బాషియస్ క్రాప్లలో వృక్షసంపద గుర్తింపు కోసం అప్లికేషన్. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 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. వ్యవసాయ-చెట్టు తోటల యొక్క అధిక-నిర్గమాంశ 3-D పర్యవేక్షణ మానవరహిత వైమానిక వాహనం (UAV) సాంకేతికత. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, F., 2014. UAV నుండి చిత్రాలను ఉపయోగించి ప్రారంభ-సీజన్ గోధుమ క్షేత్రాలలో వృక్ష భిన్నం యొక్క బహుళ-తాత్కాలిక మ్యాపింగ్. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. ఖచ్చితమైన వ్యవసాయం కోసం UAV-ఆధారిత అప్లికేషన్లపై సమీక్ష. సమాచారం (స్విట్జర్లాండ్) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. హార్టికల్చరల్ ట్రీ క్రాప్ స్ట్రక్చర్ను కొలవడానికి డ్రోన్ ఫ్లైట్ ప్లానింగ్ని ఆప్టిమైజ్ చేయడం. ISPRS J. ఫోటోగ్రామ్.
రిమోట్ సెన్స్ 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. వ్యవసాయంలో ఇంటర్నెట్ ఆఫ్ థింగ్స్, ఇటీవలి పురోగతి మరియు భవిష్యత్తు సవాళ్లు. బయోసిస్ట్. ఇంజి. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
ఉద్దీన్, A., సింగ్, VK, పింటో, D., ఓల్మోస్, I., 2015. మెక్సికోలో కంప్యూటర్ సైన్స్ పరిశోధన యొక్క సైంటోమెట్రిక్ మ్యాపింగ్. సైంటోమెట్రిక్స్ 105 (1), 97–114.
UN., 2019. ప్రపంచ జనాభా అవకాశాలు 2019. https://population.un.org/wpp/ (15/04/2022న యాక్సెస్ చేయబడింది).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. UAV మౌంటెడ్ మినియేచర్ హైపర్స్పెక్ట్రల్ సెన్సార్ సిస్టమ్ ద్వారా వరి పైరుల లక్షణం. IEEE J. సెల్. టాప్. Appl. భూమి అబ్స్.
రిమోట్ సెన్స్. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. వాన్ డెర్ మెర్వే, డి., బర్చ్ఫీల్డ్, డిఆర్, విట్, టిడి, ప్రైస్, కెపి, శారదా, ఎ., 2020. డ్రోన్స్ ఇన్
వ్యవసాయం. అడ్వా. అగ్రోన్. 162, 1–30.
వేలుసామి, P., రాజేంద్రన్, S., మహేంద్రన్, RK, నసీర్, S., షఫీక్, M., చోయి, J.-G., 2022.
ఖచ్చితమైన వ్యవసాయంలో మానవరహిత వైమానిక వాహనాలు (UAV): అప్లికేషన్లు మరియు సవాళ్లు. ఎనర్జీలు 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. మానవరహిత ఏరియల్ని ఉపయోగించి పర్యావరణపరంగా సున్నితమైన సముద్ర ఆవాసాల మ్యాపింగ్ మరియు వర్గీకరణ
వాహనం (UAV) ఇమేజరీ మరియు ఆబ్జెక్ట్-బేస్డ్ ఇమేజ్ అనాలిసిస్ (OBIA). రిమోట్ సెన్సింగ్ 10 (9), 1331. https://doi.org/10.3390/rs10091331.
వెర్గెర్, ఎ., విగ్నేయు, ఎన్., ఛెరాన్, సి., గిల్లియోట్, జె.-ఎమ్., కోమర్, ఎ., బారెట్, ఎఫ్., 2014. గోధుమ మరియు రాప్సీడ్ పంటలపై మానవరహిత వైమానిక వ్యవస్థ నుండి గ్రీన్ ఏరియా ఇండెక్స్ . రిమోట్ సెన్స్. ఎన్విరాన్. 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. గడ్డి భూములపై నాలుగు ఆప్టికల్ UAV-ఆధారిత సెన్సార్లను అమలు చేయడం: సవాళ్లు మరియు
పరిమితులు. బయోజియోసైన్సెస్ 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
వురాన్, MC, సలామ్, A., వాంగ్, R., ఇర్మాక్, S., 2018. ఖచ్చితమైన వ్యవసాయంలో భూగర్భ విషయాల ఇంటర్నెట్: ఆర్కిటెక్చర్ మరియు సాంకేతిక అంశాలు. తాత్కాలిక నెట్. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. డిజిటల్ ఆరోగ్యం కోసం ఒక రహస్య అంశంగా బాధ్యతాయుతమైన కృత్రిమ మేధస్సు: బైబిలియోమెట్రిక్ విశ్లేషణ, అంతర్దృష్టులు మరియు పరిశోధన దిశలు.
సమాచారం. సిస్ట్. ముందు. 1–16.
వాంగ్, ఎల్., జాంగ్, జి., వాంగ్, జెడ్., లియు, జె., షాంగ్, జె., లియాంగ్, ఎల్., 2019. పంట పెరుగుదల పర్యవేక్షణలో రిమోట్ సెన్సింగ్ పరిశోధన ధోరణికి సంబంధించిన బైబిలియోమెట్రిక్ విశ్లేషణ: చైనాలో ఒక కేస్ స్టడీ. రిమోట్ సెన్సింగ్ 11 (7). https://doi.org/10.3390/rs11070809.
వైట్, HD, గ్రిఫిత్, BC, 1981. రచయిత కోసిటేషన్: మేధోపరమైన నిర్మాణం యొక్క సాహిత్యం. జె. ఆమ్. Soc. సమాచారం. సైన్స్ 32 (3), 163–171.
జియాంగ్, హెచ్., టియాన్, ఎల్., 2011. స్వయంప్రతిపత్త మానవరహిత వైమానిక వాహనం (UAV) ఆధారంగా తక్కువ-ధర వ్యవసాయ రిమోట్ సెన్సింగ్ సిస్టమ్ అభివృద్ధి. బయోసిస్ట్. ఇంజి. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. UAV ఆధారిత సెన్సార్లను ఉపయోగించి ప్లాంట్ హై-త్రూపుట్ ఫినోటైపింగ్ లక్షణాలపై సమీక్ష. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. రిమోట్ సెన్సింగ్ అప్లికేషన్ల కోసం మానవరహిత వైమానిక వాహనం-ఒక సమీక్ష. రిమోట్ సెన్సింగ్ 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. మల్టీరోటర్ ద్వారా ఇన్ఫ్రారెడ్ థర్మల్ ఇమేజింగ్తో వ్యక్తులను ట్రాకింగ్ చేయడం మరియు తప్పుడు ట్రాక్ తొలగించడం. డ్రోన్స్ 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. చిత్రాలను ఉపయోగించి పంట పారామితుల అంచనా పోలిక UAV-మౌంటెడ్ నుండి
స్నాప్షాట్ హైపర్స్పెక్ట్రల్ సెన్సార్ మరియు హై-డెఫినిషన్ డిజిటల్ కెమెరా. రిమోట్ సెన్సింగ్ 10 (7), 1138. https://doi.org/10.3390/rs10071138.
యు, జె., యాంగ్, జి., లి, సి., లి, జెడ్., వాంగ్, వై., ఫెంగ్, హెచ్., జు, బి., 2017. మానవరహిత వైమానిక వాహనాన్ని ఉపయోగించి శీతాకాలపు గోధుమల పైన-గ్రౌండ్ బయోమాస్ అంచనా- ఆధారిత స్నాప్షాట్
హైపర్స్పెక్ట్రల్ సెన్సార్ మరియు క్రాప్ ఎత్తు మెరుగైన నమూనాలు. రిమోట్ సెన్సింగ్ 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. ఉష్ణమండల అటవీ పునరుద్ధరణను పర్యవేక్షించడానికి తేలికపాటి మానవరహిత వైమానిక వాహనాలను ఉపయోగించడం. బయోల్.
పరిరక్షించు. 186, 287–295. https://doi.org/10.1016/j.biocon.2015.03.031. జామోరా-ఇజ్క్విర్డో, MA, శాంటా, J., మార్టినెజ్, JA, మార్టినెజ్, V., స్కర్మెటా, AF, 2019.
ఎడ్జ్ మరియు క్లౌడ్ కంప్యూటింగ్ ఆధారంగా స్మార్ట్ ఫార్మింగ్ IoT ప్లాట్ఫారమ్. బయోసిస్ట్. ఇంజి. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. మానవరహిత వైమానికం నుండి పొందిన అధిక రిజల్యూషన్ చిత్రాలను ఉపయోగించి చెట్టు ఎత్తు పరిమాణం
వాహనం (UAV) మరియు ఆటోమేటిక్ 3D ఫోటో-పునర్నిర్మాణ పద్ధతులు. యూరో. J. అగ్రోన్. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
జాంగ్, సి., క్రైన్, WA, మెక్గీ, RJ, వందేమార్క్, GJ, డేవిస్, JB, బ్రౌన్, J., హుల్బర్ట్, SH, శంకరన్, S., 2020. కూల్సీజన్ పంటలలో పుష్పించే తీవ్రత యొక్క చిత్ర-ఆధారిత సమలక్షణం. సెన్సార్లు 20 (5), 1450. https://doi.org/10.3390/s20051450.
జాంగ్, సి., కోవాక్స్, JM, 2012. ఖచ్చితమైన వ్యవసాయం కోసం చిన్న మానవరహిత వైమానిక వ్యవస్థల అప్లికేషన్: ఒక సమీక్ష. ఖచ్చితమైన. వ్యవసాయం. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
జాంగ్, ఎల్., జాంగ్, హెచ్., నియు, వై., హాన్, డబ్ల్యూ., 2019. UAV మల్టీస్పెక్ట్రల్ రిమోట్ సెన్సింగ్ ఆధారంగా మొక్కజొన్న నీటి ఒత్తిడిని మ్యాపింగ్ చేయడం. రిమోట్ సెన్సింగ్ 11 (6), 605.
జాంగ్, ఎక్స్., హాన్, ఎల్., డాంగ్, వై., షి, వై., హువాంగ్, డబ్ల్యూ., హాన్, ఎల్., గొంజ్ అలెజ్-మోరెనో, పి., మా, హెచ్., యే, హెచ్., సోబీహ్ , T., 2019. స్వయంచాలక పసుపు రస్ట్ కోసం లోతైన అభ్యాస-ఆధారిత విధానం
హై-రిజల్యూషన్ హైపర్స్పెక్ట్రల్ UAV చిత్రాల నుండి వ్యాధిని గుర్తించడం. రిమోట్ సెన్సింగ్ 11 (13), 1554.
జావో, ఎక్స్., జాంగ్, జె., హువాంగ్, వై., టియాన్, వై., యువాన్, ఎల్., 2022. వేవ్లెట్ విశ్లేషణతో కలిపి హైపర్స్పెక్ట్రల్ ఇమేజింగ్ని ఉపయోగించి టీ మొక్కల వ్యాధి మరియు కీటకాల ఒత్తిడిని గుర్తించడం మరియు వివక్ష చూపడం. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
జెంగ్, ఎ., వాంగ్, ఎం., లి, సి., టాంగ్, జె., లువో, బి., 2022. ఏరియల్ ఇమేజ్ సెమాంటిక్ సెగ్మెంటేషన్ కోసం ఎంట్రోపీ గైడెడ్ అడ్వర్సరియల్ డొమైన్ అడాప్టేషన్. IEEE ట్రాన్స్. జి
జెంగ్, హెచ్., చెంగ్, టి., యావో, ఎక్స్., డెంగ్, ఎక్స్., టియాన్, వై., కావో, డబ్ల్యూ., ఝు, వై., 2016. భూమి-ఆధారిత స్పెక్ట్రల్ యొక్క సమయ శ్రేణి విశ్లేషణ ద్వారా బియ్యం ఫినాలజీని గుర్తించడం సూచిక డేటా. ఫీల్డ్ క్రాప్స్ రె. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
జెంగ్, జె., యాంగ్, డబ్ల్యూ., 2018. వైర్లెస్ సెన్సార్ల ఆధారంగా ఖచ్చితమైన వ్యవసాయ లీకేజ్ సీడింగ్ సిస్టమ్ రూపకల్పన. Int. J. ఆన్లైన్ ఇంజి. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. UAV-LiDAR డేటాను ఉపయోగించి మొక్కజొన్న మొక్క ఎత్తు మార్పుల విశ్లేషణ. వ్యవసాయం 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. మొక్కజొన్న-IAS: హై-త్రూపుట్ ప్లాంట్ ఫినోటైపింగ్ కోసం లోతైన అభ్యాసాన్ని ఉపయోగించే మొక్కజొన్న చిత్ర విశ్లేషణ సాఫ్ట్వేర్ . మొక్కల పద్ధతులు 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. ధాన్యం దిగుబడిని అంచనా వేయడం బహుళ-తాత్కాలిక వృక్షాలను ఉపయోగించి బియ్యం
UAV-ఆధారిత మల్టీస్పెక్ట్రల్ మరియు డిజిటల్ ఇమేజరీ నుండి సూచికలు. ISPRS J. ఫోటోగ్రామ్. రిమోట్ సెన్స్ 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. వైర్లెస్ సెన్సార్ నెట్వర్క్ ఆధారంగా గ్రీన్హౌస్ మానిటరింగ్ సిస్టమ్ యొక్క ప్రధాన సాంకేతికత యొక్క అనుకరణ. Int. J. ఆన్లైన్ ఇంజి. 12 (05),
<span style="font-family: arial; ">10</span>
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. ఖచ్చితమైన వ్యవసాయంలో ఇన్ఫ్రారెడ్ థర్మల్ ఇమేజరీతో పంట నీటి ఒత్తిడికి అంచనా: సమీక్ష
మరియు లోతైన అభ్యాస అనువర్తనాలకు భవిష్యత్తు అవకాశాలు. కంప్యూట్. ఎలక్ట్రాన్. వ్యవసాయం. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.