अब्देरहमान रेजेब a , अलिरेजा अब्दुल्लाही b , करिम रेजेब c , होर्स्ट ट्रेब्लमायर d,
- a व्यवस्थापन र कानून विभाग, अर्थशास्त्र संकाय, रोम टोर भरगाटा विश्वविद्यालय, कोलम्बिया, 2, रोम 00133, इटाली
- b व्यवसाय प्रशासन विभाग, व्यवस्थापन संकाय, Kharazmi विश्वविद्यालय, 1599964511 तेहरान, इरान
- c Bizerte को विज्ञान संकाय, Carthage विश्वविद्यालय, Zarzouna, 7021 Bizerte, Tunisia
- d स्कूल अफ इन्टरनेशनल म्यानेजमेन्ट, मोडुल युनिभर्सिटी भियना, एम काहलेनबर्ग १, ११९० भियना, अस्ट्रिया
लेख जानकारी | ABSTRACT |
कीवर्ड: ड्रोन UAV सटीक कृषि कुराको इन्टरनेट Bibliometrics | मानवरहित एरियल भेइकल (UAV) पनि भनिने ड्रोनले हालैका दशकहरूमा उल्लेखनीय विकास देखेको छ। कृषिमा, उनीहरूले किसानहरूलाई पर्याप्त लागत बचत, वृद्धि प्रदान गरेर खेती गर्ने अभ्यासहरू परिवर्तन गरेका छन् परिचालन दक्षता, र राम्रो लाभप्रदता। विगतका दशकहरूमा, कृषि ड्रोनको विषय छ उल्लेखनीय शैक्षिक ध्यान आकर्षित। यसैले हामी bibliometrics मा आधारित एक व्यापक समीक्षा सञ्चालन गर्छौं अवस्थित शैक्षिक साहित्यलाई संक्षेप र संरचना गर्न र वर्तमान अनुसन्धान प्रवृत्तिहरू र हटस्पटहरू प्रकट गर्न। हामी बिब्लियोमेट्रिक प्रविधिहरू लागू गर्नुहोस् र कृषि ड्रोन वरपरका साहित्यहरूको विश्लेषण गर्नुहोस् र संक्षिप्त रूपमा अघिल्लो अनुसन्धान मूल्याङ्कन। हाम्रो विश्लेषणले संकेत गर्छ कि रिमोट सेन्सिङ, सटीक कृषि, गहिरो शिक्षा, मेसिन लर्निङ, र चीजहरूको इन्टरनेट कृषि ड्रोनसँग सम्बन्धित महत्वपूर्ण विषयहरू हुन्। सह-उद्धरण विश्लेषणले साहित्यमा छवटा व्यापक अनुसन्धान क्लस्टरहरू प्रकट गर्दछ। यो अध्ययन कृषिमा ड्रोन अनुसन्धानलाई संक्षेपमा प्रस्तुत गर्ने र भविष्यका अनुसन्धान दिशाहरू सुझाव गर्ने पहिलो प्रयास हो। |
परिचय
कृषिले विश्वको प्राथमिक खाद्य स्रोतको प्रतिनिधित्व गर्दछ (Friha et al., 2021), र यसले गम्भीर चुनौतीहरूको सामना गरिरहेको छ।
खाद्य उत्पादनको बढ्दो माग, खाद्य सुरक्षा र सुरक्षा सरोकारका साथै वातावरण संरक्षण, पानी संरक्षण र
स्थिरता (Inoue, 2020)। सन् २०५० सम्ममा विश्वको जनसंख्या ९.७ बिलियन पुग्ने अनुमान गरिएकोले यो विकास जारी रहने अनुमान गरिएको छ ।
(२०१९)। कृषिले विश्वव्यापी रूपमा पानी खपतको सबैभन्दा प्रख्यात उदाहरण हो, यसले खाद्यान्नको माग र पानीको अपेक्षा गरेको छ।
निकट भविष्यमा खपत नाटकीय रूपमा वृद्धि हुनेछ। साथै, मल र विषादीको खपत बढ्दै गएको छ
कृषि क्रियाकलापको तीव्रतासँगै भविष्यमा वातावरणीय चुनौतीहरू निम्त्याउन सक्छ। त्यसैगरी, खेतीयोग्य जमिन सीमित छ, र
विश्वभर किसानको संख्या घट्दै गएको छ । यी चुनौतीहरूले नवीन र दिगो कृषि समाधानहरूको आवश्यकतालाई जोड दिन्छ (एलिया
et al।, 2018; फ्रिहा एट अल।, २०२१; Inoue, 2021; Tzounis et al।, 2020)।
यी चुनौतिहरूलाई सम्बोधन गर्न उपन्यास प्रविधिहरू समावेश गर्ने एक आशाजनक समाधानको रूपमा पहिचान गरिएको छ। स्मार्ट खेती (Brewster et al.,
2017; Tang et al., 2021) र सटीक कृषि (Feng et al., 2019; Khanna & Kaur, 2019) त्यस्ता बहसहरूको परिणामको रूपमा देखा परेका छन्। द
पूर्व भनेको दक्षता र प्रभावकारिता बढाउनको लागि सूचना सञ्चार प्रविधि (ICT) र कृषि गतिविधिहरूमा अन्य अत्याधुनिक आविष्कारहरू अपनाउने सामान्य धारणा हो (हक एट अल।, २०२१)। पछिल्लो साइट-विशिष्ट व्यवस्थापनमा केन्द्रित छ जसमा भूमि विभाजित छ
सजातीय भागहरू, र प्रत्येक भागले उपन्यास प्रविधिहरू (फेंग एट अल।, 2019; खन्ना र कौर, 2019) को माध्यमबाट फसल उत्पादन अनुकूलनको लागि कृषि इनपुटको सही मात्रा प्राप्त गर्दछ। यस क्षेत्रमा विद्वानहरूको ध्यान आकर्षित गर्ने प्रख्यात प्रविधिहरूमा ताररहित सेन्सर नेटवर्कहरू (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), इन्टरनेट अफ थिंग्स (IoT) (गिल एट अल।, 2017; He et al., 2021; Liu et al., 2019),
आर्टिफिसियल इन्टेलिजेन्स (एआई) प्रविधिहरू, मेसिन लर्निङ र गहिरो सिकाइ सहित (लियाकोस एट अल।, २०१८; पारसियन एट अल।, २०२०; शाड्रिन एट अल।,
2019), कम्प्युटिङ टेक्नोलोजीहरू (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), बिग डाटा (Gill et al., 2017; Tantalaki
et al., 2019), र blockchain (PW Khan et al., 2020; Pincheira et al., 2021)।
माथि उल्लेखित प्रविधिहरूका अतिरिक्त, रिमोट सेन्सिङलाई सुधार गर्ने उच्च क्षमता भएको प्राविधिक उपकरण मानिएको छ।
स्मार्ट र सटीक कृषि। उपग्रहहरू, मानव-चालक विमान, र ड्रोनहरू लोकप्रिय रिमोट-सेन्सिङ प्रविधिहरू हुन् (Tsouros et al।, 2019)।
मानवरहित एरियल भेइकल (UAVs), Unmanned Aircraft Systems (UAS), र रिमोटली पाइलटेड एयरक्राफ्ट भनेर चिनिने ड्रोनहरू हुन्।
अन्य रिमोट सेन्सिङ टेक्नोलोजीहरूको तुलनामा तिनीहरूसँग धेरै फाइदाहरू भएकाले ठूलो महत्त्व। उदाहरणका लागि, ड्रोनले डेलिभर गर्न सक्छ
बादलका दिनहरूमा उच्च-गुणस्तर र उच्च-रिजोल्युसन छविहरू (Manfreda et al।, 2018)। साथै, तिनीहरूको उपलब्धता र स्थानान्तरण गति अन्य गठन
लाभहरू (Radoglou-Grammatikis et al।, 2020)। विमानसँग तुलना गर्दा, ड्रोनहरू उच्च लागत-कुशल र सेटअप गर्न र मर्मत गर्न सजिलो छन् (Tsouros et al।, 2019)। प्रारम्भिक रूपमा सैन्य उद्देश्यका लागि प्रयोग गरिएको भए तापनि, ड्रोनहरूले मानवीय उद्देश्यका लागि (ए. रेजेब, रेजेब, एट अल।, 2021a) आपूर्ति श्रृंखला व्यवस्थापनमा धेरै नागरिक अनुप्रयोगहरूलाई फाइदा लिन सक्छ। 2021c), स्मार्ट कृषि, सर्वेक्षण र नक्साङ्कन, सांस्कृतिक सम्पदा दस्तावेज, विपद् व्यवस्थापन, र वन र वन्यजन्तु संरक्षण (Panday, Pratihast, et al., 2020)। कृषिमा, ड्रोनका धेरै अनुप्रयोग क्षेत्रहरू अवस्थित छन् किनभने तिनीहरू उपन्यास प्रविधिहरू, कम्प्युटिङ क्षमताहरू, र फसल व्यवस्थापन (जस्तै, नक्साङ्कन, अनुगमन, सिंचाई, बिरुवा निदान) लाई समर्थन गर्नका लागि अनबोर्ड सेन्सरहरूसँग एकीकृत गर्न सकिन्छ (H. Huang et al., 2021) , विपद् न्यूनीकरण, प्रारम्भिक चेतावनी प्रणाली, वन्यजन्तु र वन संरक्षण केही नामहरू (Negash et al।, 2019)। त्यसैगरी, ड्रोनहरू फसल र वृद्धि अनुगमन, उपज अनुमान, पानीको तनाव मूल्याङ्कन, र झारपात, कीरा र रोग पत्ता लगाउने (Inoue, 2020; Panday, Pratihast, et al., 2020) सहित धेरै कृषि गतिविधिहरूमा प्रयोग गर्न सकिन्छ। ड्रोनहरू तिनीहरूको संवेदी डेटाको आधारमा अनुगमन, अनुमान र पत्ता लगाउनका लागि मात्र होइन, तर सटीक सिंचाई र सटीक झार, कीट र रोग व्यवस्थापनका लागि पनि प्रयोग गर्न सकिन्छ। अर्को शब्दमा भन्नुपर्दा, ड्रोनले वातावरणीय डेटाको आधारमा सटीक मात्रामा पानी र कीटनाशकहरू स्प्रे गर्न सक्षम छन्। कृषिमा ड्रोनका फाइदाहरू तालिका 1 मा संक्षेप गरिएका छन्।
कृषिमा ड्रोनको मुख्य फाइदाहरू।
लाभ | सन्दर्भ(हरू) |
टेम्पोरल र स्पेसियल बढाउनुहोस् संवेदन संकल्पहरू | (गागो एट अल।, 2015; निउ एट अल।, 2020; श्रीवास्तव et al।, 2020) |
सटीक कृषि सुविधा | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
को वर्गीकरण र स्काउटिंग खेती | (Inoue, 2020; Kalischuk et al., 2019; Lopez- ´ Granados et al।, 2016; Maimaitijiang et al., 2017; मेलभिल एट अल।, २०१९; मोहराना र दत्त, 2019) |
मलको प्रयोग | (L. Deng et al., 2018; Guan et al., 2019) |
खडेरी को अनुगमन | (Fawcett et al., 2020; Panday, Pratihast, et al., २०२०; Su et al., 2020) |
बायोमास अनुमान | (बेन्डिग एट अल।, २०१४) |
उपज अनुमान | (इनुए, २०२०; पाण्डे, श्रेष्ठ, आदि, २०२०; ताओ et al।, 2020) |
प्रकोप न्यूनीकरण | (Negash et al., 2019) |
वन्यजन्तुको संरक्षण र वनस्पति | (Negash et al., 2019; पाण्डे, Pratihast, et al., 2020) |
पानी तनाव को आकलन | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
कीट, झार र रोग पत्ता लगाउने | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al।, 2018; X. Zhang et al., 2019) |
अर्कोतर्फ, ड्रोनहरूले पनि सीमितताहरूको सामना गर्छन्। पायलट संलग्नता, इन्जिन पावर, स्थिरता र विश्वसनीयता, पेलोडको कारण सेन्सरको गुणस्तर
तौल सीमा, कार्यान्वयन लागत, र उड्डयन नियमन, ती मध्ये छन् (C. Zhang & Kovacs, 2012)। हामी कमजोरीहरू तुलना गर्छौं
तालिका २ मा रहेका तीनवटा मोबाइल रिमोट सेन्सिङ प्रविधिहरू। अन्य रिमोट सेन्सिङ प्रविधिहरू, जस्तै माटो सेन्सरहरू, यस अध्ययनको केन्द्रविन्दुभन्दा बाहिर छन्।
विभिन्न मोबाइल रिमोट सेन्सिङ प्रविधिका कमजोरीहरू।
टाढाको संवेदन प्रविधिहरू | कमजोरीहरू | सन्दर्भ |
ड्रोन (UAV) | पायलट संलग्नता; छविहरू' गुणस्तर (औसत); कार्यान्वयन लागत (औसत); स्थिरता, गतिशीलता, र विश्वसनीयता; मानकीकरण; इन्जिन शक्ति; सीमित शक्ति स्रोतहरू (ब्याट्री दीर्घायु); सीमित उडान अवधि, टक्कर र साइबर हमलाहरू; सीमित पेलोड वजन; ठूला डाटासेटहरू र सीमित डाटा प्रोसेसिंग क्षमताहरु; नियमन को कमी; विशेषज्ञताको कमी, उच्च प्रवेश पहुँचमा अवरोधहरू कृषि ड्रोन; | (Bacco et al।, 2018; Dawaliby et al., 2020; हार्डिन र हार्डिन, २०१०; हार्डिन र जेन्सेन, २०११; Lagkas et al., 2018; लालिबर्टे एट अल।, 2007; लालिबर्टे र रंगो, २०११; Manfreda et al।, 2018, 2018; नेबिकर एट अल।, २००८; पुरी et al।, 2017; Velusamy et al., २०२२; सी झाङ र कोभाक्स, 2012) |
उपग्रह | आवधिक उपग्रह कभरेज, सीमित वर्णक्रमीय संकल्प; दृश्यता समस्याहरूको लागि जोखिम (उदाहरणका लागि, बादल); अनुपलब्धता र कम स्थानान्तरण गति; अभिमुखीकरण र भिग्नेटिंग महँगो स्थानिक डाटालाई प्रभाव पार्छ सङ्कलन; ढिलो डाटा वितरण अन्त प्रयोगकर्ताहरूको लागि समय | (Aboutalebi et al., 2019; सेन et al., 2019; चेन एट अल।, २०१९; नान्सेन र इलियट, 2016; पाण्डे, प्रतिहस्त, et al., 2020; साई विनीत et al।, 2019) |
विमान | उच्च गोद लेने लागत; जटिल सेटअप; रखरखाव लागत; भरपर्दो को अनुपलब्धता हवाइजहाज, ज्यामिति छविहरू; गैर-नियमित डाटा अधिग्रहण; लचीलापन को कमी; घातक दुर्घटनाहरू; सेन्सर डाटा कम्पनका कारण भिन्नताहरू; georeferencing मुद्दाहरू | (आर्मस्ट्रङ एट अल।, २०११; एटकिन्सन एट अल।, 2018; Barbedo र Koenigkan, 2018; कोभालेभ र वोरोशिलोभा, २०२०; Suomalainen et al., २०१३; थम्म एट अल।, २०१३) |
कृषिमा बहु-अनुशासनात्मक र बहुउद्देश्यीय प्रविधिको रूपमा, ड्रोनलाई विभिन्न दृष्टिकोणबाट अनुसन्धान गरिएको छ। उदाहरणका लागि, विद्वानहरूले कृषिमा ड्रोन अनुप्रयोगहरूको जाँच गरेका छन् (कुलबकी एट अल।, 2018; मोगिली र दीपक, 2018), सटीक कृषिमा तिनीहरूको योगदान (पुरी एट अल।, 2017; Tsouros et al।, 2019), अन्यसँग तिनीहरूको पूरकता। अत्याधुनिक प्रविधिहरू (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), र तिनीहरूको नेभिगेसनल र सेन्सिङ क्षमताहरू अगाडि बढाउने सम्भावनाहरू (बरेथ एट अल। , 2015; Suomalainen et al।, 2014)। कृषिमा ड्रोन अनुप्रयोगहरूमा अनुसन्धान प्रचलित भएको हुनाले (Khan et al., 2021)), त्यहाँ अवस्थित साहित्यलाई संक्षेप गर्न र डोमेनको बौद्धिक संरचना प्रकट गर्न आवश्यक छ। यसबाहेक, निरन्तर सुधार भएको उच्च-प्रविधि क्षेत्रको रूपमा, वर्तमान साहित्यलाई आवधिक रूपमा संक्षेप गर्न र महत्त्वपूर्ण अनुसन्धान अन्तरहरू पहिचान गर्न संरचित समीक्षाहरू सञ्चालन गर्न आवश्यक छ। को
मिति, त्यहाँ केहि समीक्षाहरू छन् जुन कृषि क्षेत्रमा ड्रोन अनुप्रयोगहरू छलफल गर्दछ। उदाहरणका लागि, Mogili and Deepak (2018) छोटकरीमा बाली अनुगमन र कीटनाशक स्प्रेइङका लागि ड्रोनको प्रभावको समीक्षा गर्नुहोस्। Inoue (2020) ले कृषिमा रिमोट सेन्सिङमा उपग्रह र ड्रोन प्रयोगको समीक्षा सञ्चालन गर्दछ। लेखकले स्मार्ट खेती अपनाउने प्राविधिक चुनौतीहरू र केस स्टडीहरू र उत्कृष्ट अभ्यासहरूमा आधारित उपग्रह र ड्रोनहरूको योगदानहरू अन्वेषण गर्छन्। Tsouros et al। (2019) विभिन्न डेटा अधिग्रहण र प्रशोधन विधिहरू हाइलाइट गर्दै, विभिन्न प्रकारका ड्रोनहरू र कृषिमा तिनीहरूका मुख्य अनुप्रयोगहरू संक्षेप गर्नुहोस्। हालसालै, Aslan et al। (2022) ले कृषि गतिविधिहरूमा UAV अनुप्रयोगहरूको एक व्यापक समीक्षा सञ्चालन गर्यो र ग्रीनहाउसमा UAV को लागि एक साथ स्थानीयकरण र म्यापिङको सान्दर्भिकतालाई जोड दियो। Diaz-Gonzalez et al। (2022) विभिन्न मेसिन लर्निंग प्रविधि र रिमोटमा आधारित बाली उत्पादन उत्पादनको हालैका अध्ययनहरूको समीक्षा गरियो।
सेन्सिङ प्रणालीहरू। तिनीहरूको खोजहरूले संकेत गर्यो कि UAVs माटो सूचकहरू अनुमान गर्न र स्थानिय रिजोल्युसन, सूचना अस्थायीता, र लचिलोपनको सन्दर्भमा उपग्रह प्रणालीहरूलाई उत्कृष्ट प्रदर्शन गर्न उपयोगी छ। बासिरी र अन्य। (2022) ले सटीक कृषिको सन्दर्भमा बहु-रोटर UAV हरूका लागि मार्ग-योजना चुनौतिहरू पार गर्न विभिन्न दृष्टिकोण र विधिहरूको विस्तृत समीक्षा गर्यो। यसबाहेक, Awais et al। (2022) पानीको स्थिति अनुमान गर्न बालीहरूमा UAV रिमोट सेन्सिङ डेटाको प्रयोगलाई संक्षेपित गर्यो र अपशिष्ट तनाव अनुप्रयोगको लागि UAV रिमोट सेन्सिङको सम्भावित क्षमताको गहन संश्लेषण प्रदान गर्यो। अन्तमा, Aquilani et al। (2022) चरनमा आधारित पशुधन प्रणालीहरूमा लागू गरिएको प्रिभिजन खेती प्रविधिहरूको समीक्षा गरियो र UAVs द्वारा सक्षम गरिएको रिमोट सेन्सिङ बायोमास मूल्याङ्कन र बथान व्यवस्थापनको लागि फाइदाजनक छ भन्ने निष्कर्ष निकालियो।
साथै, पशुधनको अनुगमन, ट्र्याकिङ र संकलनमा UAVs प्रयोग गर्ने प्रयासहरू हालै रिपोर्ट गरिएको छ।
यद्यपि यी समीक्षाहरूले नयाँ र महत्त्वपूर्ण अन्तर्दृष्टिहरू दिन्छन्, बाइबलमा आधारित कुनै व्यापक र अप-टु-डेट समीक्षा साहित्यमा फेला पार्न सकिँदैन, जसले स्पष्ट ज्ञान अन्तर प्रस्तुत गर्दछ। यसबाहेक, यो भनिएको छ कि जब विद्वान उत्पादन वैज्ञानिक क्षेत्रमा बढ्छ, यो अनुसन्धानकर्ताहरूको लागि डोमेनको ज्ञान संरचना बुझ्नको लागि मात्रात्मक समीक्षा दृष्टिकोणहरू प्रयोग गर्न महत्त्वपूर्ण हुन्छ (Rivera & Pizam, 2015)। त्यस्तै, फरेरा एट अल। (2014) तर्क गर्यो कि अनुसन्धान क्षेत्रहरू परिपक्व र जटिल बन्दै गएपछि, विद्वानहरूले कहिलेकाहीं नयाँ योगदानहरू प्रकट गर्न, अनुसन्धान परम्पराहरू र प्रवृत्तिहरू क्याप्चर गर्न, कुन विषयहरू अध्ययन गरिन्छ भनेर पहिचान गर्न, र ज्ञानको संरचनामा गहिरिएर उत्पन्न हुने ज्ञानको अर्थ बनाउनु पर्छ। क्षेत्र र सम्भावित अनुसन्धान निर्देशनहरू। जबकि Raparelli र Bajocco (2019) ले कृषि र वानिकीमा ड्रोन अनुप्रयोगहरूको ज्ञान डोमेन जाँच गर्न एक bibliometric विश्लेषण सञ्चालन गरे, तिनीहरूको अध्ययनले 1995 र 2017 बीच प्रकाशित विद्वान अनुसन्धानलाई मात्र विचार गर्दछ, जसले यो द्रुत गतिको क्षेत्रको गतिशीलतालाई प्रतिबिम्बित गर्दैन। यसबाहेक, लेखकहरूले यस क्षेत्रमा सबैभन्दा प्रभावशाली योगदानहरू पहिचान गर्ने, साहित्य क्लस्टर गर्ने, र सह-उद्धरण विश्लेषण प्रयोग गरेर बौद्धिक संरचनाको मूल्याङ्कन गर्ने प्रयास गरेनन्। नतिजाको रूपमा, वर्तमान अनुसन्धान केन्द्रहरू, प्रवृत्तिहरू, र हटस्पटहरू प्रकट गर्न साहित्यलाई संक्षेपमा प्रस्तुत गर्न आवश्यक छ।
यो ज्ञानको खाडललाई भर्नको लागि, हामी ड्रोन र कृषिको प्रतिच्छेदनमा अनुसन्धानको वर्तमान अवस्था जाँच गर्न परिमाणात्मक विधि र कठोर बिब्लियोमेट्रिक विधिहरू प्रयोग गर्छौं। हामी तर्क गर्छौं कि हालको अध्ययनले यस क्षेत्रमा धेरै पक्षहरू परिवर्तन गर्न ठूलो सम्भावना प्रदान गर्ने उदीयमान प्रविधिको परीक्षण गरेर अवस्थित साहित्यमा धेरै योगदान पुर्याउँछ जुन कृषिमा अत्यधिक आवश्यक छ। कृषि सन्दर्भमा ड्रोनहरूमा छरिएका र खण्डित ज्ञानलाई ध्यानमा राखेर कृषि ड्रोनहरूको बिब्लियोमेट्रिक विश्लेषणको आवश्यकता अझ बढी महसुस गरिएको छ। त्यसैगरी, कृषि ड्रोनसँग सम्बन्धित साहित्यहरू यस अनुसन्धान क्षेत्रको जग निर्माण गर्ने सबैभन्दा प्रभावशाली अध्ययनहरूलाई विचार गर्दै व्यवस्थित रूपमा क्लस्टर गर्न आवश्यक छ। विश्लेषणको योग्यताले साहित्यमा प्रतिनिधित्व गरिएका मुख्य अनुसन्धान विषयवस्तुहरूको स्पष्टीकरण पनि समावेश गर्दछ। टेक्नोलोजीको रूपान्तरण सम्भावनालाई ध्यानमा राख्दै, हामी एक गहिरो नेटवर्क विश्लेषणले प्रभावशाली कार्यहरू निर्धारण गरेर र ड्रोनहरूको कृषि सम्भाव्यता सम्बन्धी विषयवस्तुहरू प्रकट गरेर उपन्यास अन्तर्दृष्टि प्रदान गर्दछ भन्ने कुरा बुझ्दछौं।
त्यसैले हामी निम्न अनुसन्धान उद्देश्यहरू प्राप्त गर्न प्रयास गर्छौं:
- कृषिको क्षेत्रमा ड्रोन अनुप्रयोगहरूमा उत्कृष्ट योगदानको साथ प्रभावशाली प्रकाशनहरूको पहिचान।
- सह-उद्धरण विश्लेषण प्रयोग गरेर अर्थगत समानतामा आधारित साहित्यको क्लस्टरिङ, अनुसन्धान केन्द्रको पहिचान, र मुख्य 'बौद्धिक संरचना' अध्ययनको नक्साङ्कन।
- क्षेत्रका विभिन्न प्रकाशनहरू र भविष्यका अनुसन्धान दिशाहरू र तातो विषयहरूको पहिचानको बीचमा समयसँगै लिङ्केज र उद्धरण नेटवर्कहरूको विकासको बुझाइ।
बाँकी कागज निम्नानुसार संरचित छ: खण्ड 2 पद्धति र डेटा सङ्कलन चरणहरू रूपरेखा; खण्ड ३ ले विश्लेषणको नतिजा प्रदान गर्दछ; र खण्ड 3 निष्कर्षहरू छलफल गर्दछ र अनुसन्धान योगदानहरू, प्रभावहरू, र भविष्य निर्देशनहरू संग निष्कर्षमा पुग्छ।
विधिशास्त्र
यस हालको अनुसन्धान अध्ययनमा, हामी कृषिमा ड्रोन अनुप्रयोगहरू अन्वेषण गर्न बिब्लियोमेट्रिक विश्लेषण गर्छौं। यो मात्रात्मक दृष्टिकोणले ज्ञान क्षेत्रको बौद्धिक संरचना (अरोरा र चक्रवर्ती, २०२१) र हालको स्थिति, तातो विषयहरू, र भविष्यका अनुसन्धान दिशाहरू प्रकट गर्दछ जुन यो विधि लागू गरेर अनुसन्धान गर्न सकिन्छ (कपुर एट अल।, २०१८; मिश्रा एट अल। , 2021; A. Rejeb, Rejeb, et al., 2018b; A. Rejeb et al., 2017d; MA Rejeb et al., 2021)। सामान्यतया, एक bibliometric विश्लेषणले लिखित संचारको लुकेको ढाँचा र तथ्याङ्क र गणितीय विधिहरूमा आधारित अनुशासनको विकासलाई संक्षेप गर्न र उजागर गर्न अवस्थित साहित्यको परीक्षण गर्दछ, र यो ठूलो डेटा सेटहरूमा लागू हुन्छ (Pritchard, 2021; Small, 2020; Tahai & Rigsby। , 1969)। बिब्लियोमेट्रिक्स प्रयोग गरेर, हामी समानताको आधारमा डोमेनमा योगदान गर्ने अवस्थित प्रतिमान र अनुसन्धान केन्द्रहरूलाई अझ राम्ररी बुझ्ने कामना गर्छौं (Thelwall, 1999)। बिब्लियोमेट्रिक्सले पद्धतिको उद्देश्य मात्रात्मक शक्तिद्वारा समर्थित नयाँ अन्तर्दृष्टि प्रदान गर्दछ (Casillas & Acedo, 1998)। धेरै विद्वानहरूले पहिले कृषि, रिमोट सेन्सिङ, र डिजिटल रूपान्तरण (Armenta-Medina et al., 2008; Bouzembrak et al., 2007; A. Rejeb, Treibmaier, et al., 2020ba2019) लगायत सम्बन्धित डोमेनहरूमा बिब्लियोमेट्रिक अध्ययनहरू सञ्चालन गरेका छन्। & Queiroz, 2021; Wang et al., 2021)।
उद्धरण विश्लेषण
उद्धरण विश्लेषणले दिइएको अनुसन्धान क्षेत्रमा विभिन्न अन्तरदृष्टिहरू प्रकट गर्दछ। सबैभन्दा पहिले, यसले सबैभन्दा प्रभावशाली लेखकहरू र प्रकाशनहरू प्रकट गर्न मद्दत गर्दछ जुन दिइएको अनुसन्धान क्षेत्रमा योगदान गर्दछ र महत्त्वपूर्ण प्रभाव पार्छ (Gundolf & Filser, 2013)। दोस्रो, ज्ञान प्रवाह र लेखकहरू बीचको संचार लिङ्कहरू उजागर गर्न सकिन्छ। अन्तमा, उद्धृत र उद्धृत कार्यहरू बीचको लिङ्कहरू ट्रेस गरेर, समयको साथमा ज्ञानको डोमेनको परिवर्तन र विकासको अन्वेषण गर्न सकिन्छ (Pournader
et al., 2020)। प्रकाशनको उच्च उद्धरण संख्याहरूले यसको सान्दर्भिकता र अनुसन्धान डोमेनमा पर्याप्त योगदानहरू प्रतिबिम्बित गर्दछ (बाल्डी, 1998; गुन्डोल्फ र फिलसर, 2013; मारिन्को, 1998)। प्रकाशनहरूको उद्धरण विश्लेषणले सान्दर्भिक कार्यहरू पहिचान गर्न र समयसँगै तिनीहरूको लोकप्रियता र प्रगति ट्र्याक गर्न मद्दत गर्दछ।
कागजात सह-उद्धरण विश्लेषण
सह-उद्धरण विश्लेषण प्रकाशनहरू बीचको सम्बन्ध पत्ता लगाउन र क्षेत्रको बौद्धिक संरचना चित्रण गर्नको लागि एक मूल्यवान विधि हो (Nerur et al।, 2008)। अन्य शब्दहरूमा, सबैभन्दा उद्धृत प्रकाशनहरू र तिनीहरूको जडानहरू पहिचान गरेर, विधिले प्रकाशनहरूलाई छुट्टै अनुसन्धान क्लस्टरहरूमा समूह बनाउँछ जहाँ क्लस्टरमा प्रकाशनहरूले नियमित रूपमा समान विचारहरू साझा गर्छन् (McCain, 1990; Small, 1973)। यो उल्लेख गर्न महत्त्वपूर्ण छ कि समानताको अर्थ प्रकाशनहरूको निष्कर्ष हो भन्ने होइन
एकअर्कासँग एकजुट र सहमत; विषय समानताका कारण प्रकाशनहरू एउटै क्लस्टरका हुन्छन्, तर तिनीहरूमा विरोधाभासी दृष्टिकोणहरू हुन सक्छन्।
डेटा संग्रह र विश्लेषण
ह्वाइट र ग्रिफिथ (1981) द्वारा प्रस्तावित कार्यविधि पछ्याउँदै, हामीले कृषिमा ड्रोन अनुप्रयोगहरूको सम्पूर्ण अनुसन्धान क्षेत्रलाई कभर गर्नको लागि जर्नल लेखहरूको विस्तृत खोजी गर्यौं, निम्न पाँच चरणहरू पछ्याउँदै:
- पहिलो चरण डाटा सङ्कलन थियो। स्कोपसलाई मानकीकृत परिणामहरूको साथ सबैभन्दा व्यापक र भरपर्दो डाटाबेसको रूपमा चयन गरिएको थियो। कृषिमा सबै ड्रोन अनुप्रयोगहरूसँग सम्बन्धित प्रकाशनहरूको मेटा-डेटा पुनःप्राप्त गरियो। त्यसपछि हामीले चयन गरिएका लेखहरू विश्लेषण गर्यौं, विश्लेषणबाट अफ-विषय लेखहरू हटाउँदै।
- हामीले साहित्यको विश्लेषण गर्यौं र अनुसन्धान क्षेत्रमा प्रयोग हुने सबैभन्दा महत्त्वपूर्ण कुञ्जी शब्दहरू पहिचान गर्यौं।
- उद्धरण विश्लेषण प्रयोग गरेर, हामीले अन्तर्निहित उद्धरण ढाँचाहरू प्रकट गर्न लेखकहरू र कागजातहरू बीचको सम्बन्धको अन्वेषण गर्यौं। हामीले कृषि ड्रोनको क्षेत्रमा महत्त्वपूर्ण योगदानको साथ सबैभन्दा प्रभावशाली लेखक र प्रकाशनहरू पनि पहिचान गर्यौं।
- हामीले समान प्रकाशनहरूलाई क्लस्टरहरूमा समूहबद्ध गर्न सह-उद्धरण विश्लेषण सञ्चालन गर्यौं।
- अन्तमा, हामीले सहयोग सञ्जाल चित्रण गर्न देशहरू, संस्थाहरू, र पत्रिकाहरू बीचको जडान र सम्बन्धहरू विश्लेषण गर्यौं।
उपयुक्त खोज सर्तहरूको पहिचान
हामीले डेटा एकत्रीकरणको लागि निम्न खोज स्ट्रिङहरू लागू गर्यौं: (ड्रोन* वा "मानवरहित हवाई वाहन" वा uav* वा "मानवरहित विमान प्रणाली"वा uas वा "रिमोट पाइलट गरिएको विमान”) र (कृषि वा कृषि वा खेती वा किसान)। खोज सेप्टेम्बर 2021 मा सञ्चालन गरिएको थियो। ड्रोनहरू UAV, UAS, र टाढाबाट पाइलट गरिएको विमान (साह एट अल।, 2021) सहित धेरै पदहरू छन्। अब्दोल्लाही एट अलको अध्ययनको आधारमा कृषिसँग सम्बन्धित विशिष्ट खोज सर्तहरू पहिचान गरिएको थियो। (२०२१)। स्पष्टता र पारदर्शिताको खातिर, हामीले प्रयोग गरेको सटीक क्वेरी परिशिष्ट 2021 मा दिइएको छ। डाटा क्लिनिङ प्रक्रिया पछ्याउँदै, हामीले पाठ फाइल सिर्जना गर्यौं जुन पछि BibExcel मा लोड गरिएको थियो, उद्धरण र सह-उद्धरण विश्लेषणको लागि एक साझा उपकरण। यो उपकरणले अन्य सफ्टवेयरसँग सरल अन्तरक्रिया पनि प्रदान गर्दछ र डाटा ह्यान्डलिंग र विश्लेषणमा स्वतन्त्रताको महत्त्वपूर्ण डिग्री प्रदान गर्दछ। VOSViewer संस्करण 1 को खोजहरू कल्पना गर्न र bibliometric नेटवर्कहरू उत्पन्न गर्न प्रयोग गरिएको थियो (Eck & Waltman, 1.6.16)। VOSviewer ले विशेष गरी bibliometric नक्सा (Geng et al., 2009) को विश्लेषण गर्न को लागी सहज भिजुअलाइजेसनको दायरा प्रदान गर्दछ। यसबाहेक, यसले सादा दृश्य परिणामहरू प्रदान गर्न मद्दत गर्दछ जसले परिणामहरूलाई राम्रोसँग बुझ्न मद्दत गर्दछ (अब्दोल्लाही एट अल।, २०२१)। माथि भनिए अनुसार खोज स्ट्रिङहरू लागू गर्दै, हामीले सबै सान्दर्भिक प्रकाशनहरू जम्मा र भण्डारण गर्यौं। पहिलो खोज परिणामहरूले कुल 2020 कागजातहरू निकाले। चयन गरिएको नमूनाको गुणस्तर सुनिश्चित गर्न, केवल सहकर्मी-समीक्षा जर्नल लेखहरू अनुसन्धानमा विचार गरियो, जसको परिणाम स्वरूप अन्य कागजात प्रकारहरू, जस्तै पुस्तकहरू, अध्यायहरू, सम्मेलन कार्यवाही, र सम्पादकीय नोटहरू बहिष्कार गरियो। स्क्रिनिङ प्रक्रियाको क्रममा, अप्रासंगिक (अर्थात, यो कार्यको दायरा बाहिर), अनावश्यक (अर्थात, दोहोरो अनुक्रमणिकाबाट उत्पन्न हुने नक्कलहरू), र गैर-अंग्रेजी-भाषी प्रकाशनहरू फिल्टर गरिएका थिए। यस प्रक्रियाले अन्तिम विश्लेषणमा 2021 कागजातहरू समावेश गरेको छ।
निष्कर्ष र छलफल
सुरु गर्न, हामीले कृषि ड्रोनहरूमा हालको साहित्यमा प्रकाशन आउटपुटमा भएका घटनाक्रमहरूको विश्लेषण गर्यौं। विद्वान अनुसन्धानको अस्थायी वितरण चित्र 1 मा देखाइएको छ। हामी 2011 (30 प्रकाशनहरू) पछि प्रकाशनहरूमा तीव्र वृद्धि देख्छौं; त्यसकारण, हामीले विश्लेषण अवधिलाई दुई फरक चरणहरूमा विभाजन गर्ने निर्णय गर्यौं। हामीले 1990 र 2010 बीचको अवधिलाई निर्माण चरणको रूपमा उल्लेख गर्छौं, जसमा वार्षिक रूपमा लगभग सातवटा पत्रहरू प्रकाशित हुन्छन्। 2010 पछिको अवधिलाई विकासको चरण भनिन्छ किनभने यस अवधिमा कृषिमा ड्रोन अनुप्रयोगहरूमा अनुसन्धानले घातीय वृद्धि देखेको थियो। 2010 पछि, प्रकाशनहरूको बढ्दो संख्याले अनुसन्धानकर्ताहरू बीच बढ्दो चासोको पुष्टि गर्दछ, जसले यो पनि प्रतिबिम्बित गर्दछ कि ड्रोनहरू रिमोट सेन्सिङमा लागू गरिएको छ र सटीक कृषिमा प्रयोग गरिएको छ (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020) )। विशेष रूपमा, प्रकाशनहरूको संख्या २०१३ मा १०८ बाट बढेर २०१८ मा ४९८ पुग्यो र २०२० मा १,२७५ मा उचाईमा पुग्यो। जनवरी र सेप्टेम्बर २०२१ को बीचमा कुल ९३५ लेखहरू प्रकाशित भएका थिए। त्यसपछि, हामीले हाम्रो वृद्धिको विश्लेषणमा थप ध्यान केन्द्रित गर्न रोज्यौं। यस अवधिले कृषि ड्रोनहरूको सबैभन्दा भर्खरको र महत्त्वपूर्ण सूक्ष्मताहरू प्रतिबिम्बित गर्दछ।
कीवर्ड विश्लेषण
प्रकाशनका लागि लेखकहरूले चयन गर्ने कीवर्डहरूले कागज कसरी प्रस्तुत गरिन्छ र यसलाई वैज्ञानिक समुदायहरूमा कसरी सञ्चार गरिन्छ भन्ने कुरामा महत्त्वपूर्ण प्रभाव पार्छ। तिनीहरूले अनुसन्धानका मुख्य विषयहरू पहिचान गर्छन् र यसको फस्टाउन वा असफल हुने सम्भावना निर्धारण गर्छन् (डे र ग्यास्टेल, 1998। किम एट अल।, 2016; उद्दिन एट अल।, 2015)। खोजशब्द विश्लेषण, फराकिलो अनुसन्धान प्रवृति र दिशाहरू प्रकट गर्ने एक उपकरण, एक डोमेन (दीक्षित र जाखर, 2021) मा सबै सम्बन्धित प्रकाशनहरूको खोजशब्दहरूको संकलनलाई जनाउँछ। हालको अध्ययनमा, हामीले सबैभन्दा लोकप्रिय विषयहरू अन्वेषण गर्नका लागि एकत्रित किवर्डहरूलाई दुई सेटहरूमा (अर्थात्, २०१० र २०११–२०२१ सम्म) विभाजित गर्यौं। यसो गरेर, हामी दुबै सेटहरूमा महत्त्वपूर्ण कुञ्जी शब्दहरू ट्रेस गर्न सक्छौं र सुनिश्चित गर्न सक्छौं कि हामीले सबै आवश्यक डाटा क्याप्चर गर्यौं। प्रत्येक सेटको लागि, शीर्ष दस कुञ्जी शव्दहरू तालिका 2010 मा प्रस्तुत गरिएका छन्। हामीले "ड्रोन" र "ड्रोन्स" वा, समान रूपमा, "इन्टरनेट अफ थिंग्स" र "IoT" जस्ता शब्दार्थ समान किवर्डहरू मर्ज गरेर विसंगतिहरूलाई हटायौं।
तालिका 3 ले देखाउँछ कि "मानवरहित हवाई वाहन" दुबै समय अवधिहरूमा "ड्रोन" र "मानवरहित हवाई प्रणाली" को तुलनामा धेरै पटक प्रयोग हुने कुञ्जी शब्द हो। साथै, "रिमोट सेन्सिङ", "परिशुद्धता कृषि," र "कृषि" दुबै अवधिहरूमा उच्च श्रेणीमा छन्। पहिलो अवधिमा, "परिशुद्धता कृषि" पाँचौं स्थानमा थियो, र दोस्रो अवधिमा यो दोस्रो स्थानमा थियो, जसले अनुगमन गर्न सक्ने भएकाले सटीक कृषि हासिल गर्न ड्रोनहरू कसरी बढ्दो रूपमा महत्त्वपूर्ण हुँदै गइरहेका छन् भनेर चित्रण गर्दछ,
अन्य रिमोट सेन्सिङ र ग्राउन्ड-आधारित प्रणालीहरूको तुलनामा पत्ता लगाउने, र अनुमान गर्ने अभ्यासहरू छिटो, सस्तो र सजिलै प्रदर्शन गर्न सकिन्छ। साथै, तिनीहरूले आवश्यक पर्दा इनपुटको सटीक मात्रा (जस्तै, पानी वा कीटनाशक) स्प्रे गर्न सक्छन् (गुओ एट अल।, २०२०; इनुए, २०२०; पाण्डे, प्रतिहस्त, एट अल।, २०२०)।
प्रायः प्रयोग हुने कुञ्जी शब्दहरूको सूची।
श्रेणी | 1990-2010 | को संख्या घटनाहरू | 2011-2021 | को संख्या घटनाहरू |
1 | मानवरहित हवाई वाहन | 28 | मानव रहित हवाई वाहन | 1628 |
2 | टाढाको संवेदन | 7 | सटीक कृषि | 489 |
3 | कृषि | 4 | टाढाको संवेदन | 399 |
4 | हवायुक्त | 4 | ड्रोन | 374 |
5 | सटीक कृषि | 4 | मानव रहित हवाई प्रणाली | 271 |
6 | मानवरहित हवाई | 4 | कृषि | 177 |
7 | हाइपरस्पेक्ट्रल सेन्सर | 3 | गहिरो शिक्षा | 151 |
8 | कृत्रिम तंत्रिका सञ्जालहरू | 2 | मिसिन सिक्ने | 149 |
9 | स्वायत्त उडान | 2 | वनस्पति सूचकांक | 142 |
10 | कफी | 2 | को इन्टरनेट कुरा | 124 |
अर्को रोचक विशेषता पूरक प्रविधिहरूको उपस्थिति हो। पहिलो चरणमा, "हाइपरस्पेक्ट्रल सेन्सर" र "कृत्रिम न्यूरल नेटवर्कहरू" (ANN) शीर्ष दस कुञ्जी शब्दहरू मध्ये छन्। हाइपरस्पेक्ट्रल इमेजिङले विभिन्न तरंगदैर्ध्यमा ठूलो संख्यामा छविहरू सङ्कलन गरेर परम्परागत इमेजिङमा क्रान्ति ल्यायो। यसो गर्दा, सेन्सरहरूले मल्टिस्पेक्ट्रल इमेजिङ, स्पेक्ट्रोस्कोपी, र RGB इमेजरी (Adao ˜ et al.,
2017)। पहिलो चरणमा "ANN" को घटना र दोस्रो चरणमा "डिप लर्निङ" (DL) र "मेसिन लर्निङ" (ML) ले संकेत गर्छ कि प्रकाशित अधिकांश कार्यहरू ड्रोनका लागि एआई प्रविधिको सम्भावनाको परीक्षणमा केन्द्रित छन्। आधारित कृषि। यद्यपि ड्रोनहरू स्वायत्त रूपमा उडान गर्न सक्षम छन्, तिनीहरू अझै पाइलटको संलग्नता चाहिन्छ, जसले उपकरणको बुद्धिको कम स्तरलाई संकेत गर्दछ। यद्यपि, यो समस्या एआई प्रविधिको विकासको कारणले समाधान गर्न सकिन्छ, जसले राम्रो स्थितिगत जागरूकता र स्वायत्त निर्णय समर्थन प्रदान गर्न सक्छ। AI संग सुसज्जित, ड्रोनले नेभिगेसनको समयमा टक्करबाट बच्न सक्छ, माटो र बाली व्यवस्थापनमा सुधार गर्न सक्छ (Inoue, 2020), र मानिसका लागि श्रम र तनाव कम गर्न सक्छ (BK Sharma et al., 2019)।
तिनीहरूको लचिलोपन र ठूलो मात्रामा ननलाइनर डेटा ह्यान्डल गर्ने क्षमताको कारण, AI प्रविधिहरू ड्रोनहरू र अन्य रिमोट-सेन्सिङ र ग्राउन्ड-आधारित प्रणालीहरू द्वारा प्रसारित डेटा विश्लेषण गर्न भविष्यवाणी र निर्णय गर्ने उपयुक्त विधिहरू हुन् (अली एट अल।, 2015; Inoue, 2020)। यसबाहेक, दोस्रो अवधिमा "IoT" को उपस्थितिले कृषिमा यसको उदीयमान भूमिकालाई संकेत गर्दछ। IoT ले ड्रोन, ML, DL, WSNs, र बिग डाटा लगायत अन्य प्रविधिहरू आपसमा जोडेर कृषिमा क्रान्तिकारी परिवर्तन गर्दैछ। IoT लागू गर्ने मुख्य फाइदाहरू मध्ये एक यसको प्रभावकारी र प्रभावकारी रूपमा विभिन्न कार्यहरू (डेटा अधिग्रहण, डाटा विश्लेषण र प्रशोधन, निर्णय-निर्धारण, र कार्यान्वयन) नजिकको वास्तविक समयमा मर्ज गर्ने क्षमता हो (एलियाह एट अल।, 2018; फेंग एट अल। , 2019; Muangprathub et al।, 2019)। यसबाहेक, ड्रोनहरूलाई वनस्पतिको शक्ति र वनस्पति गुणहरू गणना गर्न आवश्यक डाटा क्याप्चर गर्नको लागि कुशल उपकरण मानिन्छ (Candiago et al।, 2015)। चित्र 2a र 2b दुवै समय अवधिका लागि कुञ्जी शब्द सह-घटना नेटवर्कहरू चित्रण गर्दछ।
प्रभावशाली लेखकहरू
यस खण्डमा, हामी प्रभावशाली लेखकहरू निर्धारण गर्छौं र लेखक उद्धरण नेटवर्कहरूले हालको साहित्यलाई कसरी कल्पना र व्यवस्थित गर्न सक्छन् भनेर जाँच गर्छौं। चित्र 3 ले उद्धृतहरूको उच्चतम संख्या भएका सबै शोधकर्ताहरूको कालानुक्रमिक ओभरले देखाउँछ। रङ स्केलले लेखकहरूको उद्धरणको वर्ष-वार भिन्नतालाई प्रतिबिम्बित गर्दछ। हामी अनुसन्धानकर्ताहरूको उद्धरण संरचनाको जाँच गर्छौं जसले न्यूनतम 50 उद्धरण र दस प्रकाशनहरूको थ्रेसहोल्ड प्रयोग गरेर कृषि ड्रोनहरूमा अध्ययनहरू प्रकाशित गरे। बाहिर
12,891 लेखकहरू, केवल 115 ले यो शर्त पूरा गरे। तालिका 4 शीर्ष दस प्रभावशाली लेखकहरूको सूची दिन्छ, उद्धरणहरूको अधिकतम संख्याद्वारा क्रमबद्ध। लोपेज- ग्रानाडोस एफ. 1,963 उद्धरणहरू संग सूचीमा पहिलो, जार्को-तेजादा पीजे 1,909 उद्धरणहरू संग पछि छन्।
धेरै उद्धृत लेखकहरूको सूची।
र्याङ्किङ्ग | लेखक | दृष्टान्त |
1 | लोपेज-ग्रानाडोस 'एफ। | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | पेना ˜ जेएम | 1,644 |
4 | टोरेस-एस' एन्चेज जे। | 1,576 |
5 | फेरेस ई | 1,339 |
6 | रेमोन्डिनो एफ | 1,235 |
7 | बोल्टन ए | 1,160 |
8 | बरेथ जी | 1,155 |
9 | बर्नी जेए | 1,132 |
10 | डे क्यास्ट्रो एआई | 1,036 |
जब यो व्यक्तिगत प्रकाशनहरूमा आउँछ, Zhang र Kovacs (2012) लेख प्रेसिजन कृषि मा प्रकाशित सबैभन्दा उद्धृत अध्ययन भएको छ। यहाँ, लेखकहरूले सटीक कृषिमा UAS को आवेदन समीक्षा गरे। तिनीहरूको अनुसन्धानको निष्कर्षले किसानहरूलाई भरपर्दो अन्त उत्पादनहरू प्रदान गर्न प्लेटफर्म डिजाइन, उत्पादन, छवि भू-सन्देशको मानकीकरण, र सूचना पुन: प्राप्ति कार्यप्रवाहलाई अगाडि बढाउन आवश्यक रहेको सुझाव दिन्छ। थप रूपमा, तिनीहरूले किसानलाई अझ बलियो रूपमा संलग्न गराउन सिफारिस गर्छन्, विशेष गरी क्षेत्र योजना, छवि क्याप्चर, साथै डेटा व्याख्या र विश्लेषणमा। महत्त्वपूर्ण रूपमा, यो अध्ययन फिल्ड म्यापिङ, बलियो म्यापिङ, रासायनिक सामग्री मापन, वनस्पति तनाव अनुगमन, र बिरुवाको वृद्धिमा मलको प्रभावहरूको मूल्याङ्कनमा UAV को महत्त्व देखाउने पहिलो थियो। टेक्नोलोजीसँग सम्बन्धित चुनौतीहरूमा निषेधात्मक लागत, सेन्सर क्षमता, प्लेटफर्मको स्थिरता र विश्वसनीयता, मानकीकरणको कमी, र डेटाको ठूलो मात्राको विश्लेषण गर्न लगातार प्रक्रिया समावेश छ।
उद्धरण विश्लेषण
उद्धरण विश्लेषणले लेखहरूको प्रभावको अध्ययनलाई प्रतिनिधित्व गर्दछ, यद्यपि प्रवाहको सम्भावना (जस्तै, उद्धरण पूर्वाग्रह, आत्म-उद्धरण) प्रभाव मूल्याङ्कनका लागि मानक उपकरणहरू मध्ये एक मानिन्छ (Osareh, 1996; A. Rejeb et al।, 2022; सर्ली एट अल।, २०१०)। उद्धरणहरूले विशेष विषयमा साहित्यमा लेखहरूको योगदानको महत्त्व र जीवन्ततालाई पनि प्रतिबिम्बित गर्दछ (आर शर्मा एट अल।, २०२२)। हामीले कृषि ड्रोनहरूमा सबैभन्दा प्रभावशाली अध्ययनहरू निर्धारण गर्न उद्धरण विश्लेषण सञ्चालन गर्यौं र सामग्रीहरूलाई संक्षेप गर्यौं। तालिका 2010 ले 2022-5 र 1990-2010 को अवधिका लागि पन्ध्र सबैभन्दा प्रभावशाली कागजातहरूको सूची प्रस्तुत गर्दछ। Berni et al द्वारा लेखहरू। (2011)b र अस्टिन (2021) क्रमशः 2009 र 2010 उद्धरणहरू सहित, 1990 र 2010 मा सबैभन्दा धेरै उद्धृत गरिएको छ। Berni et al। (831)b ले हेलिकप्टर-आधारित UAV मार्फत किफायती थर्मल र साँघुरो ब्यान्ड मल्टिस्पेक्ट्रल इमेजिङ सेन्सरहरू मार्फत मात्रात्मक रिमोटसेन्सिङ उत्पादनहरू विकास गर्ने सम्भावनालाई चित्रण गर्यो। परम्परागत मानवयुक्त वायुजन्य सेन्सरहरूको तुलनामा, कृषिको लागि कम लागतको UAV प्रणालीले फसलहरूको बायोफिजिकल मापदण्डहरूको तुलनात्मक अनुमानहरू प्राप्त गर्न सक्षम छ, यदि राम्रो छैन। किफायती लागत र परिचालन लचिलोपन, उच्च स्पेक्ट्रल, स्थानिय, र अस्थायी रिजोल्युसनहरू द्रुत टर्नअराउन्ड समयमा उपलब्ध छ, सिँचाइ तालिका, र सटीक खेती सहित समय-महत्वपूर्ण व्यवस्थापन आवश्यक पर्ने अनुप्रयोगहरूको दायराका लागि उपयुक्त UAV हरू प्रस्तुत गर्दछ। Berni et al बाट कागज। (498)b उच्च रूपमा उद्धृत गरिएको छ किनभने यसले प्रभावकारी रूपमा मानवरहित रोटरी-विंग प्लेटफर्म र डिजिटल र थर्मल सेन्सरहरूलाई कृषि अनुप्रयोगहरूको लागि आवश्यक क्यालिब्रेसन संयन्त्रहरूसँग एकीकृत गरेको छ। दोस्रो सबैभन्दा उद्धृत प्रकाशन अस्टिन (2009) द्वारा लिखित पुस्तक हो, जसले डिजाइन, विकास, र तैनाती दृष्टिकोणबाट UAVs बारे छलफल गर्यो। कृषिमा, UAVs ले बालीको रंग परिवर्तन मार्फत रोगहरू प्रारम्भिक पत्ता लगाएर, बाली छर्न र स्प्रे गर्ने सुविधा, र अनुगमन र बथानहरू चलाएर बाली अनुगमनलाई समर्थन गर्दछ।
सुलिवान एट अल को अध्ययन। (2007), लुम्मे एट अल। (2008), र Gokto ¨ ǧan et al। (2010) शीर्ष पन्ध्र सबैभन्दा उद्धृत लेखहरूको सूची समाप्त गर्नुहोस्। यी लेखहरूले कृषिलाई समर्थन गर्न UAV-आधारित प्रणालीहरूको विकासलाई चित्रण गर्दछ। तिनीहरू विभिन्न समस्याहरूको समाधान प्रस्ताव गर्छन्, जस्तै बाली अनुगमन र स्क्यानिङ, झारको निगरानी र व्यवस्थापन, र निर्णय समर्थन। तिनीहरूले नमूना दक्षता बढाउने र किसानहरूलाई सही र प्रभावकारी योजना बनाउन मद्दत गर्ने UAV को क्षमताबारे पनि सुझाव र छलफल गर्छन्।
रोपण रणनीति। बर्नी (Berni et al., 2009b; Berni et al., 2009a), कृषि ड्रोन-सम्बन्धित अनुसन्धानमा उनको महत्त्वपूर्ण प्रभावलाई रेखांकित गर्दै दुईवटा पेपरहरू लेखिएका थिए। Zarco-Tejada et al बाट कागज। (2014) रूखको उचाइ परिमाणमा कम लागतको UAV इमेजरी प्रयोग गर्ने आवश्यकतालाई चित्रण गर्न अग्रगामी अध्ययनहरू मध्ये एक हो।
धेरै उद्धृत प्रकाशनहरूको सूची।
श्रेणी | 1990 बाट 2010 सम्म | 2011 बाट 2021 सम्म | ||
कागजात | उद्धरण | कागजात | उद्धरण | |
1 | (बर्नी एट अल।, 2009b) | 831 | (सी. झाङ र कोभाक्स, 2012) | 967 |
2 | (अस्टिन, २०१०) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (हन्ट एट अल।, २०१०) | 331 | (फ्लोरेनो र काठ, 2015) | 552 |
4 | (SR Herwitz et al।, 2004) | 285 | (होसेन मोतलाग आदि, 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (शखात्रेह एट अल।, 2019) | 383 |
6 | (बर्नी एट अल।, 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (बेन्डिग एट अल।, २०१४) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ad˜ ao et al।, 2017) | 335 |
10 | (Schmale III et al।, 2008) | 119 | (Honkavaara et al., 2013A) | 331 |
11 | (अब्द-एल्रहमान एट अल।, 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (टेकी एट अल।, २०१०) | 69 | (सियांग र तियान, २०११) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (लुम्मे एट अल।, २००८) | 42 | (गागो एट अल।, २०१५) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
दोस्रो अवधिमा (2011–2021), Zhang and Kovacs (2012) र Nex and Remondino (2014) ले गरेको अनुसन्धानले प्रायः उद्धृत प्रकाशनहरूको परिणाम ल्यायो। Zhang र Kovacs (2012) तर्क गर्छन् कि सटीक कृषिले भौगोलिक सूचना प्रणाली, GPS, र रिमोट सेन्सिङ जस्ता भूस्थानिक प्रविधिहरू र सेन्सरहरू लागू गर्नबाट फाइदा लिन सक्छ, क्षेत्रको भिन्नताहरू खिच्न र वैकल्पिक रणनीतिहरू प्रयोग गरेर तिनीहरूलाई ह्यान्डल गर्न। सटीक कृषिमा खेल-परिवर्तकको रूपमा, ड्रोनको ग्रहणले रिमोट सेन्सिङमा नयाँ युगको घोषणा गरेको छ, हवाई अवलोकनलाई सरल बनाउँदै, बाली वृद्धि डेटा, माटो अवस्थाहरू, र स्प्रे गर्ने क्षेत्रहरू कब्जा गर्न। Zhang र Kovacs (2012) को समीक्षा महत्त्वपूर्ण छ किनकि यसले वातावरणीय अनुगमन र सटीक कृषिमा यी यन्त्रहरूको अवस्थित प्रयोग र चुनौतीहरू, जस्तै प्लेटफर्म र क्यामेरा सीमितताहरू, डेटा प्रशोधन चुनौतीहरू, किसान संलग्नता, र उड्डयन नियमहरू प्रकट गरेर UAVs मा अन्तर्दृष्टि प्रदान गर्दछ। । दोस्रो
Nex र Remondino (2014) को सबैभन्दा उद्धृत अध्ययनले पृथ्वीको छविहरू खिच्न, प्रशोधन गर्न र विश्लेषण गर्न UAVs को कलाको अवस्थाको समीक्षा गर्यो।
तिनीहरूको कामले धेरै UAV प्लेटफर्महरू, अनुप्रयोगहरू, र प्रयोग केसहरूको एक सिंहावलोकन पनि प्रस्तुत गर्यो, UAV छवि प्रशोधनमा नयाँ प्रगतिहरू प्रदर्शन गर्दै। कृषिमा, किसानहरूले लागत र समय बचत प्राप्त गर्न, क्षतिको द्रुत र सटीक रेकर्ड प्राप्त गर्न, र सम्भावित समस्याहरूको पूर्वानुमान गर्न प्रभावकारी निर्णयहरू गर्न UAVs प्रयोग गर्न सक्छन्। परम्परागत एरियल प्लेटफर्मको विपरित, UAVs ले परिचालन खर्च कटौती गर्न सक्छ र कठोर स्थानहरूमा पहुँचको खतरालाई कम गर्न सक्छ जबकि अझै उच्च परिशुद्धता क्षमताको संरक्षण गर्दछ। तिनीहरूको पेपरले UAVs को विभिन्न फाइदाहरू सारांशित गर्दछ, विशेष गरी सटीकता र रिजोल्युसनको सन्दर्भमा।
2011 र 2021 बीचको बाँकी तेह्र सबैभन्दा उद्धृत प्रकाशनहरू मध्ये, हामीले इमेजिङ मिसनहरूमा ड्रोन अनुप्रयोगहरूसँग जोडिएको अनुसन्धानमा बढी एकाग्रता देख्यौं (बेन्डिग एट अल।, 2014; मा एट अल।, 2017; Zarco-तेजादा एट अल।, 2014)। , सटीक कृषि (Candiago et al।, 2015; Honkavaara et al।, 2013a), सटीक भिटिकल्चर (Matese et al।, 2015), पानीको तनाव मूल्याङ्कन (Gago et al।, 2015), र वनस्पति अनुगमन (Asen)। , 2015a)। प्रारम्भिक वर्षहरूमा, अनुसन्धानकर्ताहरूले ध्यान केन्द्रित गरे
कृषिको लागि कम लागत, हल्का वजन, र सटीक UAV-आधारित प्रणालीहरू विकास गर्ने बारे थप; हालैको अनुसन्धानले कृषि र क्षेत्र सर्वेक्षणका लागि UAV अनुप्रयोगहरूको समीक्षामा बढी ध्यान केन्द्रित गरेको छ। संक्षेपमा, यो विश्लेषणले प्रभावकारी प्रकाशनहरूले UAVs को हालको वैज्ञानिक र प्राविधिक स्थितिको मूल्याङ्कन गर्न र सटीक कृषिलाई समर्थन गर्न UAV प्रणालीहरू विकसित गर्नको लागि पहिलेका अध्ययनहरूको समीक्षाहरू प्रदान गरेको छ भनी प्रकट गर्दछ। चाखलाग्दो कुरा के छ भने, हामीले अनुभवजन्य काम गर्ने अध्ययनहरू फेला पारेनौं
विधिहरू वा वर्णनात्मक केस स्टडीहरू, जसले महत्त्वपूर्ण ज्ञान अन्तरलाई गठन गर्दछ र यस विषयमा थप अनुसन्धानको लागि कल गर्दछ।
सह-उद्धरण विश्लेषण
Gmür (2006) को अनुसार, सह-उद्धरण विश्लेषणले समान प्रकाशनहरू पहिचान गर्दछ र तिनीहरूलाई क्लस्टर गर्दछ। क्लस्टरको सावधानीपूर्वक परीक्षणले प्रकाशनहरू बीचको अनुसन्धानको साझा क्षेत्र प्रकट गर्न सक्छ। हामी सम्बन्धित विषय क्षेत्रहरू चित्रण गर्न र प्रकाशनहरूको बौद्धिक ढाँचाहरू पत्ता लगाउन कृषि ड्रोनसँग सम्बन्धित साहित्यको सह-उद्धरण अनुसन्धान गर्छौं। यस सम्बन्धमा, Small (1973) ले सबैभन्दा प्रभावशाली र मौलिक अनुसन्धान अध्ययन गर्न कोसिटेशन विश्लेषणको प्रयोग गर्न सिफारिस गरेको छ।
एक अनुशासन भित्र। सबैभन्दा महत्त्वपूर्ण लेखहरू (गोयल र कुमार, 2021) मा सेट सीमित गर्न, हामीले 25 को सह-उद्धरण थ्रेसहोल्ड सेट गर्यौं, जसको मतलब 25 वा धेरै फरक प्रकाशनहरूको सन्दर्भ सूचीमा दुई लेखहरू सँगै उद्धृत गरिएको हुनुपर्छ। क्लस्टरिङ पनि न्यूनतम क्लस्टर साइज १ को साथ र ठूला क्लस्टरहरूसँग साना क्लस्टरहरू मर्ज गर्ने कुनै पनि विधि बिना सञ्चालन गरिएको थियो। नतिजाको रूपमा, अध्ययनको समानता र तिनीहरूको बौद्धिक संरचनाको आधारमा छवटा क्लस्टरहरू उत्पन्न भए। तालिका 1 ले प्रत्येक क्लस्टरमा प्रकाशनहरूको वितरण देखाउँछ।
क्लस्टर १: यस क्लस्टरमा प्रकाशित भएका अठारवटा कागजातहरू छन् जुन यस क्लस्टरका प्रकाशनहरूले वातावरणीय अनुगमन, बाली व्यवस्थापन, र झार व्यवस्थापनलाई समर्थन गर्न ड्रोनको भूमिकाबारे छलफल गर्छन्। उदाहरण को लागी, Manfreda et al। (1) प्राकृतिक कृषि इकोसिस्टम अनुगमनमा UAV को हालको अनुसन्धान र कार्यान्वयनको एक सिंहावलोकन प्रदान गर्नुहोस् र तर्क गर्नुहोस् कि प्रविधिले वातावरणीय अनुगमनलाई तीव्र रूपमा वृद्धि गर्न र कम गर्न ठूलो क्षमता प्रदान गर्दछ।
क्षेत्र अवलोकन र परम्परागत हावा र अन्तरिक्षजन्य रिमोट सेन्सिङ बीचको विद्यमान अन्तर। यो सस्तो तरिकामा ठूला क्षेत्रहरूमा सुधारिएको अस्थायी पुन: प्राप्ति र स्थानिय अन्तरदृष्टिको लागि नयाँ क्षमता प्रदान गरेर गर्न सकिन्छ। UAVs ले वातावरणलाई निरन्तर महसुस गर्न सक्छ र नतिजा डेटा बुद्धिमानी, केन्द्रीकृत/ विकेन्द्रीकृत संस्थाहरूलाई पठाउन सक्छ जसले सेन्सरहरूलाई अन्तिम समस्याहरू पहिचान गर्न नियन्त्रण गर्दछ, जस्तै रोग वा पानी पत्ता लगाउनको कमी (Padua ´ et al।, 2017)। Adao ˜ et al। (2017) पानीको स्थिति, बायोमास अनुमान, र बलियो मूल्याङ्कनसँग सम्बन्धित कच्चा डाटाको एक विशाल मात्रा क्याप्चर गरेर बिरुवाहरूको अवस्थाको मूल्याङ्कन गर्न UAVs उपयुक्त छन् भन्ने कुरामा जोड दिनुहोस्। UAV-माउन्टेड सेन्सरहरू पनि तुरुन्तै उपयुक्त वातावरणीय अवस्थामा तैनात गर्न सकिन्छ रिमोट-सेन्सिङ डेटाको समयमै क्याप्चर गर्न अनुमति दिन (Von Bueren et al।, 2015)। UAVs को माध्यमबाट, किसानहरूले भित्री खेती वातावरणको त्रि-आयामी स्थान (जस्तै, हरितगृह) मा व्यावहारिक रूपमा कुनै पनि स्थानबाट मापन प्राप्त गरेर भित्री खेती गतिविधिहरू सञ्चालन गर्न सक्षम छन्, जसले स्थानीय जलवायु नियन्त्रण र बिरुवा अनुगमन सुनिश्चित गर्दछ (रोल्डन एट अल। ।, २०१५)। परिशुद्धताको सन्दर्भमा
कृषि, बाली व्यवस्थापन निर्णयहरूले उपयुक्त अस्थायी र स्थानिय रिजोल्युसन (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019) को साथ सही, भरपर्दो बाली डेटा आवश्यक हुन्छ। यस कारणका लागि, Agüera Vega et al। (2015) बढ्दो मौसममा सूर्यमुखी बालीको छविहरू प्राप्त गर्न UAV-माउन्ट गरिएको बहुस्पेक्ट्रल सेन्सर प्रणाली प्रयोग गर्यो। त्यस्तै, Huang et al। (2009) नोट गर्नुहोस् कि UAVs मा आधारित रिमोट सेन्सिङले सङ्कलन गरिएको स्पेक्ट्रल डाटाबाट बाली र माटोको मापनलाई सहज बनाउन सक्छ। Verger et al। (2014) गहुँ र रेपसेड बालीहरूमा ध्यान केन्द्रित गर्दै सटीक कृषि अनुप्रयोगहरूमा UAV प्रतिबिम्ब मापनबाट हरित क्षेत्र सूचकांक (GAI) अनुमान गर्ने प्रविधिको विकास र परीक्षण गर्यो। तसर्थ, ड्रोनहरूले बारम्बार पुन: भ्रमण र उच्च स्थानिय रिजोल्युसन (डोंग एट अल।, 2019; Garzonio et al।, 2017; H. Zheng et al।, 2016) संग फसल अवस्था जानकारी पुन: प्राप्त गर्न नयाँ सम्भावनाहरू प्रदान गर्दछ।
कृषि ड्रोनहरूमा प्रभावशाली प्रकाशनहरूको क्लस्टरिंग।
क्लस्टर | फराकिलो विषयवस्तु | सन्दर्भ |
1 | वातावरणीय अनुगमन, फसल व्यवस्थापन, झार व्यवस्थापन | (Ad˜ ao et al।, 2017; Agüera Vega et al।, 2015; डे कास्ट्रो एट अल।, २०१८; गोमेज-क्यान्ड ´ एट अल।, २०१४; YB हुआंग एट अल।, २०१३; खनाल आदि, 2017; लोपेज-ग्रानाडोस, २०११; Manfreda et al।, 2018; P' adua et al., 2017; पेना ˜ एट अल।, २०१३; पेरेज-ओर्टिज et al।, 2015; रासमुसेन एट अल।, २०१३, 2016; टोरेस-एस' anchez et al।, 2014; टोरेस-सान्चेज, 'लोपेज-ग्रानाडोस,' र पेना, ˜ 2015; Verger et al।, 2014; भोन बुरेन एट अल।, २०१५; C. झाङ र कोभाक्स, २०१२) |
2 | रिमोट फेनोटाइपिङ, उपज अनुमान, फसल सतह मोडेल, बिरुवाहरूको गणना | (Bendig et al।, 2013, 2014; Geipel et al।, 2014; Gnadinger ¨ & Schmidhalter, 2017; हाघीघाटलाब et al।, 2016; Holman et al।, 2016; जिन et al।, 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; शंकरन et al।, 2015; Schirrmann et al।, 2016; शि एट अल।, २०१६; Yue et al।, 2016; X। Zhou et al., 2017) |
3 | पानीको लागि थर्मल इमेजिङ, बहुस्पेक्ट्रल इमेजिङ | (बालुजा एट अल।, २०१२; बर्नी एट अल।, 2009b; बर्नी एट अल।, 2009a; क्यान्डियागो et al।, 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; खालिक et al., 2019; Matese et al।, 2015; रिबेरो-गोम्स एट अल।, 2017; Santesteban et al।, 2017; Uto et al., 2013) |
4 | हाइपरसेक्ट्रल इमेजिंग, स्पेक्ट्रल इमेजिङ | (Aasen et al।, 2015a; Bareth et al।, २०१५; Hakala et al।, 2015; Honkavaara et al।, 2013a; लुसियर et al।, 2014; सारी एट अल।, २०११; Suomalainen et al., 2014) |
5 | 3D-म्यापिङ अनुप्रयोगहरू | (Jim'enez-Brenes et al., 2017; Nex & Remondino, 2014; सलामी एट अल।, 2014; टोरेस-एस' एन्चेज, लोपेज-' Granados, Serrano, et al., 2015; Zahawi et al।, 2015; जार्को-तेजादा et al।, 2014) |
6 | कृषि निगरानी | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al।, 2012; जियाङ र टियान, २०११) |
यसबाहेक, ड्रोनहरू कृषिमा चुनौतीपूर्ण कार्यहरूका लागि उपयोगी छन्, झारको म्यापिङ सहित। यन्त्रहरूद्वारा खिचिएका छविहरूले खेतहरूमा प्रारम्भिक झार पत्ता लगाउन तिनीहरूको उपयोगिता प्रमाणित गरेको छ (de Castro et al., 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; रोजेनबर्ग एट अल।, 2021)। यस सन्दर्भमा, डी क्यास्ट्रो एट अल। (2018) पोजिट गर्नुहोस् कि UAV इमेजरी र वस्तु-आधारित छवि विश्लेषण (OBIA) को मर्जले प्रारम्भिक मौसम घाँसे मैदान बालीहरूमा प्रारम्भिक पत्ता लगाउने समस्यालाई पार गर्न अभ्यासकर्ताहरूलाई सक्षम बनाएको छ, जुन झारको अनुसन्धानमा एक ठूलो कदम हो। त्यस्तै गरी, Pena ˜ et al। (2013) औंल्याए कि UAV बाट अल्ट्रा-उच्च स्थानिय रिजोल्युसन छविहरूको प्रयोगले OBIA प्रक्रियाको संयोजनमा प्रारम्भिक मकै बालीहरूमा झार नक्साहरू उत्पन्न गर्न सम्भव बनाउँछ जुन मौसमी झार नियन्त्रण उपायहरूको कार्यान्वयनको योजनामा प्रयोग गर्न सकिन्छ, उपग्रह र परम्परागत वायुजनित छविहरूको क्षमता भन्दा बाहिरको कार्य। छवि वर्गीकरण वा वस्तु पत्ता लगाउने एल्गोरिदमको तुलनामा, सिमान्टिक सेग्मेन्टेसन प्रविधिहरू झारको म्यापिङ कार्यहरूमा बढी प्रभावकारी हुन्छन् (J. Deng et al., 2020), यसरी किसानहरूलाई खेती अवस्था पत्ता लगाउन, घाटा कम गर्न र बढ्दो मौसममा उत्पादन सुधार गर्न सक्षम बनाउँछ (रमेश) et al., 2020)। गहिरो शिक्षामा आधारित सिमान्टिक विभाजनले उच्च-रिजोल्युसन एरियल छविहरू (रमेश एट अल।, 2020; A. Zheng et al।, 2022) बाट वनस्पति आवरणको सही मापन पनि प्रदान गर्न सक्छ। टाढाको लागि तिनीहरूको सम्भावना भए पनि
सेन्सिङ पिक्सेल वर्गीकरण, सिमेन्टिक सेग्मेन्टेसन प्रविधिहरूलाई महत्त्वपूर्ण गणना र निषेधात्मक रूपमा उच्च GPU मेमोरी चाहिन्छ (J. Deng et al।, 2020)।
मेसिन लर्निङ र UAV मा आधारित, P´erez-Ortiz et al। (2015) कृषकहरूले प्रारम्भिक-पोस्ट उदाउँदो झार नियन्त्रण अपनाएपछि साइट-विशिष्ट झार नियन्त्रण रणनीतिहरू प्रदान गर्न झार म्यापिङ दृष्टिकोणको सुझाव दियो। अन्तमा, रासमुसेन एट अल। (2013) हाइलाइट गरियो कि ड्रोनहरूले उत्कृष्ट स्थानिय रिजोलुसन लचिलोपनको साथ सस्तो सेन्सिङ प्रदान गर्दछ। समग्रमा, यस क्लस्टरका प्रकाशनहरूले रिमोट सेन्सिङ, फसल अनुगमन, र झारको म्यापिङलाई समर्थन गर्न UAVs को सम्भावनाहरू अन्वेषण गर्नमा केन्द्रित छन्। वातावरणीय अनुगमन, बाली व्यवस्थापन, र झारपात म्यापिङमा ड्रोन अनुप्रयोगहरूले कसरी थप दिगो कृषि हासिल गर्न सक्छन् भनेर थप अनुसन्धान गर्न थप गहिरो अनुसन्धान आवश्यक छ (चमुआह र सिंह, २०१९; इस्लाम एट अल।, २०२१; पोपेस्कु एट अल।, २०२०; जे। Su, Liu, et al., 2019) र बाली बीमा अनुप्रयोगहरूमा यस प्रविधिको प्रशासनिक मुद्दाहरूलाई सम्बोधन गर्नुहोस् (बसनेट र बांग, 2021; चमुह र सिंह, 2020, 2018; मेइनेन र रोबिन्सन, 2018)। अन्वेषकहरूले प्रशोधित डाटाको अन्तिम गुणस्तर बृद्धि गर्न कुशल प्रशोधन प्रविधिहरूको साथ UAV सङ्कलन मापनहरू मान्य गर्नमा ध्यान केन्द्रित गर्नुपर्छ (Manfreda et al।, 2019)। यसबाहेक, डिजिटल छविहरूमा झार देखाउने पिक्सेलहरू पहिचान गर्ने र UAV वीड म्यापिङको क्रममा अप्रासंगिक पृष्ठभूमि हटाउन उपयुक्त एल्गोरिदमहरूको विकास आवश्यक छ (Gaˇsparovi´c et al., 2022; Hamylton et al., 2021; H. Huang et al। , 2018, 2020; Lopez- ´ Granados et al., 2020)। बिरुवा पहिचान, पात वर्गीकरण, र रोग म्यापिङ मा अर्थ विभाजन प्रविधि को अपनाउन मा अतिरिक्त अनुसन्धान स्वागत छ (Fuentes-Pacheco et al।, 2018; Kerkech et al।, 2020)।
क्लस्टर २. यस क्लस्टरका प्रकाशनहरू कृषि ड्रोनका धेरै पक्षहरूमा केन्द्रित थिए। रिमोट फेनोटाइपिङसँग सम्बन्धित, शंकरन एट अल। (2) ले खेतमा बालीहरूको द्रुत फेनोटाइपिङको लागि UAVs सँग कम-उचाइ, उच्च-रिजोल्युशन एरियल इमेजिङ प्रयोग गर्ने सम्भावनाको समीक्षा गर्यो, र तिनीहरू तर्क गर्छन् कि, भू-आधारित सेन्सिङ प्लेटफर्महरूको तुलनामा, पर्याप्त सेन्सरहरू भएका साना UAVs ले धेरै फाइदाहरू प्रदान गर्दछ। , जस्तै फिल्डमा सजिलो पहुँच, उच्च रिजोलुसन डाटा, कुशल डाटा संग्रह,
क्षेत्र विकास अवस्थाको द्रुत मूल्याङ्कन, र कम परिचालन लागत। यद्यपि, लेखकहरूले यो पनि नोट गर्छन् कि फिल्ड फेनोटाइपिङको लागि UAV को प्रभावकारी अनुप्रयोग दुई आधारभूत तत्वहरूमा निर्भर गर्दछ, अर्थात्, UAV सुविधाहरू (जस्तै, सुरक्षा, स्थिरता, स्थिति, स्वायत्तता) र सेन्सर विशेषताहरू (जस्तै, संकल्प, वजन, वर्णक्रमीय तरंगदैर्ध्य, क्षेत्र। दृश्य)। हाघीघट्टलाब आदि। (2016) ले UAV इमेजरीबाट प्लट-स्तर डेटा पुन: प्राप्त गर्न र प्रजनन प्रक्रियालाई गति दिन अर्ध-स्वचालित छवि प्रशोधन पाइपलाइन प्रस्ताव गर्यो। Holman et al। (2016) एक उच्च विकसित
थ्रुपुट फिल्ड फेनोटाइपिङ प्रणाली र UAV ले गुणस्तरीय, विशाल, फिल्ड-आधारित फेनोटाइपिक डाटा सङ्कलन गर्न सक्षम छ र यन्त्र ठूलो क्षेत्र र विभिन्न क्षेत्रका स्थानहरूमा प्रभावकारी छ भनेर हाइलाइट गर्यो।
उपज अनुमान जानकारी को एक अविश्वसनीय रूप देखि महत्वपूर्ण टुक्रा हो, विशेष गरी समय मा उपलब्ध हुँदा, UAVs को लागि सबै क्षेत्र मापन प्रदान गर्न र कुशलतापूर्वक उच्च गुणस्तर डाटा प्राप्त गर्न को लागी एक सम्भाव्यता छ (डाकिर एट अल।, 2017; डेमिर एट अल।, 2018। ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012)। यस सन्दर्भमा, जिन एट अल। (2017) धेरै कम उचाइमा UAVs द्वारा प्राप्त उच्च रिजोल्युसन इमेजरीको फाइदा उठाउनको लागि गहुँको बिरुवाको घनत्व अनुमान गर्ने विधि विकास र मूल्याङ्कन गर्नको लागि। लेखकहरूका अनुसार, UAVs ले क्यामेराले सुसज्जित रोभर प्रणालीहरूको सीमितताहरू पार गर्दछ र बालीहरूमा बोटबिरुवाको घनत्व अनुमान गर्न गैर-आक्रामक विधि प्रतिनिधित्व गर्दछ, जसले किसानहरूलाई माटोको यातायात योग्यताबाट स्वतन्त्र फिल्ड फेनोटाइपिङको लागि आवश्यक उच्च थ्रुपुट प्राप्त गर्न अनुमति दिन्छ। लि एट अल। (2016) ले क्यानोपी उचाइ र माथिको जमिन बायोमास सहित मकै प्यारामिटरहरू अनुमान गर्न UAV- आधारित प्रणाली प्रयोग गरी अत्यधिक उच्च रिजोल्युसनका साथ सयौं स्टेरियो छविहरू सङ्कलन गर्यो। अन्तमा, Yue et al। (2017) UAVs बाट निर्धारण गरिएको फसलको उचाइले माथिको जमिनको बायोमास (AGB) अनुमान बढाउन सक्छ।
बाली वृद्धि अनुगमन गर्ने दृष्टिकोण भनेको बाली सतह मोडेलहरू विकास गर्ने विचार हो (बेन्डिग एट अल।, २०१४, २०१५; होल्मान एट अल।, २०१६; पाण्डे, श्रेष्ठ, एट अल।, २०२०; सुमेश एट अल।, २०२१)। धेरै अध्ययनहरूले बिरुवाहरूको उचाइ खिच्न र तिनीहरूको वृद्धि अनुगमन गर्न UAV बाट लिइएको छविहरूको सम्भाव्यतालाई हाइलाइट गर्यो। उदाहरण को लागी, Bendig et al। (2014) UAV प्रयोग गरेर 2015 मिटर भन्दा कमको धेरै उच्च रिजोल्युसनको साथ बहु-टेम्पोरल क्रप सतह मोडेलहरूको विकास वर्णन गर्दछ। उनीहरूले बाली पत्ता लगाउने लक्ष्य राखेका थिए
वृद्धि परिवर्तनशीलता र बाली उपचार, खेती, र तनाव मा निर्भरता। Bendig et al। (2014) बाली सतह मोडेलहरूबाट निकालिएको बिरुवाको उचाइमा आधारित ताजा र सुख्खा बायोमास अनुमान गर्न UAVs प्रयोग गर्यो र फेला पर्यो कि, वायुजनित प्लेटफर्महरू र स्थलीय लेजर स्क्यानिङको विपरीत, UAVs बाट उच्च रिजोल्युशन छविहरूले बिरुवाको उचाइ मोडेलिङको सटीकतालाई विभिन्न वृद्धिका लागि बढाउन सक्छ। चरणहरू। उही नसामा, Geipel et al। (2014) इमेजरी प्राप्त गर्न उनीहरूको अनुसन्धानमा UAVs प्रयोग गरियो
प्रारम्भिक देखि मध्य-मौसमसम्म तीन फरक वृद्धि चरणहरूमा मकैको दाना उत्पादन भविष्यवाणीको लागि डाटासेटहरू र निष्कर्षमा पुगे कि आकाशीय छविहरू र बाली सतह मोडेलहरूमा आधारित स्पेक्ट्रल र स्थानिय मोडेलिङको संयोजन मध्य-मौसम मकैको उपज भविष्यवाणी गर्न उपयुक्त विधि हो। अन्तमा, Gnadinger ¨ र Schmidhalter (2017) ले सटीक फेनोटाइपिङमा UAV को उपयोगिताको जाँच गरे र यस प्रविधिको प्रयोगले खेती व्यवस्थापन बढाउन र प्रजनन र कृषि उद्देश्यका लागि क्षेत्र प्रयोगलाई सक्षम पार्ने कुरालाई प्रकाश पारे। कुल मिलाएर, हामी क्लस्टर 2 मा प्रकाशनहरू रिमोटमा UAVs को मुख्य फाइदाहरूमा फोकस गर्छौं भनेर देख्छौं।
फेनोटाइपिङ, उपज अनुमान, फसल सतह मोडेलिङ, र बिरुवा गणना। भविष्यका अध्ययनहरूले रिमोट फेनोटाइपिङका लागि नयाँ विधिहरू विकास गरेर गहिरो खन्न सक्छ जसले टाढाको सेन्स्ड डाटाको प्रशोधनलाई स्वचालित र अनुकूलन गर्न सक्छ (बाराबास्ची एट अल।, 2016; Liebisch et al।, 2015; Mochida et al।, 2015; S. Zhou et al। ।, २०२१)। थप रूपमा, UAV मा माउन्ट गरिएको IoT सेन्सरहरूको प्रदर्शन र तिनीहरूको लागत, श्रम, र उपज अनुमानको शुद्धता बीचको ट्रेड-अफमा अनुसन्धान गर्न आवश्यक छ।
भविष्य (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018)। अन्ततः, कुशल छवि प्रशोधन विधिहरू विकास गर्न आवश्यक छ जसले भरपर्दो जानकारी उत्पन्न गर्न सक्छ, कृषि उत्पादनमा दक्षता बढाउन सक्छ, र किसानहरूको म्यानुअल गणना कार्यलाई न्यूनीकरण गर्न सक्छ (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020)।
क्लस्टर 3. यस क्लस्टरका प्रकाशनहरूले UAV प्लेटफर्महरूमा प्रयोग गरिने कृषि स्रोतहरूको रिमोट सेन्सिङका लागि विभिन्न प्रकारका इमेजिङ प्रणालीहरूबारे छलफल गर्दछ। यस सम्बन्धमा, थर्मल इमेजिङले बालीको क्षति रोक्न र खडेरीको तनावलाई छिट्टै पत्ता लगाउन सतहको तापक्रमको अनुगमन गर्न अनुमति दिन्छ (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; येओम, 2021)। बालुजा र अन्य। (२०१२) जहाजमा मल्टिस्पेक्ट्रल र थर्मल क्यामेराको प्रयोगमा जोड दिइएको छ
UAV ले अनुसन्धानकर्ताहरूलाई उच्च रिजोल्युसन छविहरू प्राप्त गर्न र बेलको पानीको स्थिति मूल्याङ्कन गर्न सक्षम बनायो। यो रिमोट सेन्सिङ डाटा (बालुजा एट अल।, 2012) को प्रयोग गरेर उपन्यास पानी समय तालिका मोडेल विकास गर्न उपयोगी हुन सक्छ। को कारणले
UAVs को सीमित लोड क्षमता, Ribeiro-Gomes et al। (2017) ले बिरुवाहरूमा पानीको तनाव निर्धारण गर्न UAVS मा अनकुल्ड थर्मल क्यामेराहरूको एकीकरणलाई विचार गर्यो, जसले यस प्रकारको UAVs लाई परम्परागत उपग्रह-आधारित रिमोट सेन्सिङ र कूल थर्मल क्यामेराहरूले सुसज्जित UAVs भन्दा बढी कुशल र व्यवहार्य बनाउँछ। लेखकहरूका अनुसार, कूल्ड थर्मल क्यामेराहरू चिसो क्यामेराहरू भन्दा हल्का हुन्छन्, उपयुक्त क्यालिब्रेसन चाहिन्छ। Gonzalez-Dugo et al। (2014) ले देखाएको छ कि थर्मल इमेजरीले पानीको स्थितिको मूल्याङ्कन गर्न र सिट्रस बगैंचाहरू बीच र भित्र पानीको तनावको मात्रा निर्धारण गर्न फसलको पानीको तनाव सूचकहरूको स्थानिय नक्सा प्रभावकारी रूपमा उत्पन्न गर्दछ। Gonzalez-Dugo et al। (2013) र Santesteban et al। (2017) व्यावसायिक बगैचा र दाखबारीको पानी स्थिति परिवर्तनशीलता अनुमान गर्न उच्च रिजोलुसन UAV थर्मल इमेजरीको प्रयोगको अनुसन्धान गर्यो।
मल्टिस्पेक्ट्रल इमेजिङले परम्परागत आरजीबी (रातो, हरियो र निलो) छविहरू (Ad˜ ao et al।, 2017; Navia et al।, 2016) को तुलनामा ठूलो डेटा प्रदान गर्न सक्छ। यो स्पेक्ट्रल डेटा, स्थानिय डेटा सहित, वर्गीकरण, म्यापिङ, पूर्वानुमान, भविष्यवाणी, र पत्ता लगाउने उद्देश्यहरूमा मद्दत गर्न सक्छ (बर्नी एट अल।, 2009b)। Candiago et al को अनुसार। (2015), UAV आधारित मल्टिस्पेक्ट्रल इमेजिङले फसलको मूल्याङ्कन र सटीक कृषिमा भरपर्दो र कुशल स्रोतको रूपमा ठूलो योगदान दिन सक्छ। साथै,
खालिक र अन्य। (2019) उपग्रह र UAV आधारित मल्टिस्पेक्ट्रल इमेजिङ बीचको तुलना गरियो। UAV- आधारित छविहरूले दाखबारीको परिवर्तनशीलता वर्णन गर्नका साथै बाली क्यानोपीहरू प्रतिनिधित्व गर्नको लागि बलियो नक्साहरू वर्णन गर्न थप सटीक भएको परिणाम दिन्छ। संक्षेपमा, यस क्लस्टरका लेखहरूले कृषि UAVs मा थर्मल र मल्टिस्पेक्ट्रल इमेजिङ सेन्सरहरू समावेश गर्ने बारे छलफल गर्दछ। तदनुसार, थर्मल र मल्टिस्पेक्ट्रल इमेजिङलाई एआईसँग कसरी एकीकृत गर्न सकिन्छ भनेर बुझ्न थप अनुसन्धान आवश्यक छ
बिरुवाको तनाव पत्ता लगाउने प्रविधिहरू (जस्तै, गहिरो शिक्षा) (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021)। त्यस्ता अन्तर्दृष्टिहरूले थप प्रभावकारी र सही पत्ता लगाउनका साथै बिरुवाको वृद्धि, तनाव, र फिनोलोजीको अनुगमन सुनिश्चित गर्न मद्दत गर्नेछ (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., २०२०)।
क्लस्टर 4. यस क्लस्टरमा सातवटा कागजातहरू छन् जुन कृषि अभ्यासहरूलाई समर्थन गर्न स्पेक्ट्रल इमेजिङ र हाइपरस्पेक्ट्रल इमेजिङको महत्त्वपूर्ण भूमिकाको वरिपरि घुम्छ। हाइपरस्पेक्ट्रल इमेजिङले आफूलाई रिमोट-सेन्सिङ विधिको रूपमा स्थापित गरेको छ जसले पृथ्वी प्रणालीको मात्रात्मक मूल्याङ्कनलाई सक्षम बनाउँछ (Schaepman et al., 2009)। अझ सटीक हुनको लागि, यसले सतह सामग्रीहरूको पहिचान, (सापेक्ष) सांद्रताहरूको परिमाणीकरण, र सक्षम बनाउँछ। सतह घटक अनुपात को असाइनमेन्ट
मिश्रित पिक्सेल भित्र (Kirsch et al।, 2018; Zhao et al।, 2022)। अर्को शब्दमा, हाइपरस्पेक्ट्रल प्रणालीहरूद्वारा प्रदान गरिएको उच्च स्पेक्ट्रल रिजोल्युसनले शाकाहारी गुणहरू वा पातको पानी सामग्री (Suomalainen et al।, 2014) जस्ता विभिन्न प्यारामिटरहरूको अधिक सटीक अनुमानहरू सक्षम बनाउँछ। यस क्लस्टरका अन्वेषकहरूले त्यस्ता प्रणालीका विभिन्न पक्षहरूको अनुसन्धान गरे। अन्य मध्ये, Aasen et al। (2015b) हल्का वजनबाट त्रि-आयामी हाइपरस्पेक्ट्रल जानकारी प्राप्त गर्नको लागि एक अद्वितीय दृष्टिकोण प्रस्ताव गरियो।
वनस्पति अनुगमनको लागि UAVs मा प्रयोग गरिएको स्न्यापसट क्यामेरा। लुसियर र अन्य। (2014) ले उपन्यास हाइपरस्पेक्ट्रल UAS को डिजाइन, विकास, र हवाई अपरेसनहरू साथै यससँग एकत्रित छवि डेटाको अंशांकन, विश्लेषण, र व्याख्याको बारेमा छलफल गर्यो। अन्तमा, Honkavaara et al। (2013b) FabryPerot इन्टरफेरोमिटरमा आधारित स्पेक्ट्रल छविहरूको लागि एक व्यापक प्रशोधन दृष्टिकोण विकसित गर्यो र सटीक कृषिको लागि बायोमास अनुमान प्रक्रियामा यसको प्रयोग देखायो। यस वर्तमान क्लस्टरका लागि सम्भावित भविष्यका मार्गहरूमा सेन्सर प्रविधिहरूमा प्राविधिक सुधारहरू (आसेन एट अल।, 2015b) साथै पूरक प्रविधिहरू, विशेष गरी ठूला डाटा र एनालिटिक्स (Ang & Seng, 2021b) समावेश गर्ने र विस्तार गर्ने आवश्यकतालाई जोड दिइएको छ। -Grammatikis et al., 2020; Shakoor et al., 2019)। पछिल्लो मुख्यतया स्मार्ट कृषि (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021) मा लागू विभिन्न सेन्सरहरू द्वारा उत्पन्न बढ्दो डेटाबाट उत्पन्न हुन्छ।
क्लस्टर 5. यस क्लस्टरका प्रकाशनहरूले ड्रोनमा आधारित थ्रीडीम्यापिङ अनुप्रयोगहरूको जाँच गरे। थ्रीडी म्यापिङका लागि ड्रोनको प्रयोगले जटिल फिल्डवर्कलाई कम गर्न सक्छ र पर्याप्त रूपमा दक्षता बढाउन सक्छ (Torres-Sanchez ´ et al।, 3)। क्लस्टरका पाँचवटा लेखहरू मुख्यतया बिरुवा अनुगमन अनुप्रयोगहरूमा केन्द्रित थिए। उदाहरणका लागि, क्यानोपी क्षेत्र, रूखको उचाइ, र मुकुटको मात्रा बारे त्रि-आयामिक डेटा प्राप्त गर्न, Torres-Sanchez ´ et al। (3) डिजिटल सतह मोडेलहरू र त्यसपछि वस्तु-आधारित छवि विश्लेषण (OBIA) दृष्टिकोणहरू उत्पन्न गर्न UAV प्रविधि प्रयोग गरियो। यसबाहेक, Zarco-Tejada et al। (2015) UAV टेक्नोलोजी र त्रि-आयामी फोटो-पुनर्निर्माण विधिहरू एकीकृत गरेर रूखको उचाइ मापन गरियो। Jim'enez-Brenes Lopez-Granados, ´De Castro, et al. (2015) ले UAV प्रविधिलाई उन्नत OBIA पद्धतिसँग एकीकृत गरेर दर्जनौं जैतूनका रूखहरूको बहु-अस्थायी, 2014D निगरानीको लागि नयाँ प्रक्रिया प्रदर्शन गर्यो। यस क्लस्टरमा भविष्यका कामहरूको लागि चाखलाग्दो मार्गहरूमा या त वर्तमान सुधार समावेश छ
विधिहरू (Zarco-Tejada et al।, 2014) डिजिटल सतह मोडलिङ उद्देश्यका लागि (Ajayi et al।, 2017; Jaud et al।, 2016), जस्तै OBIA (de Castro et al।, 2018, 2020; Ventura et al। , 2018), र फोटो पुनर्निर्माण वा विकास गर्ने उपन्यास विधिहरू (Díaz-Varela et al।, 2015; Torres-S' anchez et al।, 2015)।
क्लस्टर ६. यस क्लस्टरले कृषि निगरानीमा ड्रोनको भूमिकाबारे छलफल गर्छ। UAVs ले उपग्रह र विमान इमेजिङका कमजोरीहरूलाई पूरक र हटाउन सक्छ। उदाहरणका लागि, तिनीहरूले कम ईन्धन वा पाइलटिङ चुनौतीहरूको साथ वास्तविक-समय इमेजिङको नजिक उच्च रिजोल्युसन प्रदान गर्न सक्छन्, परिणामस्वरूप स्थिर र वास्तविक-समय निगरानी र निर्णय-निर्धारणमा सुधारहरू (S. Herwitz et al।, 6)। UAVs को अर्को मुख्य योगदान भनेको तिनीहरूको उच्च रिजोल्युसनको रूपमा सटीक कृषि वा साइट-विशिष्ट खेतीको लागि साइट-विशिष्ट डेटा प्रदान गर्ने क्षमता हो, विभिन्न मापदण्डहरूको बारेमा विस्तृत डेटाले किसानहरूलाई भूमिलाई समान भागहरूमा विभाजन गर्न र तदनुसार व्यवहार गर्न सक्षम बनाउँछ (हन्ट एट अल। , 2004; CC Lelong et al।, 2010; Primicerio et al।, 2008)। यस्तो UAV-आधारित कृषि निगरानीले खाद्य सुरक्षा अनुगमन र निर्णय लिने समर्थन गर्न सक्छ (SR Herwitz et al., 2012)। कृषि निगरानीमा अनुसन्धानलाई अगाडि बढाउन, सेन्सरहरू, UAVs, र अन्य सम्बन्धित प्रविधिहरू र तिनीहरूको सञ्चार र डेटा स्थानान्तरण विधिहरूमा सुधार मात्र आवश्यक छैन (Ewing et al., 2004; Shuai et al., 2020), तर विभिन्न ड्रोनहरू एकीकरण गर्दै। स्मार्ट कृषिको सम्बन्धमा विभिन्न कार्यहरू अनुकूलन गर्नका लागि प्रविधिहरू, जस्तै निगरानी, कृषि निगरानी, र निर्णय लिने, एक उच्च सम्भावित अनुसन्धान क्षेत्र हो (Alsamhi et al।, 2019; Popescu et al।, 2021; Vuran et al।, 2020)। यस सन्दर्भमा, IoT, WSNs, र ठूलो डेटाले रोचक पूरक क्षमताहरू प्रदान गर्दछ (van der Merwe et al।, 2018)। कार्यान्वयन लागत, लागत बचत, ऊर्जा दक्षता, र डाटा सुरक्षा यस्तो एकीकरणको लागि अन्डर-अनुसन्धान क्षेत्रहरू मध्ये छन् (Masroor et al।, 2020)।
देशहरू र शैक्षिक संस्थाहरू
अन्तिम चरणमा मूल देशको अनुसन्धान र लेखकहरूको शैक्षिक सम्बद्धता समावेश थियो। यस विश्लेषणको माध्यमबाट, हामीले कृषिमा ड्रोनको प्रयोगमा योगदान गर्ने विद्वानहरूको भौगोलिक वितरणलाई अझ राम्ररी बुझ्ने लक्ष्य राख्छौं। देशहरू र शैक्षिक संस्थाहरूको विविधतालाई ध्यान दिन यो उल्लेखनीय छ। देशको परिप्रेक्ष्यमा, संयुक्त राज्य अमेरिका, चीन, भारत, र इटाली प्रकाशनहरूको संख्याको आधारमा सूचीको शीर्षमा छन् (तालिका 7)। वर्तमान
कृषि ड्रोनहरूमा अनुसन्धान मुख्यतया सटीक कृषि अनुप्रयोगहरूमा उनीहरूको उच्च संलग्नताको कारणले उत्तर अमेरिकी र एशियाली देशहरूमा केन्द्रित छ। उदाहरण को लागी, संयुक्त राज्य अमेरिका मा, कृषि ड्रोन को बजार 841.9 मिलियन USD वर्ष 2020 मा अनुमान गरिएको थियो, विश्व बजार शेयर को लगभग 30% को लागी लेखांकन (ReportLinker, 2021)। विश्वको सबैभन्दा ठूलो अर्थतन्त्रको रूपमा र्याङ्किङ गर्दै, चीनले 2.6 मा अनुमानित बजार आकार 2027 बिलियन अमेरिकी डलर पुग्ने अनुमान गरिएको छ। यो देशले उत्पादकता समस्याहरू पार गर्न र राम्रो उपज, श्रम कम गर्न र कम उत्पादन इनपुटहरू प्राप्त गर्न कृषि ड्रोनहरूको लागि अपील गरिरहेको छ। यद्यपि, चीनमा प्रविधिको अवलम्बन पनि जनसङ्ख्याको आकार र विद्यमान बाली व्यवस्थापन अभ्यासहरूलाई आविष्कार र सुधार गर्ने आवश्यकता जस्ता कारकहरूद्वारा प्रेरित छ।
शीर्ष सबैभन्दा उत्पादक देशहरू र विश्वविद्यालयहरू/संस्थाहरू जसले योगदान गर्दछ
कृषि ड्रोन सम्बन्धी अनुसन्धान।
श्रेणी | देश |
1 | संयुक्त राज्य अमेरिका |
2 | चीन |
3 | भारत |
4 | इटाली |
5 | स्पेन |
6 | जर्मनी |
7 | ब्राजिल |
8 | अष्ट्रेलिया |
9 | जापान |
10 | संयुक्त राज्य |
श्रेणी | विश्वविद्यालयहरू / संगठनहरू |
1 | चिनियाँ विज्ञान एकेडेमी |
2 | जनवादी गणतन्त्र चीनको कृषि मन्त्रालय |
3 | वैज्ञानिक अनुसन्धानको उत्कृष्ट परिषद |
4 | टेक्सास ए एण्ड एम विश्वविद्यालय |
5 | चीन कृषि विश्वविद्यालय |
6 | यूएसडीए कृषि अनुसंधान सेवा |
7 | CSIC - Instituto de Agricultura Sostenible IAS |
8 | पर्डु विश्वविद्यालय |
9 | कन्सेग्लियो नाजिओनाले डेल रिच्रे |
10 | दक्षिण चीन कृषि विश्वविद्यालय |
विश्वविद्यालय र संगठनात्मक परिप्रेक्ष्यमा, चाइनिज एकेडेमी अफ साइन्सेस प्रकाशनहरूको संख्याको आधारमा सूचीमा शीर्ष स्थानमा छ, त्यसपछि जनवादी गणतन्त्र चीनको कृषि मन्त्रालय र कन्सेजो सुपीरियर डे इन्भेस्टिगेशन सिन्टिफिकास। चाइनिज एकेडेमी अफ साइन्सेस को लेखक लियाओ सियाओहान र ली जुन द्वारा प्रतिनिधित्व गरिएको छ; हान वेन्टिङ जनवादी गणतन्त्र चीनको कृषि मन्त्रालयको प्रतिनिधित्व गर्छन्; र Consejo Superior de Investigaciones Científicas को प्रतिनिधित्व लोपेज-ग्रानाडोस, ´F. र Pena, ˜ Jos´e María S. संयुक्त राज्य अमेरिकाबाट, टेक्सास A&M विश्वविद्यालय र पर्ड्यू विश्वविद्यालय जस्ता विश्वविद्यालयहरूले आफ्नो
उल्लेख। सबैभन्दा धेरै प्रकाशनहरू भएका विश्वविद्यालयहरू र तिनीहरूको जडानहरू चित्र 4 मा देखाइएको छ। साथै, यस सूचीमा वैज्ञानिक अनुसन्धानमा सक्रिय Consiglio Nazionale delle Ricerche र Consejo Superior de Investigaciones Científicas जस्ता संस्थाहरू समावेश छन्, तर शैक्षिक संस्थाहरू होइनन्। ।
हाम्रो छनोटमा विभिन्न प्रकारका जर्नलहरू समावेश थिए, जसमा लगभग सबै उपलब्ध डाटाहरू समावेश थिए। तालिका 8 मा देखाइए अनुसार, 258 लेखहरू भएको रिमोट सेन्सिङ शीर्षमा छ, त्यसपछि जर्नल अफ इन्टेलिजेन्ट एन्ड रोबोटिक सिस्टम्स: थ्योरी र एप्लिकेसनहरू 126 र कम्प्युटर र इलेक्ट्रोनिक्स इन एग्रीकल्चर 98 लेखहरू छन्। जबकि रिमोट सेन्सिङ प्रायः ड्रोनको प्रयोग र विकासमा केन्द्रित छ, कृषिमा कम्प्युटर र इलेक्ट्रोनिक्सले मुख्यतया कम्प्युटर हार्डवेयर, सफ्टवेयर, इलेक्ट्रोनिक्स, र कृषिमा नियन्त्रण प्रणालीहरूमा भएको प्रगतिलाई समेट्छ। क्रस-एरिया आउटलेटहरू, जस्तै IEEE रोबोटिक्स र स्वचालन पत्रहरू 87 प्रकाशनहरू र 34 प्रकाशनहरूसँग IEEE पहुँच, पनि यस क्षेत्रमा प्रमुख आउटलेटहरू हुन्। शीर्ष पन्ध्र आउटलेटहरूले 959 कागजातहरू सहित साहित्यमा योगदान दिएका छन्, जुन सबै प्रकाशनहरूको लगभग 20.40% हो। जर्नल सह-उद्धरण विश्लेषणले हामीलाई प्रकाशनहरू बीचको महत्त्व र समानता जाँच्न सक्षम बनाउँछ। सह-उद्धरण विश्लेषणले चित्र 5 मा देखाइए अनुसार तीन क्लस्टरहरू उत्पादन गर्दछ। रातो क्लस्टरमा रिमोट सेन्सिङ, कम्प्युटर र कृषिमा इलेक्ट्रोनिक्स, सेन्सरहरू जस्ता जर्नलहरू हुन्छन्।
र रिमोट सेन्सिङको अन्तर्राष्ट्रिय जर्नल। यी सबै आउटलेटहरू रिमोट सेन्सिङ र सटीक कृषि क्षेत्रमा उच्च सम्मानित पत्रिकाहरू हुन्। हरियो क्लस्टरले जर्नलहरू समावेश गर्दछ जसले रोबोटिक्ससँग सम्झौता गर्दछ, जस्तै जर्नल अफ इंटेलिजेन्ट र रोबोटिक प्रणालीहरू: सिद्धान्त र अनुप्रयोगहरू, IEEE रोबोटिक्स र स्वचालन पत्रहरू, IEEE पहुँच, र ड्रोनहरू। यी आउटलेटहरूले प्रायः स्वचालनमा कागजातहरू प्रकाशित गर्छन् र कृषि इन्जिनियरहरूका लागि उपयोगी छन्। अन्तिम क्लस्टर एग्रोनोमी र कृषि र जैविक इन्जिनियरिङको अन्तर्राष्ट्रिय जर्नल जस्ता एग्रोनोमी र कृषि इन्जिनियरिङसँग सम्बन्धित जर्नलहरूद्वारा गठन गरिएको हो।
कृषि ड्रोन-सम्बन्धित अनुसन्धानमा शीर्ष 15 जर्नलहरू।
श्रेणी | जर्नल | गणना गर्नुहोस् |
1 | टाढाको संवेदन | 258 |
2 | जर्नल अफ इंटेलिजेन्ट एण्ड रोबोटिक सिस्टम्स: थ्योरी र आवेदन | 126 |
3 | कृषिमा कम्प्युटर र इलेक्ट्रोनिक्स | 98 |
4 | IEEE रोबोटिक्स र स्वचालन पत्रहरू | 87 |
5 | सेंसर | 73 |
6 | रिमोट सेन्सिङको अन्तर्राष्ट्रिय जर्नल | 42 |
7 | सटीक कृषि | 41 |
8 | ड्रोन | 40 |
9 | Agronomy | 34 |
10 | IEEE पहुँच | 34 |
11 | उन्नत रोबोटिक प्रणालीहरूको अन्तर्राष्ट्रिय जर्नल | 31 |
12 | कृषि र जैविक ईन्जिनियरिङ् को अन्तर्राष्ट्रिय जर्नल | 25 |
13 | PLoS ONE | 25 |
14 | जर्नल अफ फिल्ड रोबोटिक्स | 23 |
15 | बायोोसिस्टम्स इन्जिनियरिङ | 23 |
निष्कर्ष
सारांश
यस अध्ययनमा, हामीले कृषि ड्रोनहरूमा अवस्थित अनुसन्धानलाई संक्षेप र विश्लेषण गर्यौं। विभिन्न बिब्लियोमेट्रिक प्रविधिहरू लागू गर्दै, हामीले कृषि ड्रोन-सम्बन्धित अनुसन्धानको बौद्धिक संरचनाको राम्रोसँग बुझ्ने प्रयास गर्यौं। संक्षेपमा, हाम्रो समीक्षाले साहित्यमा कुञ्जी शब्दहरू पहिचान गरी छलफल गरेर, ज्ञान क्लस्टरहरू प्रकट गर्दै ड्रोनको क्षेत्रमा अर्थपूर्ण रूपमा समान समुदायहरू गठन गरेर, पहिलेको अनुसन्धानको रूपरेखा, र भविष्यका अनुसन्धान दिशाहरू सुझाव दिएर धेरै योगदानहरू प्रदान गर्दछ। तल, हामी कृषि ड्रोन को विकास मा समीक्षा को मुख्य निष्कर्ष रूपरेखा:
• 2012 पछि लेखहरूको संख्यामा भएको बृद्धिले संकेत गरे अनुसार, समग्र साहित्यले गत दशकमा द्रुत गतिमा वृद्धि गरेको छ र धेरै ध्यान आकर्षित गरेको छ। यद्यपि यो ज्ञान क्षेत्रले अझै पूर्ण परिपक्वता हासिल गर्न सकेको छैन (Barrientos et al., 2011; Maes & Steppe, 2019), धेरै प्रश्नहरू अझै अनुत्तरित छन्। उदाहरण को लागी, इनडोर खेती मा ड्रोन को उपयोगिता अझै पनि बहस को लागी खुला छ (Aslan et al., 2022; Krul et al., 2021; Rold' an et al., 2015)। फिल्ड दृश्यहरूको जटिलता र विभिन्न इमेजिङ परिस्थितिहरू (जस्तै, छायाँ र रोशनी) ले उच्च वर्णक्रमीय इन-क्लास भिन्नता (Yao et al., 2019) मा परिणाम दिन सक्छ। पछिल्ला अनुसन्धान चरणहरूमा पनि, अनुसन्धानकर्ताहरूलाई विशेष परिदृश्यहरू र आवश्यक छवि गुणस्तर (Soares et al., 2021; Tu et al.,) अनुसार इष्टतम उडान योजनाहरू निर्धारण गर्न चुनौती दिइएको छ।
2020)।
• हामीले यो क्षेत्रले कुशल UAV प्रणालीहरू विकास गर्नदेखि लिएर कृषि ड्रोनहरूको डिजाइनमा मेसिन लर्निङ र गहिरो सिकाइ जस्ता AI प्रविधिहरू सम्मिलित गर्न प्रगति गरेको देख्यौं (बाह एट अल।, 2018; कितानो एट अल।, 2019; माइमाइटिजियाङ एट अल। , 2020; Mazzia et al., 2020; Tetila et al., 2020)।
• कृषि ड्रोनहरूमा अनुसन्धानले मुख्यतया वातावरणीय अनुगमन, बाली व्यवस्थापन, र झार व्यवस्थापन (क्लस्टर 1) साथै रिमोट फेनोटाइपिङ र उपज अनुमान (क्लस्टर 2) मा टेक्नोलोजीको सम्भाव्यताहरू अन्वेषण गरेर रिमोट सेन्सिङको बारेमा छलफल गर्दछ। कृषि ड्रोनहरूमा प्रभावशाली अध्ययनहरूको सेटमा Austin (2010), Berni et al। (2009)a, Herwitz et al। (2004), Nex र Remondino (2014), र Zhang and Kovacs (2012)। यी अध्ययनहरूले कृषिको सन्दर्भमा ड्रोन-सम्बन्धित अनुसन्धानको वैचारिक आधार विकास गर्यो।
• पद्धतिसँग सम्बन्धित, हामीले देख्यौं कि अहिलेसम्म गरिएका धेरैजसो अनुसन्धानहरू प्रणाली डिजाइन, वैचारिक, वा समीक्षा-आधारित अध्ययनहरू (Inoue, 2020; Nex & Remondino, 2014; P'erez-Ortiz et al। , 2015; याओ एट अल।, 2019)। हामीले कृषि ड्रोनहरूको अनुसन्धानमा काम गर्ने अनुभवजन्य, गुणात्मक, र केस-अध्ययन-आधारित विधिहरूको कमी पनि देख्छौं।
• भर्खरै, सटीक कृषि, एआई प्रविधिहरू, सटीक भिटिकल्चर, र पानीको तनाव मूल्याङ्कनसँग सम्बन्धित विषयहरूले पर्याप्त ध्यान खिचेका छन् (Espinoza et al., 2017; Gomez-Cand ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021)। दुई अलग-अलग युगहरू, 1990-2010 र 2011-2021 मा अनुसन्धान क्लस्टरहरूको सावधानीपूर्वक परीक्षणले डोमेनको बौद्धिक संरचनाको प्रगति प्रकट गर्दछ। 1990 देखि 2010 सम्मको अवधिले केन्द्रीय धारणा र ड्रोनको अवधारणाको निर्माण गर्यो, जुन UAV डिजाइन, विकास, र कार्यान्वयनको छलफलबाट स्पष्ट छ। दोस्रो युगमा, अनुसन्धान फोकसले अघिल्लो अध्ययनहरूमा विस्तार गर्दछ, कृषिमा UAV प्रयोगका केसहरूलाई संश्लेषण गर्ने प्रयास गर्दै। हामीले इमेजिङ कार्यहरू र सटीक कृषिमा ड्रोन अनुप्रयोगहरू छलफल गर्ने धेरै अध्ययनहरू पनि फेला पारेका छौं।
श्रेणी | जर्नल | गणना गर्नुहोस् |
1 | टाढाको संवेदन | 258 |
2 | जर्नल अफ इंटेलिजेन्ट एण्ड रोबोटिक सिस्टम्स: थ्योरी र | 126 |
आवेदन | ||
3 | कृषिमा कम्प्युटर र इलेक्ट्रोनिक्स | 98 |
4 | IEEE रोबोटिक्स र स्वचालन पत्रहरू | 87 |
5 | सेंसर | 73 |
6 | रिमोट सेन्सिङको अन्तर्राष्ट्रिय जर्नल | 42 |
7 | सटीक कृषि | 41 |
8 | ड्रोन | 40 |
9 | Agronomy | 34 |
10 | IEEE पहुँच | 34 |
11 | उन्नत रोबोटिक प्रणालीहरूको अन्तर्राष्ट्रिय जर्नल | 31 |
12 | कृषि र जैविक ईन्जिनियरिङ् को अन्तर्राष्ट्रिय जर्नल | 25 |
13 | PLoS ONE | 25 |
14 | जर्नल अफ फिल्ड रोबोटिक्स | 23 |
15 | बायोोसिस्टम्स इन्जिनियरिङ | 22 |
निहितार्थ
हाम्रो बिब्लियोमेट्रिक समीक्षा विद्वानहरू, किसानहरू, कृषि विशेषज्ञहरू, बाली सल्लाहकारहरू, र UAV प्रणाली डिजाइनरहरूलाई दिमागमा राखेर डिजाइन र सञ्चालन गरिएको थियो। लेखकहरूको उत्कृष्ट ज्ञानको लागि, यो पहिलो मौलिक समीक्षाहरू मध्ये एक हो जसले गहिरो बिब्लियोमेट्रिक विश्लेषण गरेको छ।
कृषि मा ड्रोन आवेदन। हामीले यस ज्ञान निकायको विस्तृत समीक्षा गरेका छौं, प्रकाशनहरूको उद्धरण र सह-उद्धरण विश्लेषणहरू प्रयोग गर्दै। ड्रोन अनुसन्धानको बौद्धिक संरचनाको वर्णन गर्ने हाम्रो प्रयासले शिक्षाविद्हरूको लागि नयाँ अन्तरदृष्टि पनि प्रदान गर्दछ। समयको साथ प्रयोग गरिएका कुञ्जी शब्दहरूको सावधानीपूर्वक समीक्षाले ड्रोन-सम्बन्धित साहित्यमा हटस्पटहरू र फोकल अनुसन्धान क्षेत्रहरू प्रकट गर्दछ। यसबाहेक, हामी फिल्डमा पूरा भएका सबैभन्दा प्रभावकारी अनुसन्धान कार्यहरू पहिचान गर्न धेरै उद्धृत अध्ययनहरूको सूची प्रस्तुत गर्दछौं। लेख र कुञ्जी शब्दहरूको पहिचानले फलस्वरूप भविष्यका अध्ययनहरूको लागि धेरै अवसरहरू उजागर गर्न ठोस सुरूवात बिन्दु प्रदान गर्न सक्छ।
महत्त्वपूर्ण रूपमा, हामीले तुलनात्मक कार्यहरू वर्गीकरण गर्ने र नतिजाहरूमा विस्तृत रूपमा क्लस्टरहरू प्रकट गर्यौं। क्लस्टरहरूमा वर्गीकृत अध्ययनहरूले UAV अनुसन्धानको बौद्धिक संरचना बुझ्न मद्दत गर्दछ। विशेष रूपमा, हामीले ड्रोनहरू अपनाउने कारकहरूको अनुसन्धान गर्ने अध्ययनहरूको अभाव पत्ता लगायौं
र कृषि गतिविधिहरूमा अवरोधहरू (तालिका ९ हेर्नुहोस्)। भविष्यका अन्वेषकहरूले विभिन्न खेती गतिविधिहरू र मौसम परिस्थितिहरूमा ड्रोनहरू अपनाउने कारकहरूको मूल्याङ्कन गर्ने अनुभवजन्य अनुसन्धानहरू सञ्चालन गरेर यो सम्भावित अन्तरलाई सम्बोधन गर्न सक्छन्। यसबाहेक, ड्रोनको प्रभावकारिताको सन्दर्भमा केस स्टडीमा आधारित अनुसन्धानलाई क्षेत्रबाट वास्तविक डेटाको साथ समर्थन गरिनु पर्छ। साथै, शैक्षिक अनुसन्धानमा किसान र प्रबन्धकहरूलाई संलग्न गराउनु ड्रोन अनुसन्धानको सैद्धान्तिक र व्यावहारिक प्रगति दुवैको लागि फाइदाजनक हुनेछ। हामीले सबैभन्दा प्रख्यात अनुसन्धानकर्ताहरू र तिनीहरूको योगदानहरू पहिचान गर्न पनि सक्षम थियौं, जुन मूल्यवान छ किनभने भर्खरैका महत्त्वपूर्ण कार्यहरूको जागरूकताले भविष्यका शैक्षिक प्रयासहरूको लागि केही मार्गदर्शन प्रदान गर्न सक्छ।
तालिका 9
UAV अपनाउने बाधाहरू।
बाधा | विवरण |
डेटा सुरक्षा | साइबर सुरक्षा कार्यान्वयनको लागि ठूलो चुनौती हो IoT समाधानहरू (Masroor et al।, 2021)। |
अन्तरक्रियाशीलता र एकीकरण | UAV, WSN, IoT, आदि जस्ता विभिन्न प्रविधिहरू। एकीकृत र डाटा प्रसारण गर्नुपर्छ जटिलता स्तर बढाउनुहोस् (Alsamhi et al।, 2021; Popescu et al., 2020; Vuran et al।, 2018)। |
कार्यान्वयन लागत | यो विशेष गरी साना किसान र को लागी मामला हो विभिन्न अत्याधुनिक प्रविधिहरू एकीकृत गर्दै ( मसरूर एट अल।, २०२१)। |
श्रम ज्ञान र विशेषज्ञता | UAV चलाउन दक्ष ड्रोन पाइलटहरू चाहिन्छ। साथै, विभिन्न अत्याधुनिक कार्यान्वयन प्रविधिहरूलाई दक्ष कामदार चाहिन्छ (YB Huang et al।, 2013; Tsouros et al।, 2019)। |
इन्जिन पावर र उडान अवधि | ड्रोन लामो समयसम्म चलाउन सकिँदैन र कभर गर्न सकिँदैन ठूला क्षेत्रहरू (हार्डिन र हार्डिन, 2010; लालिबर्टे एट अल।, 2007)। |
स्थिरता, विश्वसनीयता, र गतिशीलता | खराब मौसमको समयमा ड्रोनहरू स्थिर हुँदैनन् (हार्डिन र हार्डिन, 2010; लालिबर्टे एट अल।, 2007)। |
पेलोड सीमा र सेन्सरको गुणस्तर | ड्रोनले मात्र सीमित भार बोक्न सक्छ कम गुणस्तर सेन्सर लोड गर्ने क्षमता (Nebiker एट अल।, २०१२) |
विनियमन | जसरी ड्रोन खतरनाक हुन सक्छ, त्यहाँ गम्भीर छन् केही क्षेत्रहरूमा नियमहरू (हार्डिन र जेन्सेन, 2011; लालिबर्टे र रंगो, 2011)। |
किसानको ज्ञान र चासो | अन्य अत्याधुनिक प्रविधिहरू जस्तै, ड्रोनहरू सफल कार्यान्वयनको लागि विशेषज्ञता चाहिन्छ र पनि अनिश्चितताहरु संग (फिशर एट अल।, 2009; Lambert et al., 2004; स्टाफर्ड, 2000)। |
उपज अधिकतम गर्न उपलब्ध स्रोतहरूको कुशलतापूर्वक प्रयोग गर्न निरन्तर आवश्यकता भएकोले, किसानहरूले आफ्नो खेतको द्रुत, सटीक, र लागत-प्रभावी स्क्यानिङ सुनिश्चित गर्न ड्रोनको फाइदा लिन सक्छन्। प्रविधिले किसानहरूलाई आफ्नो बालीको अवस्था निर्धारण गर्न र पानीको अवस्था, पकाउने चरण, कीराको प्रकोप, र पोषण आवश्यकताहरू मूल्याङ्कन गर्न मद्दत गर्न सक्छ। ड्रोनको रिमोट-सेन्सिङ क्षमताहरूले किसानहरूलाई प्रारम्भिक चरणमा समस्याहरू अनुमान गर्न र तुरुन्तै उपयुक्त हस्तक्षेपहरू गर्न महत्त्वपूर्ण डेटा प्रदान गर्न सक्छ। तर, चुनौतिहरूलाई सही ढंगले सम्बोधन गर्न सकियो भने मात्र प्रविधिका फाइदाहरू प्राप्त गर्न सकिन्छ। को प्रकाशमा
डाटा सुरक्षा, सेन्सर टेक्नोलोजी मुद्दाहरू (जस्तै, मापनको विश्वसनीयता वा शुद्धता), एकीकरणको जटिलता, र पर्याप्त कार्यान्वयन लागतहरू, भविष्यका अध्ययनहरूले पनि कृषि ड्रोनहरू र अन्य काट्ने एकीकृत गर्ने प्राविधिक, आर्थिक, र परिचालन सम्भाव्यताको जाँच गर्नुपर्छ। किनारा प्रविधिहरू।
सीमितता
हाम्रो अध्ययनमा धेरै सीमितताहरू छन्। सबैभन्दा पहिले, निष्कर्षहरू अन्तिम विश्लेषणको लागि चयन गरिएका प्रकाशनहरूद्वारा निर्धारण गरिन्छ। कृषि ड्रोनसँग सम्बन्धित सबै सान्दर्भिक अध्ययनहरू कब्जा गर्न चुनौतीपूर्ण छ, विशेष गरी ती स्कोपस डाटाबेसमा अनुक्रमित छैनन्। यसबाहेक, डाटा सङ्कलन प्रक्रिया खोज कुञ्जी शव्दहरूको सेटिङमा सीमित छ, जुन समावेशी नहुन सक्छ र निष्कर्षहीन निष्कर्षमा पुग्न सक्छ। तसर्थ, भविष्यका अध्ययनहरूले डाटा सङ्कलनको अन्तर्निहित मुद्दामा थप ध्यान दिन आवश्यक छ
अधिक विश्वसनीय निष्कर्ष। अर्को सीमितता न्यून सङ्ख्याका उद्धरणहरू भएका नयाँ प्रकाशनहरूसँग सम्बन्धित छ। बिब्लियोमेट्रिक विश्लेषण पहिलेका प्रकाशनहरू तिर पक्षपाती छ किनकि तिनीहरूले वर्षौंमा थप उद्धरणहरू प्राप्त गर्ने गर्छन्। भर्खरका अध्ययनहरूलाई ध्यान आकर्षित गर्न र उद्धरणहरू जम्मा गर्न निश्चित समय चाहिन्छ। फलस्वरूप, भर्खरैका अध्ययनहरूले प्रतिमान परिवर्तन ल्याउने शीर्ष दस प्रभावशाली कार्यहरूमा स्थान दिनेछैन। यो सीमा कृषि ड्रोन जस्ता द्रुत रूपमा उदीयमान अनुसन्धान डोमेनहरूको परीक्षणमा प्रचलित छ। हामीले यस कामको लागि साहित्य अध्ययन गर्न स्कोपससँग परामर्श लिएका छौं, भविष्यका अनुसन्धानकर्ताहरूले फरक विचार गर्न सक्छन्
डाटाबेसहरू, जस्तै वेब अफ साइन्स र IEEE Xplore, क्षितिज विस्तार गर्न र अनुसन्धान संरचना बृद्धि गर्न।
सम्भावित बिब्लियोमेट्रिक अध्ययनहरूले अन्य महत्त्वपूर्ण ज्ञान स्रोतहरू जस्तै सम्मेलन कागजातहरू, अध्यायहरू, र पुस्तकहरू उपन्यास अन्तर्दृष्टि उत्पन्न गर्न विचार गर्न सक्छ। नक्साङ्कन र कृषि ड्रोनहरूमा विश्वव्यापी प्रकाशनहरूको अनुसन्धानको बावजुद, हाम्रा खोजहरूले विश्वविद्यालयहरूको विद्वान आउटपुटहरूको पछाडि कारणहरू प्रकट गरेनन्। यसले कृषिको बारेमा अनुसन्धान गर्दा केही विश्वविद्यालयहरू अरूभन्दा किन बढी उत्पादक छन् भनेर गुणात्मक रूपमा व्याख्या गर्न अनुसन्धानको उपन्यास क्षेत्रमा मार्ग प्रशस्त गर्दछ।
ड्रोनहरू। थप रूपमा, भविष्यका अध्ययनहरूले धेरै तरिकाहरूमा खेती दिगोपन बढाउन ड्रोनहरूको सम्भावनामा अन्तर्दृष्टि प्रदान गर्न सक्छ जस्तै वातावरणीय अनुगमन, बाली व्यवस्थापन, र धेरै शोधकर्ताहरूले संकेत गरे अनुसार झार म्यापिङ (चमुआह र सिंह, 2019; इस्लाम एट अल।, 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b)। छनोट गरिएका पत्रहरूको संख्या धेरै भएका कारण पाठ्य विश्लेषण सम्भव नभएकोले, त्यहाँ व्यवस्थित साहित्य समीक्षाहरूको आवश्यकता छ।
प्रयोग गरिएका अनुसन्धान विधिहरू र पूर्व अध्ययनहरूमा किसानहरूको संलग्नता। छोटकरीमा भन्नुपर्दा, ड्रोन अनुसन्धानको हाम्रो विश्लेषणले यस ज्ञान निकायको अदृश्य सम्बन्धहरूलाई उजागर गर्दछ। यसैले यस समीक्षाले प्रकाशनहरू बीचको सम्बन्धलाई उजागर गर्न र अनुसन्धान क्षेत्रको बौद्धिक संरचनाको अन्वेषण गर्न मद्दत गर्दछ। यसले साहित्यका विभिन्न पक्षहरू, जस्तै लेखकहरूको खोजशब्द, सम्बद्धता, र देशहरू बीचको सम्बन्धलाई पनि चित्रण गर्दछ।
प्रतिस्पर्धा गर्ने ब्याजको घोषणा
लेखकहरूले घोषणा गरे कि उनीहरूसँग कुनै प्रतिस्पर्धी वित्तीय रुचि वा व्यक्तिगत सम्बन्ध छैन जुन यो कागजमा रिपोर्ट गरिएको कामलाई प्रभाव पार्न सक्छ।
परिशिष्ट 1
TITLE-ABS-KEY (((ड्रोन* वा "मानवरहित हवाई वाहन" वा uav* वा "मानवरहित विमान प्रणाली"वा uas वा "रिमोट पाइलट गरिएको विमान”) र (कृषि वा कृषि वा खेती वा किसान))) र (छोड्नुहोस् (PUBYEAR, 2022)) र (LIMIT-TO (भाषा, "अंग्रेजी"))।
सन्दर्भ
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. वनस्पति अनुगमनको लागि हल्का UAV स्न्यापसट क्यामेराको साथ 3D हाइपरस्पेक्ट्रल जानकारी उत्पन्न गर्दै: बाट
गुणस्तर आश्वासनको लागि क्यामेरा क्यालिब्रेसन। ISPRS जे फोटोग्राम। रिमोट सेन्स। 108, 245-259। https://doi.org/10.1016/j.isprsjprs.2015.08.002।
अब्द-एलरहमान, ए., पर्लस्टाइन, एल., पर्सिभल, एफ।, 2005। मानवरहित हवाई वाहन इमेजरीबाट स्वचालित पक्षी पत्ता लगाउन ढाँचा पहिचान एल्गोरिथ्मको विकास।
सर्वेक्षण। भूमि जानकारी। विज्ञान ६५ (१), ३७-४५।
अब्दोल्लाही, ए., रेजेब, के., रेजेब, ए., मोस्तफा, एमएम, ज़ैलानी, एस., 2021। कृषिमा वायरलेस सेन्सर नेटवर्क: बिब्लियोमेट्रिक विश्लेषणबाट अन्तरदृष्टि। दिगोपन १३ (२१),
12011।
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., उच्च रिजोलुसन अप्टिकल इमेजरीमा छाया पत्ता लगाउनका लागि विभिन्न विधिहरूको मूल्याङ्कन र गणनामा छाया प्रभावको मूल्याङ्कन NDVI को, र बाष्प ट्रान्सपिरेसन। सिंचाई। विज्ञान ३७ (३), ४०७–४२९। https://doi.org/37/s3-407-429-10.1007।
Adao, ˜ T., Hruˇska, J., Padua, ´L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. हाइपरस्पेक्ट्रल इमेजिङ: UAV- आधारित सेन्सर, डेटामा समीक्षा प्रशोधन र
कृषि र वनको लागि आवेदन। रिमोट सेन्सिङ ९ (११)। https://doi.org/ 9/rs11।
Agüera Vega, F., Ramirez, FC, Saiz, MP, Rosúa, FO, 2015। सूर्यमुखी बाली अनुगमन गर्न मानवरहित हवाई वाहन प्रयोग गरी बहु-अस्थायी इमेजिङ। बायोसिस्ट। इन्जिन।
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017। UAV बाट सटीक डिजिटल उचाइ मोडेलहरूको उत्पादनले कम प्रतिशत ओभरल्यापिङ छविहरू प्राप्त गर्यो। Int.
जे. रिमोट सेन्स ३८ (८–१०), ३११३–३१३४। https://doi.org/38/ 8।
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015। रिमोट सेन्सिङ डेटाबाट बायोमास र माटोको नमी पुन: प्राप्तिका लागि मेसिन लर्निङ दृष्टिकोणहरूको समीक्षा। रिमोट सेन्सिङ ७ (१२), १६३९८–१६४२१।
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., B5G नेटवर्कहरूमा UAVs प्रयोग गर्ने चीजहरूको हरियो इन्टरनेट: अनुप्रयोगहरूको समीक्षा
र रणनीतिहरू। विज्ञापन। Hoc। नेटव। 117, 102505 https://doi.org/10.1016/j। adhoc.2021.102505।
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020। भेडा पशुधन निगरानीका लागि ड्रोनहरू। मा: 20 औं IEEE भूमध्य इलेक्ट्रोटेक्निकल सम्मेलन। https://doi।
org/10.1109/MELECON48756.2020.9140588।
Ampatzidis, Y., Partel, V., 2019। UAV-आधारित उच्च थ्रुपुट फिनोटाइपिङ सिट्रसमा बहुस्पेक्ट्रल इमेजिङ र कृत्रिम बुद्धिमत्ता प्रयोग गर्दै। रिमोट सेन्सिङ ११ (४), https://doi.org/11/rs4।
Ampatzidis, Y., Partel, V., Costa, L., 2020। Agroview: क्लाउड-आधारित अनुप्रयोग प्रशोधन गर्न, विश्लेषण गर्न र UAV-संकलित डाटा कृत्रिम बुद्धिमत्ता प्रयोग गरी सटीक कृषि अनुप्रयोगहरूको लागि भिजुअलाइज गर्न। कम्प्युट। इलेक्ट्रोन। कृषि। १७४, १०५४५७ https://doi। org/174/j.compag.105457।
Ang, K.-L.-M., Seng, JKP, 2021। कृषिमा हाइपरस्पेक्ट्रल जानकारीको साथ बिग डाटा र मेसिन लर्निङ। IEEE पहुँच ९, ३६६९९–३६७१८। https://doi.org/9/
ACCESS.2021.3051196।
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. समीक्षा: चरनमा आधारित पशुधन प्रणालीमा सटीक पशुधन खेती प्रविधिहरू। पशु १६ (१), https://doi.org/16/j.animal.1।
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´D., Mejia-Aguirre, C., को लागि उन्नत सूचना र संचार प्रविधिहरूमा प्रवृत्ति
कृषि उत्पादकत्व सुधार: एक bibliometric विश्लेषण। कृषि विज्ञान १० (१२), लेख १२। https://doi.org/10/agronomy12।
आर्मस्ट्रङ, आई., पिरोन-ब्रुसे, एम., स्मिथ, ए., जादुड, एम., 2011। फ्लाइङ गेटर: occam-π मा एरियल रोबोटिक्सतर्फ। कम्युन। प्रक्रिया वास्तुकार। २०११, ३२९–३४०। https://doi। org/2011/329-340-10.3233-978-1-60750।
अरोरा, SD, चक्रवर्ती, A., 2021. उपभोक्ता शिकायत व्यवहार (CCB) अनुसन्धानको बौद्धिक संरचना: एक bibliometric विश्लेषण। J. व्यवसाय Res. १२२, ६०–७४।
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022।
खुला क्षेत्र र हरितगृहहरूमा सटीक कृषिको लागि UAV सँग भर्खरैका अध्ययनहरूको एक व्यापक सर्वेक्षण। Appl विज्ञान १२ (३), १०४७। https://doi.org/12/
app12031047।
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018)। भविष्यको लागि फिल्ड फेनोटाइपिङ। अनुअल प्लान्ट रिभ्यु अनलाइनमा (pp. 719-736)। जोन
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651।
अस्टिन, आर., 2010। मानवरहित विमान प्रणाली: UAVS डिजाइन, विकास र तैनाती। मा: मानवरहित विमान प्रणाली: UAVS डिजाइन, विकास र
परिनियोजन। जोन विले एन्ड सन्स। https://doi.org/10.1002/9780470664797।
अवेस, एम., ली, डब्ल्यू., चीमा, एमजेएम, जमान, क्यू, शाहीन, ए, असलम, बी, झू, डब्ल्यू, अजमल, एम., फहीम, एम., हुसैन, एस, नदीम, AA, Afzal, MM, Liu, C., 2022। UAV आधारित रिमोट सेन्सिङ इन प्लान्ट तनाव डिजिटल कृषि अभ्यासहरूको लागि उच्च-रिजोल्युशन थर्मल सेन्सर प्रयोग गरी कल्पना गर्नुहोस्: एक मेटा-समीक्षा। Int. J. वातावरण। विज्ञान प्रविधि। https://doi।
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. स्मार्ट खेती: अवसरहरू, चुनौतीहरू
र प्रविधि सक्षमकर्ताहरू। 2018 IoT ठाडो र। कृषिमा सामयिक शिखर सम्मेलन - टस्कनी (IOT Tuscany) 1-6। https://doi.org/10.1109/IOTTUSCANY.2018.8373043।
Bah, MD, Hafiane, A., Canals, R., 2018। UAV छविहरूमा लाइन फसलहरूमा झार पत्ता लगाउन असुरक्षित डाटा लेबलिङको साथ गहिरो शिक्षा। रिमोट सेन्सिङ 10 (11), 1690।
https://doi.org/10.3390/rs10111690.
बाल्डी, एस., 1998. उद्धरणको आवंटनमा सामान्य बनाम सामाजिक निर्माणवादी प्रक्रियाहरू: एक नेटवर्क-विश्लेषक मोडेल। एम। सामाजिक। Rev. 63 (6), 829-846। https://doi।
org/10.2307/2657504।
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. थर्मल र बहुस्पेक्ट्रल द्वारा दाखबारी पानी स्थिति परिवर्तनशीलता को आकलन
मानवरहित हवाई वाहन (UAV) को प्रयोग गरेर इमेजरी। सिंचाई। विज्ञान ३० (६), ५११–५२२। https://doi.org/30/s6-511-522-10.1007।
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., अर्को पुस्ताको प्रजनन। बिरुवा विज्ञान। २४२, ३-१३। https://doi.org/242/j।
plantsci.2015.07.010।
Barbedo, JGA, Koenigkan, LV, 2018। गाईवस्तुहरूको निगरानी गर्न मानवरहित हवाई प्रणालीको प्रयोगमा परिप्रेक्ष्य। आउटलुक कृषि। ४७ (३), २१४–२२२। https://doi.org/47/3।
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. कम वजन र UAV- आधारित हाइपरस्पेक्ट्रल पूर्ण फ्रेम क्यामेराहरू
बाली अनुगमनका लागि: पोर्टेबल स्पेक्ट्रोराडियोमिटर मापनसँग स्पेक्ट्रल तुलना। Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69-79।
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., कृषिमा एरियल रिमोट सेन्सिङ: क्षेत्र कभरेजको लागि एक व्यावहारिक दृष्टिकोण
र मिनी एरियल रोबोटहरूको फ्लीटहरूको लागि मार्ग योजना। जे फिल्ड रोब। २८ (५), ६६७–६८९। https://doi.org/28/rob.5।
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. परिशुद्धतामा बहु-रोटर UAVs को लागी पथ-योजना एल्गोरिदम को आवेदन मा एक सर्वेक्षण
कृषि। जे नेभिग। ७५ (२), ३६४–३८३।
बस्नेत, B., Bang, J., 2018। अत्याधुनिक ज्ञान-गहन कृषिको अत्याधुनिक: लागू सेन्सिङ प्रणाली र डाटा एनालिटिक्समा समीक्षा। जे. सेन्स 2018, 1-13।
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-आधारित इमेजिङ बहु-अस्थायी, धेरै उच्च रिजोल्युसन क्रप सतह मोडेलहरूको लागि बाली वृद्धि परिवर्तनशीलता निगरानी गर्न। Photogrammetrie, Fernerkundung, Geoinformation 2013 (6), 551–562। https://doi। org/10.1127/1432-8364/2013/0200।
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. UAV आधारित RGB इमेजिङबाट व्युत्पन्न क्रप सतह मोडेल (CSMs) प्रयोग गरेर जौको बायोमास अनुमान गर्दै। रिमोट सेन्सिङ ६ (११), १०३९५–१०४१२।
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. बाली सतहबाट UAV-आधारित बिरुवाको उचाइ संयोजन गर्दै मोडेलहरू,
जौमा बायोमास अनुगमनको लागि देखिने, र नजिकको इन्फ्रारेड वनस्पति सूचकांक। Int. J. Appl पृथ्वी Obs। Geoinf। ३९, ७९-८७। https://doi.org/39/j.jag.79।
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´G., Fereres, E., Villalobos, F., 2009a। उच्च रिजोल्युसन प्रयोग गरी जैतुनको बगैंचामा क्यानोपी कन्डक्टन्स र CWSI म्यापिङ
थर्मल रिमोट सेन्सिङ इमेजरी। रिमोट सेन्स। वातावरण। ११३ (११), २३८०–२३८८। https://doi.org/113/j.rse.11।
Berni, JA, Zarco-Tejada, PJ, Suarez, ´L., Fereres, E., 2009b। मानवरहित हवाई वाहनबाट वनस्पति अनुगमनको लागि थर्मल र साँघुरो ब्यान्ड मल्टिस्पेक्ट्रल रिमोट सेन्सिङ। आईईईई ट्रान्स। Geosci। रिमोट सेन्स ४७ (३), ७२२–७३८।
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. इन्टरनेट अफ थिंग्स इन फूड सेफ्टी: लिटरेचर रिव्यू र ए बिब्लियोमेट्रिक विश्लेषण। Trends Food Sci. प्रविधि। ९४,५४–६४। https://doi.org/94,54/j.tifs.64।
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT in Agriculture: Designing a Europe-wide large-scale पायलट। IEEE कम्युन। म्याग। ५५ (९), २६-३३।
Buters, TM, Belton, D., Cross, AT, 2019। मिलिमिटर शुद्धतामा व्यक्तिगत बिरुवा र बिरुवा समुदायहरूको बहु-सेन्सर UAV ट्र्याकिङ। ड्रोन ३ (४), ८१।
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. UAV छविहरूबाट सटीक खेती अनुप्रयोगहरूको लागि बहुस्पेक्ट्रल छविहरू र वनस्पति सूचकांकहरूको मूल्याङ्कन गर्दै। रिमोट सेन्सिङ ७ (४), ४०२६–४०४७। https://doi.org/7/rs4।
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020। UAV बाट व्युत्पन्न फराकिलो-डायनामिक-रेन्ज वनस्पति सूचकांक (WDRVI) प्रयोग गरेर सुगर बीट वृद्धि सूचकहरूको अनुगमन
बहुस्पेक्ट्रल छविहरू। कम्प्युट। इलेक्ट्रोन। कृषि। 171, 105331 https://doi.org/10.1016/j.compag.2020.105331।
Casillas, J., Acedo, F., 2007. परिवार व्यापार साहित्य को बौद्धिक संरचना को विकास: FBR को एक bibliometric अध्ययन। पारिवारिक व्यापार रेभ. 20 (2), 141-162।
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019। अन्तर्गत धानको बायोमासको गतिशील अनुगमन
दोहोरो छवि-फ्रेम स्न्यापसट क्यामेराहरूसँग हल्का UAV प्रयोग गरी विभिन्न नाइट्रोजन उपचारहरू। बिरुवा विधि १५ (१), ३२. https://doi.org/15/s1-32-
0418-8।
Chamuah, A., Singh, R., 2019। नागरिक UAV मार्फत भारतीय कृषिमा स्थिरता सुरक्षित गर्दै: एक जिम्मेवार नवाचार परिप्रेक्ष्य। SN Appl। विज्ञान २ (१), १०६। https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., सिंह, R., 2022. भारतीय बाली बीमा आवेदनहरूको लागि नागरिक मानवरहित हवाई वाहन (UAV) आविष्कारहरूको जिम्मेवार शासन। J. जिम्मेवार
प्रविधि। 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025।
Chen, A., Orlov-Levin, V., Meron, M., 2019। सटीक सिंचाई व्यवस्थापनमा फसल चन्दवाको उच्च-रिजोल्युसन दृश्य-च्यानल एरियल इमेजिङ लागू गर्दै। कृषि। पानी
प्रबन्ध। 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. अन-बोर्ड फोटोग्रामेट्री र सिंगल फ्रिक्वेन्सी GPS स्थितिको साथ हल्का UAV मेट्रोलोजी अनुप्रयोगहरूको लागि। ISPRS जे फोटोग्राम। रिमोट सेन्स। 127, 115-126। https://doi.org/10.1016/j.isprsjprs.2016.12.007।
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Blockchain-आधारित IoT प्लेटफर्म स्वायत्त ड्रोन सञ्चालन व्यवस्थापनको लागि। मा: दोस्रो ACM को कार्यवाही
MobiCom कार्यशाला ड्रोन असिस्टेड वायरलेस कम्युनिकेसन्स फर 5G र बियन्ड, pp. 31-36। https://doi.org/10.1145/3414045.3415939।
Day, RA, Gastel, B., 1998. कसरी लेख्ने र वैज्ञानिक पेपर प्रकाशित गर्ने। क्याम्ब्रिज विश्वविद्यालय प्रेस। de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´F., 2020। म्यापिङ cynodon dactylon infesting एक स्वचालित निर्णय रूख-ओबीआईए प्रक्रिया र सटीक भिटिकल्चरको लागि UAV इमेजरीको साथ बालीहरू कभर गर्नुहोस्। रिमोट सेन्सिङ १२ (१), ५६। https://doi.org/12/rs1।
de Castro, AI, Torres-S´ anchez, J., Pena, ˜ JM, Jim´enez-Brenes, FM, Csillik, O., Lopez- ´Granados, F., 2018। एक स्वचालित अनियमित वन-OBIA एल्गोरिथ्म UAV इमेजरी प्रयोग गरेर फसल पङ्क्तिहरू बीच र भित्रको प्रारम्भिक झारको म्यापिङ। रिमोट सेन्सिङ १० (२)। https://doi.org/10/rs2।
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. UAV इमेजरीबाट व्युत्पन्न DSM प्रयोग गरी गहुँको जीनोटाइपहरूको बिरुवाको उचाइको स्वचालित मापन। कार्यवाही २ (७), ३५०। https://doi.org/2/ecrs-7-350।
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020। मानव रहित हवाई सवारी साधनहरू प्रयोग गरेर वास्तविक-समय वीड म्यापिङको लागि हल्का सिमेन्टिक सेग्मेन्टेशन नेटवर्क। Appl विज्ञान १० (२०), ७१३२। https://doi.org/10/app20।
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. सटीक कृषिका लागि UAV- आधारित मल्टिस्पेक्ट्रल रिमोट सेन्सिङ: विभिन्न क्यामेराहरू बीचको तुलना। ISPRS जे फोटोग्राम। रिमोट सेन्स। 146, 124-136।
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022। मेसिन लर्निङ र रिमोट सेन्सिङ प्रविधिहरू माटो सूचकहरू अनुमान गर्न लागू गरियो - समीक्षा। इकोल। इन्ड. 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 फोटो प्रयोग गरेर जैतूनको रूखको मुकुट मापदण्डहरू मूल्याङ्कन गर्न उच्च-रिजोल्युसन एयरबोर्न UAV इमेजरी
पुनर्निर्माण: प्रजनन परीक्षणहरूमा आवेदन। रिमोट सेन्सिङ ७ (४), ४२१३–४२३२। https://doi.org/7/rs4।
दीक्षित, ए., जाखर, एसके, 2021। एयरपोर्ट क्षमता व्यवस्थापन: एक समीक्षा र बिब्लियोमेट्रिक विश्लेषण। जे एयर ट्रान्सप। प्रबन्ध। ९१, १०२०१०।
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., केबल, J., Wilson, J., 2019।
ओन्टारियो, क्यानडामा फसल वृद्धि र उपजको भित्र-क्षेत्र परिवर्तनशीलता पहिचान गर्न RapidEye इमेजरी प्रयोग गर्दै। सटीक कृषि। २० (६), १२३१–१२५०। https://doi.org/20/
s11119-019-09646-w।
Dutta, PK, Mitra, S., 2021. Covid-19 पछिको समयमा खाद्य आपूर्ति श्रृंखला बुझ्न कृषि ड्रोन र iot को प्रयोग। मा: चौधरी, ए, विश्वास, ए, प्रतीक, एम।,
चक्रवर्ती, ए (एड्स।), कृषि सूचना विज्ञान: आईओटी र मेशिन लर्निङको प्रयोग गरेर स्वचालन। विले, पृ. 67-87। van Eck, N., Waltman, L., 2009. सफ्टवेयर सर्वेक्षण: VOSviewer, bibliometric म्यापिङको लागि कम्प्युटर प्रोग्राम। साइनोमेट्रिक्स ८४ (२), ५२३–५३८। https://doi.org/84/s2-523-538-10.1007।
Elijah, O., रहमान, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018। इन्टरनेट अफ थिंग्स (IoT) को एक सिंहावलोकन र कृषिमा डाटा एनालिटिक्स: फाइदा र चुनौतीहरू।
IEEE इन्टरनेट थिंग्स 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। कृषि विज्ञानको प्रमाणीकरण UAV र क्षेत्र
टमाटर प्रजातिहरूको लागि मापन। कम्प्युट। इलेक्ट्रोन। कृषि। १५८, २७८–२८३। https://doi.org/158/j.compag.278।
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017। उच्च रिजोल्युसन मल्टिस्पेक्ट्रल र थर्मल रिमोट सेन्सिङमा आधारित पानी तनाव मूल्याङ्कन
उपसतह सिंचित अंगूरका बोटहरू। रिमोट सेन्सिङ ९ (९), ९६१। https://doi.org/ 9/rs9।
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. माटोको स्तरीकरणको लागि हाइपरस्पेक्ट्रल रिमोट सेन्सिङको उपयोग गर्दै। रिमोट सेन्सिङ १२ (२०), ३३१२। ttps://doi.org/12/
rs12203312।
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. ड्रोन-आधारित मल्टिस्पेक्ट्रल सतह प्रतिबिम्ब र परिचालन अवस्थाहरूमा वनस्पति सूचकांकहरूको बहु-स्केल मूल्याङ्कन। रिमोट सेन्सिङ १२ (३), ५१४।
Feng, X., Yan, F., Liu, X., 2019। सटीक कृषिको लागि चीजहरूको इन्टरनेटमा ताररहित संचार प्रविधिहरूको अध्ययन। वायरलेस पर्स। कम्युन। १०८ (३),
1785-1802।
Ferreira, MP, Pinto, CF, Serra, FR, 2014। अन्तर्राष्ट्रिय व्यापार अनुसन्धानमा लेनदेन लागत सिद्धान्त: तीन दशकमा एक bibliometric अध्ययन। साइनोमेट्रिक्स ९८ (३), १८९९–१९२२। https://doi.org/98/s3-1899-1922-10.1007।
फिशर, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Advances in precision agriculture in South-पूर्वी अस्ट्रेलिया। I. अनुकरण गर्न एक प्रतिगमन पद्धति
किसानको ऐतिहासिक प्याडक उत्पादन र सामान्यीकृत भिन्नता वनस्पति सूचकांक प्रयोग गरी अनाजको उत्पादनमा स्थानिय भिन्नता। फसल चर विज्ञान। ६० (९), ८४४–८५८।
Floreano, D., Wood, RJ, 2015। विज्ञान, प्रविधि र सानो स्वायत्त ड्रोनहरूको भविष्य। प्रकृति ५२१ (७५५३), ४६०–४६६। https://doi.org/521/nature7553।
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021। स्मार्ट कृषिको भविष्यको लागि इन्टरनेट अफ थिंग्स: इमर्जिङ टेक्नोलोजीहरूको एक व्यापक सर्वेक्षण। IEEE CAA J. Autom। सिनिका ८ (४), ७१८–७५२।
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´JM, 2019। फिग बिरुवा विभाजन गहिरो कन्भोलुसनल एन्कोडर-डिकोडर नेटवर्क प्रयोग गरेर हवाई छविहरूबाट। रिमोट सेन्सिङ ११ (१०), ११५७। https://doi.org/11/rs10।
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015। UAVs को लागि पानीको तनाव आकलन गर्न चुनौती
दिगो कृषि। कृषि। पानी प्रबन्ध। १५३, ९–१९। https://doi.org/153/j। agwat.9।
García-Tejero, IF, Rubio, AE, Vinuela, ˜ I., Hern´ Andez, A., Guti´errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur´ an-Zuazo, VH, 2018। थर्मल इमेजिङ बिरुवा मा
घाटा सिंचाई रणनीति अन्तर्गत बदाम रूख (cv. Guara) मा बाली-पानी स्थिति मूल्याङ्कन गर्न स्तर। कृषि। पानी प्रबन्ध। २०८, १७६–१८६। https://doi.org/208/j।
agwat.2018.06.002।
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. सानो हाइपरस्पेक्ट्रल UAS प्रयोग गरी सतह परावर्तन र सूर्यप्रेरित प्रतिदीप्ति स्पेक्ट्रोस्कोपी मापन। रिमोट सेन्सिङ ९ (५), ४७२। https://doi.org/9/rs5। Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 472. को लागी एक स्वचालित विधि
UAV इमेजरीमा आधारित ओट क्षेत्रहरूमा झारको म्यापिङ। कम्प्युट। इलेक्ट्रोन। कृषि।
गेबर्स, आर, एडमचुक, VI, 2010। सटीक कृषि र खाद्य सुरक्षा। विज्ञान ३२७ (५९६७), ८२८–८३१। https://doi.org/327/science.5967।
Geipel, J., Link, J., Claupein, W., 2014। मानवरहित विमान प्रणालीको साथ प्राप्त हवाई छविहरू र क्रप सतह मोडेलहरूमा आधारित मकैको उत्पादनको संयुक्त वर्णक्रमीय र स्थानिय मोडेलिङ। रिमोट सेन्सिङ ६ (११), १०३३५–१०३५५। https://doi.org/6/rs11।
Geng, D., Feng, Y., Zhu, Q., 2020। प्रयोगकर्ताहरूको लागि दिगो डिजाइन: एक साहित्य समीक्षा र bibliometric विश्लेषण। वातावरण। विज्ञान प्रदूषण। Res. २७ (२४), २९८२४–२९८३६। https://doi। org/27/s24-29824-29836-10.1007।
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015। बहुस्पेक्ट्रल उपग्रह र हाइपरस्पेक्ट्रल संयोजन गरेर स्पेक्ट्रल टेम्पोरल प्रतिक्रिया सतहहरूको उत्पादन
सटीक कृषि अनुप्रयोगहरूको लागि UAV इमेजरी। आईईईई जे सेल। शीर्ष। Appl पृथ्वी Obs। रिमोट सेन्स ८ (६), ३१४०–३१४६। ttps://doi.org/8/JSTARS.6।
Gill, SS, Chana, I., Buyya, R., 2017. IoT आधारित कृषि क्लाउड र ठूलो डेटा सेवाको रूपमा: डिजिटल भारतको सुरुवात। जे. संगठन। र अन्तिम प्रयोगकर्ता कम्प्यूट। (JOEUC) २९ (४),
1-23।
Gmür, M., 2006. सह-उद्धरण विश्लेषण र अदृश्य कलेजहरूको खोजी: एक पद्धतिगत मूल्याङ्कन। साइनोमेट्रिक्स 57 (1), 27-57। https://doi.org/10.1023/
a: 1023619503005।
Gnadinger, ¨ F., Schmidhalter, U., 2017. मानवरहित हवाई सवारी (UAVs) द्वारा मकैको बिरुवाको डिजिटल गणना। रिमोट सेन्सिङ ९ (६)। https://doi.org/9/rs6।
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. एक रोटरी-विंग मानवरहित हवाई वाहन जलीय झार निगरानी र
व्यवस्थापन। जे इन्टेल। रोबोटिक प्रणाली: सिद्धान्त। Appl ५७ (१–४), ४६७–४८४। https://doi। org/57/s1-4-467-484।
Gomez-Cand ´on, ´D., De Castro, AI, Lopez-Granados, ´F., 2014. गहुँमा सटीक कृषि उद्देश्यका लागि मानवरहित हवाई वाहन (UAV) इमेजरीबाट मोजाइकको शुद्धताको मूल्याङ्कन गर्दै। सटीक। कृषि। १५ (१), ४४-५६। https://doi.org/15/s1-44-56-10.1007।
Gomez-Cand ´on, ´D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. UAV-सेन्स्ड इमेजरीद्वारा रूख मापनमा पानीको तनावको फिल्ड फेनोटाइपिङ :का लागि नयाँ अन्तर्दृष्टिहरू
थर्मल अधिग्रहण र क्यालिब्रेसन। सटीक। कृषि। १७ (६), ७८६–८००। https://doi.org/17/s6-786-800-10.1007।
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014। सिट्रस बगैंचामा पानीको कमीको सूचकको रूपमा बालीको पानीको तनाव सूचकाङ्कको प्रयोग गर्ने उपयुक्तता र सीमाहरू। कृषि। को लागी। Meteorol। 198-199, 94-104। https://doi.org/10.1016/j। agrformet.2014.08.003।
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´E., Nortes, PA, Alarcon, ´JJ, Intrigliolo, DS, Fereres, E., 2013। उच्च रिजोलुसन UAV थर्मल इमेजरी प्रयोग गर्दै
व्यावसायिक बगैचा भित्र पाँच फलफूलका रूख प्रजातिहरूको पानीको स्थितिमा परिवर्तनशीलताको मूल्याङ्कन गर्नुहोस्। सटीक। कृषि। १४ (६), ६६०–६७८। https://doi.org/14/s6-660-678-10.1007।
गोयल, के., कुमार, एस., २०२१. वित्तीय साक्षरता: एक व्यवस्थित समीक्षा र बिब्लियोमेट्रिक विश्लेषण। Int. J. उपभोक्ता अध्ययन 2021 (45), 1-80। https://doi.org/105/
ijcs.12605।
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008। वन र कृषिमा कम लागतको uavs को फोटोग्रामेट्रिक क्षमता। फोटोग्रामेट्री, रिमोट सेन्सिङ र स्थानिय सूचना विज्ञानको अन्तर्राष्ट्रिय अभिलेख - ISPRS अभिलेख ३७, १२०७–१२१३। https://www.scopus.com/inward/record.uri?eid=37-s1207-1213&partnerI D=2&md2.0=b85039543258b40d5e4ddb2a639257d8c5e373e।
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. उच्च रिजोल्युसन को सम्बन्ध को आकलन
एनडीवीआई मलको प्रयोग स्तर र साना UAVs प्रयोग गरी धान र गहुँ बालीको उपजको साथ। रिमोट सेन्सिङ ११ (२), ११२।
Gundolf, K., Filser, M., 2013. व्यवस्थापन अनुसन्धान र धर्म: एक उद्धरण विश्लेषण। जे बस। नैतिकता 112 (1), 177-185।
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD सिमुलेशन र स्थानिक को प्रयोगात्मक प्रमाणिकरण र को अस्थायी वितरण
होभरमा क्वाड-रोटर कृषि UAV को डाउनवाश एयरफ्लो। कम्प्युट। इलेक्ट्रोन। कृषि। १७२, १०५३४३ https://doi.org/172/j.compag.105343।
हाघीघट्टलाब, ए., गोन्ज एलेज पेरेज, एल., मोन्डल, एस., सिंह, डी., शिन्स्टक, डी., रुत्कोस्की, जे., ओर्टिज-मोनास्टेरियो, आई., सिंह, आरपी, गुडिन, डी। , पोल्याण्ड, जे., 2016।
ठूला गहुँ प्रजनन नर्सरीहरूको उच्च थ्रुपुट फेनोटाइपिङको लागि मानवरहित हवाई प्रणालीको प्रयोग। बिरुवा विधि १२ (१)। https://doi.org/12/s1-
016-0134-6।
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ onen, ¨I., 2013। विभिन्न रोशनी अवस्थाहरूमा UAVs बाट स्पेक्ट्रल इमेजिङ । GG Bill R. (Ed.) मा, फोटोग्रामेट्रीको अन्तर्राष्ट्रिय अभिलेख, रिमोट सेन्सिङ र स्थानिय सूचना विज्ञान-ISPRS अभिलेख (भोल्युम 40, अंक 1W2, pp. 189-194)। फोटोग्रामेट्री र रिमोट सेन्सिङका लागि अन्तर्राष्ट्रिय समाज। https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632।
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L. मानवरहित हवाईबाट टापुको वनस्पतिको नक्साङ्कन गर्ने प्रविधिहरू
वाहन (UAV) छविहरू: पिक्सेल वर्गीकरण, दृश्य व्याख्या र मेसिन लर्निङ दृष्टिकोण। Int. J. Appl पृथ्वी Obs। Geoinf। ८९, १०२०८५ https://doi.org/
10.1016/j.jag.2020.102085।
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021। बंगलादेशमा जिम्मेवार नेतृत्व मार्फत स्मार्ट खेती: सम्भावनाहरू, अवसरहरू, र बाहिर।
स्थिरता 13 (8), 4511।
हार्डिन, पीजे, हार्डिन, टीजे, 2010। वातावरणीय अनुसन्धानमा साना-स्तरीय रिमोटली पाइलट गरिएका सवारी साधनहरू। भूगोल कम्पास ४ (९), १२९७–१३११। ttps://doi.org/4/j.9-
१.8198.2010.00381..XNUMX.x.
हार्डिन, पीजे, जेन्सेन, आरआर, 2011। वातावरणीय रिमोट सेन्सिङमा साना-स्तरीय मानवरहित हवाई वाहनहरू: चुनौतीहरू र अवसरहरू। GISci। रिमोट सेन्स ४८ (१), ९९–१११। https://doi.org/48/1-99।
He, Y., Nie, P., Zhang, Q., Liu, F., 2021। कृषि इन्टरनेट अफ थिंग्स: टेक्नोलोजीहरू र अनुप्रयोगहरू, (1st संस्करण। 2021 संस्करण)। स्प्रिंगर।
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004।
मानवरहित हवाई वाहनबाट इमेजिङ: कृषि निगरानी र निर्णय समर्थन। कम्प्युट। इलेक्ट्रोन। कृषि। ४४ (१), ४९-६१। https://doi.org/44/j।
compag.2004.02.006।
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, गहुँको बोटको उचाईको उच्च थ्रुपुट फिल्ड फिनोटाइपिङ र UAV आधारित रिमोट सेन्सिङ प्रयोग गरी फिल्ड प्लट परीक्षणहरूमा वृद्धि दर। रिमोट सेन्सिङ ८ (१२)। https://doi। org/8/rs12।
Honkavaara, E., Saari, H., Kaivosoja, J., Pol ¨ onen, ¨ I., Hakala, T., Litkey, P., M¨akynen, J., Pesonen, L., 2013। प्रशोधन र मूल्याङ्कन सटीक कृषिको लागि हल्का वजनको UAV स्पेक्ट्रल क्यामेरा प्रयोग गरेर संकलन गरिएको स्पेक्ट्रोमेट्रिक, स्टेरियोस्कोपिक इमेजरी। रिमोट सेन्सिङ ५ (१०), ५००६–५०३९। https://doi.org/5/rs10।
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. कम-उचाई मानवरहित हवाई सवारी साधनहरू आधारित इन्टरनेट सेवाहरू: व्यापक सर्वेक्षण र भविष्य परिप्रेक्ष्यहरू। IEEE इन्टरनेट थिंग्स J. 3 (6), 899-922। https://doi.org/10.1109/JIOT.2016.2612119।
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., Roberts, J., 2005. संयुक्त अप्टिक-फ्लो र स्टेरियो-आधारित नेभिगेसन एक UAV को लागि शहरी घाटीहरूको। मा: 2005 IEEE/RSJ
बौद्धिक रोबोट र प्रणालीमा अन्तर्राष्ट्रिय सम्मेलन, pp. 3309–3316। https://doi.org/10.1109/IROS.2005.1544998।
Hsu, T.-C., Y.-C., H., Chung, Y.-C., Hsu, C.-H., 2020। क्लाउड फग कम्प्युटिङको लागि एक रचनात्मक IoT कृषि प्लेटफर्म। टिकाउ। कम्प्युट। Inf। सिस्ट। २८, १००२८५।
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018। मानवरहित हवाई सवारीको झारपात म्यापिङको लागि पूर्ण रूपले कन्भोलुसनल नेटवर्क ( UAV) इमेजरी। PLOS ONE 13 (4), e0196302।
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020। UAV इमेजरीको झारको म्यापिङमा वस्तु-आधारित छवि विश्लेषण (OBIA) बनाम गहिरो शिक्षा। Int. जे.
रिमोट सेन्स ४१ (९), ३४४६–३४७९। https://doi.org/41/9।
Huang, H., यांग, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., २०२१. क्रप निगरानीमा UAV इमेजरीका लागि गहिरो रङ क्यालिब्रेसन
सिमान्टिक शैली स्थानान्तरण प्रयोग गरेर स्थानीयलाई विश्वव्यापी ध्यान दिएर। Int. J. Appl पृथ्वी Obs। Geoinf। 104, 102590 https://doi.org/10.1016/j.jag.2021.102590।
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013। कृषि उत्पादनको लागि मानवरहित हवाई वाहन प्रविधिको विकास र सम्भावना
व्यवस्थापन। Int. जे कृषि Biol। इन्जिन। ६ (३), १-१०। https://doi.org/6/j। ijabe.3।
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009। मानवरहित हवाई वाहन प्लेटफर्मको लागि स्प्रे प्रणालीको विकास। Appl इन्जिन। कृषि। २५ (६), ८०३–८०९।
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010। NIR-हरियो-नीलो डिजिटल फोटोग्राफहरूको अधिग्रहण
बाली अनुगमनका लागि मानवरहित विमान। रिमोट सेन्सिङ २ (१), २९०–३०५। https://doi। org/2/rs1। Inoue, Y., 290. स्मार्ट खेतीका लागि बाली र माटोको उपग्रह- र ड्रोन-आधारित रिमोट सेन्सिङ-एक समीक्षा। माटो विज्ञान। बिरुवाको पोषण। ६६ (६), ७९८–८१०। https://doi.org/305/10.3390।
इस्लाम, एन, रशीद, एमएम, पासन्दीदेह, एफ, रे, बी, मूर, एस, कडेल, आर।, २०२१। इन्टरनेट अफ थिंग्स (आईओटी) रका लागि अनुप्रयोग र सञ्चार प्रविधिहरूको समीक्षा र
मानवरहित एरियल भेहिकल (UAV) आधारित दिगो स्मार्ट खेती। स्थिरता 13 (4), 1821। https://doi.org/10.3390/su13041821।
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. द्वारा गणना गरिएको उच्च रिजोल्युसन डिजिटल सतह मोडेलहरूको शुद्धता मूल्याङ्कन गर्दै
PhotoScan® र MicMac® उप-इष्टतम सर्वेक्षण अवस्थाहरूमा। रिमोट सेन्सिङ ८ (६), https://doi.org/8/rs6।
Jim'enez-Brenes, FM, Lopez-Granados, ´F., Castro, AI, Torres-S´ anchez, J., Serrano, N., Pena, ˜ JM, 2017. जैतूनको रूखको वास्तुकला र वार्षिक छाँट्ने प्रभावहरूको मात्रा UAV-आधारित 3D मोडलिङ प्रयोग गरेर क्यानोपी वृद्धि। बिरुवा विधि १३ (१)। https://doi.org/13/s1-10.1186-13007-017।
जिन, एक्स., लिउ, एस., बरेट, एफ., हेमरले, एम., कोमार, ए., 2017। धेरै कम उचाइ UAV इमेजरीबाट देखा पर्दा गहुँ बालीको बिरुवाको घनत्वको अनुमान। रिमोट सेन्स।
वातावरण। 198, 105-114। https://doi.org/10.1016/j.rse.2017.06.007।
Jinbo, C., Xiangliang, C., Han-chi, F., Lam, A., 2019। क्लाउड कम्प्युटिङद्वारा समर्थित कृषि उत्पादन अनुगमन प्रणाली। क्लस्टर कम्प्यूट। २२ (४), ८९२९–८९३८।
Ju, C., & Son, HI 2018a। कृषिमा रिमोट सेन्सिङका लागि बहु UAV प्रणालीहरूको प्रदर्शन मूल्याङ्कन। रोबोटिक्स र स्वचालन (ICRA), ब्रिस्बेन, अष्ट्रेलिया, 21-26 मा IEEE अन्तर्राष्ट्रिय सम्मेलनमा कृषिमा रोबोटिक दृष्टि र कार्यमा कार्यशालाको कार्यवाही।
Ju, C., Son, HI, 2018b। कृषि अनुप्रयोगहरूको लागि बहु UAV प्रणालीहरू: नियन्त्रण, कार्यान्वयन, र मूल्याङ्कन। इलेक्ट्रोनिक्स ७ (९), १६२। https://doi.org/7/
इलेक्ट्रोनिक्स7090162।
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. रिमोट सेन्सिङ र आर्टिफिसियल इन्टेलिजेन्सको क्षमतालाई सुधार गर्न उपकरणको रूपमा।
कृषि उत्पादन प्रणालीको लचिलोपन। कर्र। विचार। बायोटेक्नोल। 70, 15-22। https://doi.org/10.1016/j.copbio.2020.09.003।
Kalischuk, M., Paret, ML, Freeman, JH, Raj, D., Da Silva, S., Eubanks, S., Wiggins, DJ, Lollar, M., Marois, JJ, Mellinger, HC, Das, J. , 2019. तरबूजमा गम्मी स्टेम ब्लाइटको लागि परम्परागत स्काउटिंग अभ्यासमा मानवरहित हवाई सवारी-सहयोगी मल्टिस्पेक्ट्रल क्रप इमेजिङ समावेश गर्ने सुधारिएको क्रप स्काउटिंग प्रविधि। प्लान्ट डि. 103 (7), 1642-1650।
कपूर, केके, तमिलमणि, के., राणा, एनपी, पाटिल, पी., द्विवेदी, वाईके, नेरुर, एस, 2018। सामाजिक मिडिया अनुसन्धानमा प्रगति: अतीत, वर्तमान र भविष्य। जानकारी दिनुहोस्। सिस्ट। अगाडि। २०
(3), 531-558।
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: मल्टिस्पेक्ट्रल छविहरू र गहिराई नक्सामा आधारित बेल रोग पत्ता लगाउने नेटवर्क। रिमोट सेन्सिङ १२ (२०), ३३०५। https://doi। org/12/rs20।
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019। दाखबारीको लागि उपग्रह र UAV-आधारित बहुस्पेक्ट्रल इमेजरीको तुलना
परिवर्तनशीलता मूल्याङ्कन। रिमोट सेन्सिङ ११ (४)। https://doi.org/11/rs4।
Khan, PW, Byun, Y.-C., Park, N., 2020। IoT-blockchain ले खाद्य उद्योग 4.0 को लागि उन्नत गहिरो सिकाइ प्रयोग गरी अप्टिमाइज गरिएको प्रोभेन्सन प्रणालीलाई सक्षम बनायो। सेन्सर 20 (10), 2990।
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021। बिरुवाका रोगहरूको छवि-आधारित पत्ता लगाउने: शास्त्रीय मेसिन लर्निङदेखि गहिरो सिकाइ यात्रासम्म। वायरलेस कम्युन। मोबाइल कम्प्यूट। २०२१, १-१३।
Khan, S., Tufail, M., Khan, MT, Khan, ZA, इकबाल, J., Alam, M., Le, KNQ, 2021। UAV आधारित बाली/ झार वर्गीकरणको लागि एक उपन्यास अर्ध-पर्यवेक्षित ढाँचा। PLOS ONE 16 (5), e0251008।
खनाल, एस., फुल्टन, जे., शियरर, एस., 2017। सटीक कृषिमा थर्मल रिमोट सेन्सिङको वर्तमान र सम्भावित अनुप्रयोगहरूको एक सिंहावलोकन। कम्प्युट। इलेक्ट्रोन।
कृषि। १३९, २२–३२। https://doi.org/139/j.compag.22।
खन्ना, ए., कौर, एस., 2019। चीजहरूको इन्टरनेटको विकास (IoT) र सटीक कृषिको क्षेत्रमा यसको महत्त्वपूर्ण प्रभाव। कम्प्युट। इलेक्ट्रोन। कृषि। १५७, २१८–२३१।
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016। दिगो संस्थाहरूको लागि कर्मचारी संलग्नता: सामाजिक सञ्जाल विश्लेषण र बर्स्ट प्रयोग गरेर कीवर्ड विश्लेषण
पत्ता लगाउने दृष्टिकोण। स्थिरता 8 (7), 631।
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018। एकीकरण स्थलीय र ड्रोन-जन्मको
अन्वेषण म्यापिङ र खनन अनुगमनका लागि हाइपरस्पेक्ट्रल र फोटोग्रामेट्रिक सेन्सिङ विधिहरू। रिमोट सेन्सिङ १० (९), १३६६। https://doi.org/10/
rs10091366।
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019। गहिरो शिक्षा र UAV छविहरू प्रयोग गरेर मकैको बिरुवा गणना। IEEE Geosci। रिमोट सेन्स। Lett। १–५ https://doi.org/1/LGRS.5।
Koh, JCO, Spangenberg, G., Kant, S., 2021। हाइथ्रुपुट छवि-आधारित प्लान्ट फेनोटाइपिङका लागि स्वचालित मेसिन लर्निङ। रिमोट सेन्सिङ १३ (५), ८५८। https://
doi.org/10.3390/rs13050858।
Kovalev, IV, Voroshilova, AA, 2020। कार्गो UAVs को पारिस्थितिकी तंत्र को विकास मा आधुनिक प्राविधिक प्रवृत्ति। जे फिज। कन्फ। सेर। १५१५ (५), ०५२०६८ https://doi। org/1515/5-052068/10.1088/1742/6596।
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021। एक मोनोकुलर क्यामेराको साथ सानो ड्रोन प्रयोग गरी भित्री पशुधन र खेतीका लागि भिजुअल SLAM: एक सम्भाव्यता अध्ययन।
ड्रोन ५ (२), ४१। https://doi.org/5/drones2।
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. कृषि स्वचालनका लागि ड्रोनहरूको सर्वेक्षण रोपण देखि
फसल। मा: INES 2018 - IEEE 22 औं अन्तर्राष्ट्रिय सम्मेलन ऑन इंटेलिजेन्ट इन्जिनियरिङ सिस्टम, pp. 000353–358। https://doi.org/10.1109/INES.2018.8523943।
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018। UAV IoT फ्रेमवर्क दृश्य र चुनौतिहरू: ड्रोनहरूलाई "थिंग्स" को रूपमा सुरक्षा गर्ने दिशामा। सेन्सर १८ (११), ४०१५। https://doi.org/18/s11।
Laliberte, AS, Rango, A., 2011. उप-डेसिमिटर इमेजरी को विश्लेषण को लागी छवि प्रशोधन र वर्गीकरण प्रक्रियाहरु एक मानव रहित विमान संग प्राप्त सुक्खा मा
rangelands। GISci। रिमोट सेन्स ४८ (१), ४–२३। https://doi.org/48/1-4।
Laliberte, AS, Rango, A., Herrick, JE, 2007. रेंजल्याण्ड म्यापिङ र निगरानीको लागि मानवरहित हवाई वाहनहरू: दुई प्रणालीहरूको तुलना। ASPRS वार्षिक सम्मेलन कार्यवाही।
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. देशी घाँसे मैदानमा झारको म्यापिङको लागि खुला स्रोत कार्यप्रवाह
मानवरहित हवाई वाहन प्रयोग गर्दै: केस स्टडीको रूपमा Rumex obtusifolius प्रयोग गर्दै। युरो। J. Remote Sens. 54 (sup1), 71-88। https://doi.org/10.1080/22797254.2020.1793687।
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. दत्तक, नाफा, र सटीक खेती डाटाको राम्रो प्रयोग गर्दै।
काम गर्ने कागज। पर्ड्यू विश्वविद्यालय। https://doi.org/10.22004/ag.econ.28615।
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb'e, S., Baret, F., 2008. साना प्लटहरूमा गहुँ बालीको मात्रात्मक अनुगमनको लागि मानवरहित हवाई वाहन इमेजरीको मूल्याङ्कन। सेन्सर ८ (५), ३५५७–३५८५। https://doi.org/8/s5।
Li, C., Niu, B., 2020। ठूलो डाटा र चीजहरूको इन्टरनेटमा आधारित स्मार्ट कृषिको डिजाइन। Int. J. वितरण। सेन्स। नेटवर्क। 16 (5) ttps://doi.org/10.1177/1550147720917065।
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016। उच्च रिजोलुसन स्टेरियो छविहरू प्रयोग गरेर मकैको क्यानोपी उचाइ र माथिको जमिनको बायोमासको रिमोट अनुमान। कम लागत मानवरहित हवाई वाहन प्रणाली। इकोल। इन्ड. ६७, ६३७–६४८। https://doi.org/67/j.ecolind.637।
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018। कृषिमा मेसिन लर्निङ: एक समीक्षा। सेन्सर १८ (८), २६७४।
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015। मोबाइल बहु-सेन्सर दृष्टिकोणको साथ मकै विशेषताहरूको रिमोट, एरियल फेनोटाइपिङ। बिरुवा विधि ११ (१), ९. https://doi.org/11/s1-9-10.1186-13007।
Lin, Z., Guo, W., 2020. मानवरहित हवाई प्रणाली छविहरू र गहिरो शिक्षा प्रयोग गरेर ज्वार प्यानिकल पत्ता लगाउने र गणना। अगाडि। बिरुवा विज्ञान। ११।
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019। क्लाउड कम्प्युटिङमा आधारित आधुनिक इको-कृषिको इन्टरनेट अफ थिंग्स निगरानी प्रणाली। IEEE पहुँच 7, 37050–37058।
Lopez-Granados, ´ F., 2011। साइट-विशिष्ट झार व्यवस्थापनको लागि झार पत्ता लगाउने: म्यापिङ र वास्तविक समय दृष्टिकोण। झार रिस। ५१ (१), १-११। https://doi.org/51/j.1-1.x
Lopez-Granados, ´F., Torres-Sanchez, ´J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. उच्च रिजोल्युसन UAV इमेजरी प्रयोग गरी घाँस बालीमा घाँस झारको वस्तु-आधारित प्रारम्भिक अनुगमन। एग्रोन। टिकाउ। देव। ३६ (४), १-१२
Lopez-Granados, ´F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016। UAV प्रविधिको प्रयोग गरेर सूर्यमुखीमा प्रारम्भिक सिजन झारको म्यापिङ: झारको थ्रेसहोल्डहरू विरुद्ध जडीबुटी उपचार नक्साहरूको परिवर्तनशीलता। सटीक। कृषि। १७ (२), १८३–१९९।
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS - एक मल्टिरोटर मानवरहित विमान प्रणालीबाट इमेजिङ स्पेक्ट्रोस्कोपी। जे फिल्ड रोब। ३१ (४),
५७१–५९०। https://doi.org/571/rob.590।
लुम्मे, जे., कर्जालेनेन, एम., कार्टिनेन, एच., कुक्को, ए., हाइप्पा, ¨ जे., हाइप्प¨ ए, एच., जाकोला, ए., र क्लेमोला, जे., 2008। स्थलीय लेजर स्क्यानिङ कृषि बालीहरु। JJ मा
चेन जे मास एच-जी। (सं.), फोटोग्रामेट्रीको अन्तर्राष्ट्रिय अभिलेख, रिमोट सेन्सिङ र स्थानिय सूचना विज्ञान-ISPRS अभिलेख (भोल्युम 37, pp. 563-566)।
फोटोग्रामेट्री र रिमोट सेन्सिङका लागि अन्तर्राष्ट्रिय समाज। https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
मा, एल., लि, एम., मा, एक्स., चेङ, एल., डु, पी., लिउ, वाई., 2017। पर्यवेक्षित वस्तुमा आधारित भूमि-कभर छवि वर्गीकरणको समीक्षा। ISPRS जे फोटोग्राम। रिमोट सेन्स 130,
२७७–२९३। https://doi.org/277/j.isprsjprs.293।
Maes, WH, Steppe, K., 2019। परिशुद्ध कृषिमा मानवरहित हवाई सवारी साधनको साथ रिमोट सेन्सिङका लागि परिप्रेक्ष्यहरू। Trends Plant Sci. २४ (२), १५२–१६४। https://doi.org/24/j.tplants.2।
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., बर्केन, जे., फ्रिस्ची, एफ., २०१७।
मानवरहित हवाई प्रणाली (UAS) - बहु-सेन्सर डेटा फ्यूजन र चरम सिकाउने मेसिन प्रयोग गरी सोयाबिनको फेनोटाइपिङ। ISPRS जे फोटोग्राम। रिमोट सेन्स 134, 43-58। https://doi.org/10.1016/j.isprsjprs.2017.10.011। Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020।
स्याटेलाइट/UAV डाटा फ्युजन र मेसिन लर्निङ प्रयोग गरेर क्रप निगरानी। रिमोट सेन्सिङ १२ (९), १३५७। https://doi.org/12/rs9।
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G. ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P'erez, G., Su, Z., Vico, G., Toth , B., 2018. को लागि मानवरहित हवाई प्रणाली को प्रयोग मा
वातावरणीय अनुगमन। रिमोट सेन्सिङ १० (४), ६४१।
Marinko, RA, 1998. शोध प्रबंध, 1989 र द सिरियल लाइब्रेरियन 35 (1-2), 29-44 मा महिला अध्ययन पत्रिकाहरु को उद्धरण। https://doi.org/10.1300/J123v35n01_
03।
Masroor, R., Naeem, M., Ejaz, W., 2021. UAV- सहयोगी वायरलेस नेटवर्कहरूमा संसाधन व्यवस्थापन: एक अप्टिमाइजेसन परिप्रेक्ष्य। तदर्थ नेटवर्क। 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596।
Matese, A., Di Gennaro, SF, 2018। परिशुद्धतामा मल्टीस्पेक्ट्रल, थर्मल र RGB उच्च रिजोलुसन छविहरूमा आधारित मल्टिसेन्सर UAV प्लेटफर्मको व्यावहारिक अनुप्रयोगहरू
बिरालो खेती। कृषि ८ (७), ११६। https://doi.org/8/agriculture7।
Matese, A., Di Gennaro, SF, 2021। परिशुद्ध दाना खेतीमा UAV को प्रयोगलाई मुख्य स्ट्रिम गर्नको लागि एक प्रमुख कारकको रूपमा परम्परागत NDVI सूचकांक बाहिर। विज्ञान प्रतिनिधि 11 (1), 2721। https://doi.org/10.1038/s41598-021-81652-3।
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 UAV, विमानको अन्तर तुलना
र सटीक भिटिकल्चरको लागि उपग्रह रिमोट सेन्सिङ प्लेटफर्महरू। रिमोट सेन्सिङ ७ (३), २९७१–२९९०। https://doi.org/7/rs3।
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020। UAV र मेसिन लर्निङमा आधारित परिमार्जनका लागि उपग्रह-संचालित वनस्पति सूचकांकको शुद्धता
कृषि। सेन्सर २० (९), २५३०। https://doi.org/20/s9।
McCain, KW, 1990। बौद्धिक अन्तरिक्षमा म्यापिङ लेखकहरू: एक प्राविधिक सिंहावलोकन। जे एम। समाज। जानकारी। विज्ञान ४१ (६), ४३३–४४३।
Meinen, BU, Robinson, DT, 2021। कृषि क्षरण मोडेलिङ: UAV समय-श्रृङ्खला डाटा प्रयोग गरेर USLE र WEPP क्षेत्र-स्तरीय इरोसन अनुमानहरूको मूल्याङ्कन गर्दै। वातावरण। मोडेल। सफ्टवेयर 137, 104962। https://doi.org/10.1016/j.envsoft.2021.104962।
Melville, B., Lucieer, A., Aryal, J., 2019. हाइपरस्पेक्ट्रल मानवरहित विमान प्रणाली (UAS) इमेजरी प्रयोग गरेर तल्लो भूमिको मूल घाँसे मैदान समुदायहरूको वर्गीकरण
तस्मानिया मिडल्याण्ड्स। ड्रोन ३ (१), ५।
Messina, G., Modica, G., 2020। सटीक कृषिमा UAV थर्मल इमेजरीका अनुप्रयोगहरू: कलाको अवस्था र भविष्यको अनुसन्धान दृष्टिकोण। रिमोट सेन्सिङ १२ (९), https://doi.org/12/rs9।
मिश्रा, डी., लुओ, जेड, जियाङ, एस., पापाडोपौलोस, टी., दुबे, आर., 2017। बिग डाटामा एक ग्रन्थसूची अध्ययन: अवधारणा, प्रवृत्ति र चुनौतीहरू। व्यापार प्रक्रिया प्रबन्धक। जे २३ (३),
555-573।
Mochida, K., Saisho, D., Hirayama, T., 2015। क्षेत्र अवस्था अन्तर्गत प्राप्त जीवन चक्र डेटासेटहरू प्रयोग गरेर फसल सुधार। अगाडि। बिरुवा विज्ञान। ६ https://doi.org/6/
fpls.2015.00740।
Mogili, UM.R., Deepak, BBVL, 2018। परिशुद्ध कृषिमा ड्रोन प्रणालीको प्रयोगमा समीक्षा। Procedia कम्प्यूट। विज्ञान १३३, ५०२–५०९।
मोहराना, एस., दत्ता, एस., 2016। हाइपरस्पेक्ट्रल इमेजरीबाट धानको क्लोरोफिल र नाइट्रोजन सामग्रीको स्थानिय परिवर्तनशीलता। ISPRS जे फोटोग्राम। रिमोट सेन्स। 122, 17-29।
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019। IoT र स्मार्ट फार्मको लागि कृषि डेटा विश्लेषण। कम्प्युट। इलेक्ट्रोन। कृषि। १५६, ४६७–४७४।
Nansen, C., Elliott, N., 2016. कीटविज्ञान मा रिमोट सेन्सिङ र प्रतिबिम्ब प्रोफाइल। अन्नु। Rev. Entomol। ६१ (१), १३९–१५८। https://doi.org/61/annurev-ento1-139।
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016। कृषिमा मल्टिस्पेक्ट्रल म्यापिङ: एक स्वायत्त क्वाडकोप्टर UAV प्रयोग गरी भू-भाग मोज़ेक। Int. कन्फ।
मानवरहित विमान प्रणाली। (ICUAS) 2016, 1351-1358। https://doi.org/10.1109/ ICUAS.2016.7502606।
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020। ड्रोन चीजहरूको इन्टरनेट (Iodt): स्मार्ट ड्रोनहरूको भविष्यको परिकल्पना। Adv. इन्टेल। सिस्ट। कम्प्युट। १०४५, ५६३–५८०। https://doi.org/1045/563-580-10.1007-978-981_15।
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. माइक्रो UAV को लागी एक हल्का-तौल मल्टिस्पेक्ट्रल सेन्सर - धेरै उच्च रिजोलुसन एयरबोर्न रिमोट सेन्सिङको लागि अवसरहरू। Int. आर्क। फोटोग्राम। रिमोट सेन्स। स्प्याट। Inf। विज्ञान ३७ (बी१), ११९३–१२००।
Negash, L., Kim, H.-Y., Choi, H.-L., 2019। कृषिमा उदीयमान UAV अनुप्रयोगहरू। मा: रोबोट खुफिया टेक्नोलोजी र 2019 7 औं अन्तर्राष्ट्रिय सम्मेलन
एप्लिकेसन (RiTA), pp. 254-257। https://doi.org/10.1109/RITAPP.2019.8932853।
नेरुर, एसपी, रशीद, एए, नटराजन, वी।, 2008। रणनीतिक व्यवस्थापन क्षेत्रको बौद्धिक संरचना: एक लेखक सह-उद्धरण विश्लेषण। रणनीति। प्रबन्ध। जे २९ (३),
319-336।
न्यौपाने, के।, बेसल-गुरेल, एफ।, २०२१। मानवरहित हवाई सवारी साधन प्रयोग गरेर बिरुवाको रोगहरूको स्वचालित पहिचान र निगरानी: एक समीक्षा। रिमोट सेन्सिङ १३ (१९), ३८४१। https://doi.org/2021/rs13।
Nex, F., Remondino, F., 2014. 3D म्यापिङ अनुप्रयोगहरूको लागि UAV: एक समीक्षा। Appl जियोमेटिक्स ६ (१), १–१५। https://doi.org/6/s1-1-15-x।
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. सटीक कृषिमा साना UAVs संग बाष्प ट्रान्सपिरेसन अनुमान। सेन्सर २० (२२), ६४२७। https://
doi.org/10.3390/s20226427।
ओसरेह, एफ।, 1996। बिब्लियोमेट्रिक्स, उद्धरण विश्लेषण र सह-उद्धरण विश्लेषण। साहित्यको समीक्षा 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, सेन्सरहरू, र कृषि वन विज्ञानमा डाटा प्रोसेसिंग: व्यावहारिक अनुप्रयोगहरूको लागि समीक्षा। Int. J. Remote Sens. 38 (8-10), 2349-2391। https://doi.org/10.1080/01431161.2017.1297548।
पाण्डे, US, Pratihast, AK, Aryal, J., Kayastha, RB, 2020। अनाज बालीका लागि ड्रोन-आधारित डाटा समाधानहरूमा समीक्षा। ड्रोन ४ (३), १–२९। https://doi.org/4/
ड्रोन 4030041।
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. छवि प्रशोधन र कृत्रिम न्यूरल नेटवर्क प्रयोग गरी तिलको बीउको तेल र प्रोटिन सामग्री अनुमान गर्दै। जे एम। तेल
रसायनशास्त्री संघ। ९७ (७), ६९१–७०२।
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´F., Suarez, O., वस्तु-आधारित विश्लेषण प्रयोग गरेर प्रारम्भिक-मौसम मकै खेतहरूमा झारको नक्साङ्कन को
मानवरहित हवाई वाहन (UAV) छविहरू। PLOS ONE 8 (10), e77151।
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv' as-Martínez, C.,
Lopez-Granados, ´F., 2015. मानवरहित हवाई सवारी र क्रप पङ्क्ति पत्ता लगाउने विधि प्रयोग गरेर सूर्यमुखी बालीहरूमा झारको म्यापिङको लागि अर्ध-पर्यवेक्षित प्रणाली। Appl सफ्ट कम्प्यूट। जे. ३७, ५३३–५४४। https://doi.org/37/j.asoc.533।
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021। सटीक कृषिमा ब्लकचेन-आधारित पानी व्यवस्थापन प्रणालीको लागि विश्वसनीय डेटा स्रोतहरूको रूपमा लागत-प्रभावी IoT उपकरणहरू। कम्प्युट। इलेक्ट्रोन। कृषि। 180, 105889।
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. सटीक कृषिमा बुद्धिमानी निगरानीको लागि उन्नत UAV-WSN प्रणाली। सेन्सर २० (३), https://doi.org/20/s3।
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020। आपूर्ति श्रृंखला, यातायात र रसदमा ब्लकचेन अनुप्रयोगहरू: साहित्यको एक व्यवस्थित समीक्षा। Int. जे प्रोड। Res. ५८ (७), २०६३–२०८१।
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012। सटीक कृषिको लागि एक लचिलो मानवरहित हवाई वाहन।
सटीक। कृषि। १३ (४), ५१७–५२३। https://doi.org/13/s4-517-523-10.1007।
प्रिचार्ड, ए., 1969। सांख्यिकीय बिब्लियोग्राफी वा बिब्लियोमेट्रिक्स। जे कागजात। २५ (४), ३४८–३४९।
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. प्रयोगात्मक क्षेत्र र बालीहरूको मूल्याङ्कनका लागि मानवरहित हवाई वाहन (UAV) को उपयुक्तता। कृषि ९९ (४), ४३१–४३६।
पुरी, वी., नय्यर, ए., राजा, एल., 2017। कृषि ड्रोन: सटीक कृषिमा आधुनिक सफलता। जे स्टेटिस। प्रबन्ध। सिस्ट। २० (४), ५०७–५१८।
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. सटीक कृषिको लागि UAV अनुप्रयोगहरूको संकलन। कम्प्युट। नेटव। १७२,
107148 https://doi.org/10.1016/j.comnet.2020.107148।
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020। एग्रोनोमिक अनुसन्धानमा बिग डाटा एनालिटिक्स र आर्टिफिसियल इन्टेलिजेन्सको आवेदन। भारतीय जे एग्रोन। ६५ (४), ३८३–३९५।
Raparelli, E., Bajocco, S., 2019। कृषि र वानिकी अध्ययनमा मानवरहित हवाई सवारी साधनको प्रयोगमा बिब्लियोमेट्रिक विश्लेषण। Int. J. Remote Sens. 40 (24),
९०७०–९०८३। https://doi.org/9070/9083।
रासमुसेन, जे., निल्सन, जे., गार्सिया-रुइज, एफ., क्रिस्टेनसेन, एस., स्ट्रेबिग, जेसी, लोट्ज, बी., २०१३।
झार अनुसन्धानमा साना मानवरहित विमान प्रणाली (UAS) को सम्भावित प्रयोग। झार रिस। ५३ (४), २४२–२४८।
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., माउन्ट गरिएका उपभोक्ता-ग्रेड क्यामेराहरूबाट व्युत्पन्न वनस्पति सूचकांकहरू हुन्।
UAVs प्रयोगात्मक प्लटहरू मूल्याङ्कन गर्न पर्याप्त रूपमा भरपर्दो छ? युरो। जे एग्रोन। ७४, ७५–९२। https://doi.org/74/j.eja.75।
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. खाद्य आपूर्ति श्रृंखलाहरूमा डिजिटलीकरण: एक bibliometric समीक्षा र मुख्य मार्ग मुख्य मार्ग
विश्लेषण। स्थिरता 14 (1), 83. https://doi.org/10.3390/su14010083।
Rejeb, A., Rejeb, K., Simske, SJ, Treibmaier, H., 2021a। आपूर्ति श्रृंखला व्यवस्थापन र रसद को लागी ड्रोन: एक समीक्षा र अनुसन्धान एजेन्डा। Int. जे लगिस्ट। Res. Appl
९०७०–९०८३। https://doi.org/1/24।
Rejeb, A., Rejeb, K., Simske, S., Treibmaier, H., 2021b। रसद र आपूर्ति श्रृंखला व्यवस्थापन मा Blockchain प्रविधिहरु: एक bibliometric समीक्षा। रसद ५ (४), ७२।
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treibmaier, H., 2021c। मानवीय ड्रोन: एक समीक्षा र अनुसन्धान एजेन्डा। चीजहरूको इन्टरनेट 16, 100434। https://doi.org/10.1016/j।
iot.2021.100434।
Rejeb, A., Treibmaier, H., Rejeb, K., Zailani, S., 2021d। स्वास्थ्य सेवामा ब्लकचेन अनुसन्धान: एक बिब्लियोमेट्रिक समीक्षा र हालको अनुसन्धान प्रवृत्ति। जे डाटा, इन्फ। र
प्रबन्ध। ३ (२), १०९-१२४।
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. इन्टरनेट अफ थिंग्स अनुसन्धान इन आपूर्ति श्रृंखला व्यवस्थापन र रसद: एक bibliometric विश्लेषण। इन्टरनेट
चीजहरू 12, 100318।
रिपोर्टलिङ्कर, २०२१। ग्लोबल एग्रीकल्चर ड्रोन बजार वर्षसम्ममा US$१५.२ बिलियन पुग्ने ग्लोबन्युजवायर न्यूज रुम। https://www.globenewswire.com/news-release/2021/15.2/2021/08/10/en/Global-Agriculture-Drones-Market-to-Reach-US-2277986-0-Billion-by-the- वर्ष-15.html।
Ribeiro-Gomes, K., Hernandez-L ´opez, ´D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. अनकूल थर्मल क्यामेरा क्यालिब्रेसन र अनुकूलन
कृषि मा UAV आवेदन लागि photogrammetry प्रक्रिया। सेन्सर (स्विजरल्याण्ड) 17 (10)। https://doi.org/10.3390/s17102173।
रिवेरा, एमए, पिजाम, ए., 2015. आतिथ्य अनुसन्धानमा प्रगति: "रोडनी डेन्जरफिल्ड देखि अरेथा फ्रैंकलिन सम्म"। Int. जे समकालीन। अस्पताल। प्रबन्ध। २७ (३),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Mini-UAV आधारित संवेदी प्रणाली ग्रीनहाउसहरूमा वातावरणीय चरहरू मापन गर्न। सेन्सर १५ (२), ३३३४–३३५०। https://doi.org/15/s2।
Rozenberg, G., Kent, R., Blank, L., 2021। उपभोक्ता-ग्रेड UAV व्यावसायिक प्याज क्षेत्रहरूमा ढिलो-सिजन झार स्थानिक वितरण ढाँचाहरू पत्ता लगाउन र विश्लेषण गर्न प्रयोग गरियो। सटीक। कृषि। २२ (४), १३१७–१३३२। https://doi.org/22/s4-1317-1332-y।
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. मानवरहित एरियल भेहिकल (UAV) वन र कृषि अनुप्रयोगहरूको लागि स्पेक्ट्रल क्यामेरा प्रणाली संचालित। अगाडि बढ्नुहोस्। SPIE - इंट। समाज। अप्ट। इन्जिन। ८१७४ https://doi.org/8174/10.1117।
साह, बी., गुप्ता, आर., बानी-हानी, डी., २०२१। ड्रोन रसद लागू गर्न बाधाहरूको विश्लेषण। Int. जे लगिस्ट। Res. Appl २४ (६), ५३१–५५०। https://doi.org/2021/
13675567.2020.1782862।
Saha, AK, Saha, J., Ray, R., Sircar, S., दत्त, S., चट्टोपाध्याय, SP, & Saha, HN, IOT आधारित ड्रोन कृषि क्षेत्रमा बालीको गुणस्तर सुधार गर्न। SH मा
एन. चक्रवर्ती एस. (एड.), 2018 IEEE 8 औं वार्षिक कम्प्युटिङ र संचार कार्यशाला र सम्मेलन, CCWC 2018 (खण्ड 2018-जनवरी, pp. 612-615)। संस्थान
इलेक्ट्रिकल र इलेक्ट्रोनिक्स इन्जिनियर्स Inc. doi: 10.1109/CCWC.2018.8301662।
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019। LEDCOM: सटीक कृषिको लागि एक उपन्यास र कुशल LED आधारित संचार। IEEE Conf. जानकारी। कम्युन। प्रविधि। 2019, 1-5। https://doi.org/10.1109/CICT48419.2019.9066177।
Salamí, E., Barrado, C., Pastor, E., 2014. UAV उडान प्रयोगहरू वनस्पति क्षेत्रहरूको रिमोट सेन्सिङमा लागू गरियो। रिमोट सेन्सिङ ६ (११), ११०५१–११०८१। https://doi.org/6/rs11।
शंकरन, एस., खोत, एलआर, एस्पिनोजा, सीजेड, जरोलमसजेड, एस., सथुवल्ली, वीआर, भान्डेमार्क, जीजे, मिक्लास, पीएन, कार्टर, एएच, पुम्फ्रे, एमओ, नोल्स, एनआरएन, पावेक, एमजे, २०१५।
पङ्क्ति र फिल्ड क्रप फेनोटाइपिङका लागि कम-उचाइ, उच्च-रिजोल्युसन एरियल इमेजिङ प्रणाली: एक समीक्षा। युरो। जे एग्रोन। ७०, ११२–१२३। https://doi.org/70/j।
eja.2015.07.004।
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. उच्च रिजोल्युसन UAV- आधारित थर्मल इमेजिङ अनुमान गर्न
दाखबारी भित्र बिरुवाको पानीको स्थितिको तत्काल र मौसमी परिवर्तनशीलता। कृषि। पानी प्रबन्ध। १८३, ४९-५९। https://doi.org/183/j.agwat.49।
Sarli, CC, Dubinsky, EK, Homes, KL, 2010. Beyond citation analysis: A Model for Assessment of Research Impact। जे मेड पुस्तकालय एसोसिएशन। : JMLA 98 (1), 17-23। https://doi.org/10.3163/1536-5050.98.1.008।
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009। पृथ्वी प्रणाली विज्ञान सम्बन्धित इमेजिङ स्पेक्ट्रोस्कोपी - एक मूल्याङ्कन। रिमोट सेन्स। वातावरण। 113, S123–S137।
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. कम लागत UAV संग जाडो गहुँ बाली को कृषि मापदण्डहरु को निगरानी
इमेजरी। रिमोट सेन्सिङ ८ (९)। https://doi.org/8/rs9।
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. माथिको सटीक एरोबायोलोजिकल नमूनाको लागि एक स्वायत्त मानवरहित हवाई वाहनको विकास र प्रयोग
कृषि क्षेत्रहरू। जे फिल्ड रोब। २५ (३), १३३–१४७। https://doi.org/25/rob.3।
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
कृत्रिम बुद्धिमत्ताको साथ इम्बेडेड सेन्सिङ मार्फत सटीक कृषि सक्षम गर्दै। आईईईई ट्रान्स। इन्स्ट्रम। मेस। ६९ (७), ४१०३–४११३।
Shakhatreh, H., Sawalmeh, AH, Al-Fukaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. मानवरहित हवाई सवारी (UAVs): नागरिक अनुप्रयोग र प्रमुख अनुसन्धान चुनौतीहरूमा सर्वेक्षण। IEEE पहुँच 7,
४८५७२–४८६३४। https://doi.org/48572/ACCESS.48634।
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019। बिग डाटा संचालित कृषि: बिरुवा प्रजनन, जीनोमिक्स, र रिमोट सेन्सिङ को उपयोग मा ठूलो डेटा विश्लेषण
बाली उत्पादकता बढाउन प्रविधिहरू। प्लान्ट फेनोम J. 2 (1), 1-8।
शर्मा, बीके, चन्द्र, जी, मिश्र, वीपी, २०१९। तुलनात्मक विश्लेषण र फरेन्सिक अनुसन्धानमा UAV र एआईको निहितार्थ। मा: कार्यवाही - 2019 एमिटी इन्टरनेशनल
आर्टिफिसियल इन्टेलिजेन्स सम्मेलन । https://doi.org/10.1109/AICAI.2019.8701407।
शर्मा, आर., शिशोदिया, ए., गुणसेकरण, ए, मिन, एच., मुनिम, ZH, 2022। आपूर्ति श्रृंखला व्यवस्थापनमा कृत्रिम बुद्धिमत्ताको भूमिका: क्षेत्र नक्सा। Int. जे.
उत्पादन। Res. १-२४। https://doi.org/1/24।
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., इब्राहिम A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016। उच्च-थ्रुपुट फेनोटाइपिङ र कृषि विज्ञान अनुसन्धानका लागि मानवरहित हवाई सवारी। PLOS ONE
11 (7), e0159781।
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019। मानवरहित हवाई प्रयोग गरी उत्पादन-स्थिरता क्षेत्रहरूमा मकै स्ट्यान्ड विषमता कैद गर्दै
सवारी साधन (UAV)। सेन्सर १९ (२०), ४४४६। https://doi.org/19/s20।
सानो, एच।, 1973। वैज्ञानिक साहित्यमा सह-उद्धरण: दुई कागजातहरू बीचको सम्बन्धको नयाँ उपाय। जे एम। समाज। जानकारी। विज्ञान २४ (४), २६५–२६९।
Small, H., Rorvig, ME, Lunin, LF, 1999. उद्धरण म्यापिङ द्वारा विज्ञानको दृश्य। जे एम। समाज। जानकारी। विज्ञान ५० (९), ७९९–८१३।
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021। ठूला चराउने क्षेत्रहरूमा जियोलोकेटेड एरियल छविहरूको साथ जंगलमा गाईवस्तु गणना। कम्प्युट। इलेक्ट्रोन। कृषि। 189, 106354 https://doi.org/10.1016/j.compag.2021.106354।
श्रीवास्तव, के., पाण्डे, पीसी, शर्मा, जेके, 2020। UAVs प्रयोग गरेर सटीक कृषिको अनुप्रयोगहरूमा मार्ग अप्टिमाइजेसनको लागि दृष्टिकोण। ड्रोन ४ (३), ५८। https://doi.org/ 4/drones3।
Stafford, JV, 2000। 21 औं शताब्दीमा सटीक कृषि कार्यान्वयन। जे कृषि इन्जिन। Res. ७६ (३), २६७–२७५।
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. मानवरहित हवाई वाहन प्रयोग गरी रिमोट सेन्सिङ इमेजरीद्वारा गहुँको खडेरी मूल्याङ्कन। 2018 मा 37 औं चिनियाँ नियन्त्रण सम्मेलन (CCC)।
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018। मल्टिस्पेक्ट्रल UAV एरियल इमेजरीबाट सिकेर गहुँको पहेंलो खिया निगरानी।
कम्प्युट। इलेक्ट्रोन। कृषि। १५५, १५७–१६६। https://doi.org/155/j। compag.157।
Su, Y., Wang, X., 2021। बिग डाटा द्वारा स्मार्ट कृषि निर्माण गर्ने प्रक्रियामा कृषि आर्थिक व्यवस्थापनको आविष्कार। दिगो कम्प्यूट। Inf। सिस्ट। 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579।
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007। कपास चन्दवामा पानीको तनाव पत्ता लगाउन मानवरहित थर्मल इन्फ्रारेड एरियल प्रणालीको संवेदनशीलता मूल्याङ्कन गर्दै। ट्रान्स। ASABE 50 (6), 1955-1962।
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. मानवरहित हवाई सवारी प्रयोग गरेर उखु उत्पादन अनुमानको लागि RGB-आधारित वनस्पति सूचकांक, फसल सतह मोडेल र वस्तु-आधारित छवि विश्लेषण दृष्टिकोणको एकीकरण। कम्प्युट। इलेक्ट्रोन। कृषि। 180, 105903 https://doi.org/10.1016/j.compag.2020.105903।
Suomalainen, J., Anders, N., इकबाल, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. को लागि हल्का वजन हाइपरस्पेक्ट्रल म्यापिङ प्रणाली
मानवरहित हवाई सवारी - पहिलो परिणाम। मा: 2013 हाइपरस्पेक्ट्रल छवि र सिग्नल प्रोसेसिंगमा 5 औं कार्यशाला: रिमोट सेन्सिङमा विकास (व्हिस्पर्स), pp. 1-4। https://doi.org/10.1109/WHISPERS.2013.8080721।
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. एक हल्का हाइपरस्पेक्ट्रल
मानवरहित हवाई सवारीका लागि म्यापिङ प्रणाली र फोटोग्रामेट्रिक प्रशोधन श्रृंखला। रिमोट सेन्सिङ 6 (11), 11013–11030। https://doi.org/10.3390/
rs61111013।
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021। छवि प्रशोधन, UAV र AI कृषिमा प्रयोग गरेर अग्रिम नियन्त्रण रणनीतिहरू: एक समीक्षा। विश्व जे. इन्जि. १८ (४),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. लेखांकनमा जर्नल प्रभावको अनुसन्धान गर्न उद्धरणहरू प्रयोग गरेर सूचना प्रशोधन। Inf। प्रक्रिया। व्यवस्थापन गर्नुहोस्। ३४ (२–३), ३४१–३५९।
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021। 5G नेटवर्क र कृषिमा यसको प्रभाव: चुनौती र अवसरहरूमा सर्वेक्षण। कम्प्युट।
इलेक्ट्रोन। कृषि। 180, 105895 https://doi.org/10.1016/j.compag.2020.105895।
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019। सटीक कृषिमा डाटा-संचालित निर्णय लिने: कृषि प्रणालीहरूमा ठूलो डाटाको वृद्धि। जे कृषि खाना जानकारी।
(20 ()), – 4१-।।
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. UAV- प्रयोग गरी जाडो गहुँको उत्पादन र बोटको उचाइको अनुमान आधारित हाइपरस्पेक्ट्रल छविहरू।
सेन्सर २० (४), १२३१।
Techy, L., Schmale III, DG, Woolsey, CA, 2010। दुई स्वायत्त मानवरहित हवाई सवारी साधनहरू प्रयोग गरी तल्लो वायुमण्डलमा बिरुवाको रोगजनकको समन्वित एरोबायोलजिकल नमूना। जे फिल्ड रोब। २७ (३), ३३५–३४३। https://doi.org/27/rob.3।
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020। गहिरो सिकाइ प्रयोग गरी सोयाबिन कीटहरूको पहिचान र वर्गीकरण
UAV छविहरूसँग। कम्प्युट। इलेक्ट्रोन। कृषि। १७९, १०५८३६।
Thamm, H.P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013। तान्जानियामा AN Wetland मा कृषि प्रणालीको मूल्याङ्कन गर्न Uas को प्रयोग- र सस्टेनेबल एग्रीकल्चरको लागि WetSeason र Terra-Sar X डाटाको लागि ग्राउन्ड ट्रुथ प्रदान गर्दै। मा: ISPRS - फोटोग्रामेट्रीको अन्तर्राष्ट्रिय अभिलेख, रिमोट सेन्सिङ र स्थानिय सूचना विज्ञान, pp. 401-406। https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013।
Thelwall, M., 2008. Bibliometrics to webometrics। जे जानकारी। विज्ञान ३४ (४), ६०५–६२१।
Torres-Sanchez, ´J., Lopez-Granados, ´F., Pena, ˜ JM, 2015. UAV छविहरूमा इष्टतम थ्रेसहोल्डिङको लागि एक स्वचालित वस्तु-आधारित विधि: जडिबुटी बालीहरूमा वनस्पति पत्ता लगाउनको लागि आवेदन। कम्प्युट। इलेक्ट्रोन। कृषि। 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. उच्च-थ्रुपुट 3-D अनुगमन कृषि-रुख रोपणको साथ। मानवरहित एरियल भेहिकल (UAV) प्रविधि। PLOS ONE 10 (6), e0130479।
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. UAV बाट छविहरू प्रयोग गरेर प्रारम्भिक-मौसम गहुँ खेतहरूमा वनस्पति अंशको बहु-अस्थायी म्यापिङ। कम्प्युट। इलेक्ट्रोन। कृषि। 103, 104-113। https://doi.org/10.1016/j। compag.2014.02.009।
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019। सटीक कृषिको लागि UAV-आधारित अनुप्रयोगहरूमा समीक्षा। जानकारी (स्विजरल्याण्ड) 10 (11)। https://doi.org/10.3390/info10110349।
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020। बागवानी रूख बाली संरचना मापन गर्न ड्रोन उडान योजना अनुकूलन गर्दै। ISPRS जे फोटोग्राम।
रिमोट सेन्स 160, 83-96। https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. इन्टरनेट अफ थिंग्स इन एग्रीकल्चर, भर्खरको प्रगति र भविष्यका चुनौतीहरू। बायोसिस्ट। इन्जिन। १६४, ३१-४८।
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., सिंह, VK, Pinto, D., Olmos, I., 2015। मेक्सिकोमा कम्प्युटर विज्ञान अनुसन्धानको साइन्टोमेट्रिक म्यापिङ। साइनोमेट्रिक्स 105 (1), 97-114।
UN., 2019। विश्व जनसंख्या सम्भावना 2019। https://population.un.org/wpp/ (15/04/2022 मा पहुँच गरिएको)।
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013। UAV माउन्टेड मिनिएचर हाइपरस्पेक्ट्रल सेन्सर प्रणाली द्वारा धान धानको विशेषता। आईईईई जे सेल। शीर्ष। Appl पृथ्वी Obs।
रिमोट सेन्स ६ (२), ८५१–८६०। https://doi.org/6/JSTARS.2। van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 851। Drones in
कृषि। Adv. एग्रोन। 162, 1-30।
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022।
सटीक कृषिमा मानवरहित हवाई सवारी (UAV): अनुप्रयोग र चुनौतीहरू। ऊर्जा १५ (१), २१७। https://doi.org/15/en1।
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018। मानवरहित हवाई प्रयोग गरी पारिस्थितिक रूपमा संवेदनशील समुद्री बासस्थानहरूको नक्साङ्कन र वर्गीकरण
वाहन (UAV) इमेजरी र वस्तु-आधारित छवि विश्लेषण (OBIA)। रिमोट सेन्सिङ १० (९), १३३१। https://doi.org/10/rs9।
Verger, A., Vigneau, N., Ch'eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. गहुँ र रेपसीड बालीहरूमा मानवरहित हवाई प्रणालीबाट हरित क्षेत्र सूचकांक । रिमोट सेन्स। वातावरण। १५२, ६५४–६६४। https://doi.org/152/j.rse.654।
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015। घाँसे मैदानमा चार अप्टिकल UAV-आधारित सेन्सरहरू तैनात गर्दै: चुनौतीहरू र
सीमाहरू। जैविक विज्ञान १२ (१), १६३–१७५। https://doi.org/12/bg-1-163-175।
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. सटीक कृषिमा भूमिगत चीजहरूको इन्टरनेट: वास्तुकला र प्रविधि पक्षहरू। तदर्थ नेटवर्क। ८१,
१६०–१७३। https://doi.org/160/j.adhoc.173।
Wamba, SF, Queiroz, MM, 2021। डिजिटल स्वास्थ्यको लागि गोप्य अवयवको रूपमा जिम्मेवार कृत्रिम बुद्धिमत्ता: bibliometric विश्लेषण, अन्तर्दृष्टि, र अनुसन्धान निर्देशनहरू।
जानकारी। सिस्ट। अगाडि। १-१६।
वाङ, एल।, झाङ, जी।, वाङ, जे।, लिउ, जे।, शाङ, जे।, लिआङ, एल।, 2019। बाली वृद्धि अनुगमनमा रिमोट सेन्सिङ रिसर्च ट्रेन्डको बिब्लियोमेट्रिक विश्लेषण: चीनमा एक केस स्टडी। रिमोट सेन्सिङ ११ (७)। https://doi.org/11/rs7।
व्हाइट, एचडी, ग्रिफिथ, बीसी, 1981। लेखक कोसिटेशन: बौद्धिक संरचना को एक साहित्य मापन। जे एम। समाज। जानकारी। विज्ञान ३२ (३), १६३–१७१।
Xiang, H., Tian, L., 2011. एक स्वायत्त मानवरहित हवाई वाहन (UAV) मा आधारित कम लागतको कृषि रिमोट सेन्सिङ प्रणालीको विकास। बायोसिस्ट। इन्जिन। 108 (2), 174-190। https://doi.org/10.1016/j.biosystemseng.2010.11.010।
Xie, C., Yang, C., 2020। UAV आधारित सेन्सरहरू प्रयोग गरेर प्लान्ट उच्च-थ्रुपुट फेनोटाइपिङ विशेषताहरूमा समीक्षा। कम्प्युट। इलेक्ट्रोन। कृषि। १७८, १०५७३१ https://doi.org/178/j।
compag.2020.105731।
Yao, H., Qin, R., Chen, X., 2019. रिमोट सेन्सिङ अनुप्रयोगहरूको लागि मानवरहित हवाई वाहन — एक समीक्षा। रिमोट सेन्सिङ ११ (१२)। https://doi.org/11/
rs11121443।
Yeom, S., 2021. एक मल्टिरोटर द्वारा इन्फ्रारेड थर्मल इमेजिङ संग मानिसहरू ट्र्याकिङ र गलत ट्र्याक हटाउँदै। ड्रोन ५ (३), ६५। https://doi.org/5/drones3।
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. छविहरू प्रयोग गरेर फसल मापदण्डहरूको अनुमानको तुलना UAV माउन्ट गरिएको बाट
स्न्यापसट हाइपरस्पेक्ट्रल सेन्सर र उच्च परिभाषा डिजिटल क्यामेरा। रिमोट सेन्सिङ १० (७), ११३८। https://doi.org/10/rs7।
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. मानव रहित हवाई वाहन प्रयोग गरी जमिन माथिको बायोमासको अनुमान- आधारित स्न्यापसट
हाइपरस्पेक्ट्रल सेन्सर र फसल उचाइ सुधारिएको मोडेलहरू। रिमोट सेन्सिङ ९ (७)। https://doi.org/9/rs7।
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015। उष्णकटिबंधीय वन रिकभरी निगरानी गर्न हल्का मानवरहित हवाई सवारी साधनहरू प्रयोग गर्दै। Biol।
संरक्षण गर्नुहोस्। १८६, २८७–२९५। https://doi.org/186/j.biocon.287। Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 295।
किनारा र क्लाउड कम्प्युटिङमा आधारित स्मार्ट खेती IoT प्लेटफर्म। बायोसिस्ट। इन्जिन। १७७,
4-17।
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014। मानवरहित हवाईबाट प्राप्त धेरै उच्च रिजोलुसन इमेजरी प्रयोग गरेर रूखको उचाइ परिमाणीकरण
वाहन (UAV) र स्वचालित 3D फोटो-पुनर्निर्माण विधिहरू। युरो। जे एग्रोन। ५५, ८९-९९। https://doi.org/55/j.eja.89।
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020। शीतल मौसम बालीहरूमा फूल फुल्ने तीव्रताको छवि-आधारित फेनोटाइपिङ। सेन्सर २० (५), १४५०। https://doi.org/20/s5।
Zhang, C., Kovacs, JM, 2012. सटीक कृषिको लागि सानो मानवरहित हवाई प्रणालीको आवेदन: एक समीक्षा। सटीक। कृषि। १३ (६), ६९३–७१२। https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019। UAV मल्टिस्पेक्ट्रल रिमोट सेन्सिङमा आधारित मकैको पानीको तनावको म्यापिङ। रिमोट सेन्सिङ ११ (६), ६०५।
Zhang, X., हान, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz' alez-Moreno, P., Ma, H., Ye, H., Sobeih , T., 2019। स्वचालित पहेंलो रस्टको लागि गहिरो शिक्षामा आधारित दृष्टिकोण
उच्च-रिजोल्युसन हाइपरस्पेक्ट्रल UAV छविहरूबाट रोग पत्ता लगाउने। रिमोट सेन्सिङ ११ (१३), १५५४।
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022। तरंग विश्लेषणको साथ संयोजन हाइपरस्पेक्ट्रल इमेजिङ प्रयोग गरेर चिया बिरुवाहरूको रोग र कीट तनावको पहिचान र भेदभाव। कम्प्युट। इलेक्ट्रोन। कृषि। 193, 106717 https://doi.org/10.1016/j। compag.2022.106717।
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022। एरियल छवि सिमेन्टिक विभाजनको लागि एन्ट्रोपी निर्देशित विरोधी डोमेन अनुकूलन। आईईईई ट्रान्स। G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016। ग्राउण्ड-आधारित स्पेक्ट्रलको समय श्रृंखला विश्लेषण मार्फत चामल फिनोलोजीको पहिचान सूचकांक डाटा। खेत बाली Res. १९८, १३१–१३९। https://doi.org/198/j.fcr.131।
Zheng, J., Yang, W., 2018। वायरलेस सेन्सरहरूमा आधारित एक सटीक कृषि चुहावट रोपण प्रणालीको डिजाइन। Int. जे. अनलाइन इन्जिनियर। १४ (०५), १८४।
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020। UAV-LiDAR डाटा प्रयोग गरेर मकैको बिरुवाको उचाइ परिवर्तनको विश्लेषण। कृषि १० (५), १४६। https://
doi.org/10.3390/agriculture10050146।
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021। Maize-IAS: उच्च-थ्रुपुट प्लान्ट फेनोटाइपिङको लागि गहिरो शिक्षा प्रयोग गरेर मकैको छवि विश्लेषण सफ्टवेयर । बिरुवा विधि १७ (१), ४८। https://doi.org/17/s1-48-10.1186-13007।
Zhou, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017। मा अन्न उत्पादन भविष्यवाणी बहु-लौकिक वनस्पति प्रयोग गरी चामल
UAV-आधारित मल्टिस्पेक्ट्रल र डिजिटल इमेजरीबाट सूचकांकहरू। ISPRS जे फोटोग्राम। रिमोट सेन्स। 130, 246-255। https://doi.org/10.1016/j.isprsjprs.2017.05.003।
Zhou, Y., Xie, Y., Shao, L., 2016। वायरलेस सेन्सर नेटवर्कमा आधारित ग्रीनहाउस निगरानी प्रणालीको कोर प्रविधिको सिमुलेशन। Int. जे. अनलाइन इन्जिनियर। १२ (०५),
43।
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021। सटीक कृषिमा इन्फ्रारेड थर्मल इमेजरीको साथ बाली पानीको तनावको लागि आकलन: एक समीक्षा
र गहिरो शिक्षा अनुप्रयोगहरूको लागि भविष्यका सम्भावनाहरू। कम्प्युट। इलेक्ट्रोन। कृषि। 182, 106019 https://doi.org/10.1016/j.compag.2021.106019।