अब्देरहमान रेजेब a , अलीरेझा अब्दुल्लाही b , करीम रेजेब c , हॉर्स्ट ट्रेब्लमायर d,
- a व्यवस्थापन आणि कायदा विभाग, अर्थशास्त्र विद्याशाखा, रोम विद्यापीठ टोर वर्गाटा, वाया कोलंबिया, 2, रोम 00133, इटली
- b व्यवसाय प्रशासन विभाग, व्यवस्थापन संकाय, खराझमी विद्यापीठ, १५९९९६४५११ तेहरान, इराण
- c बिझर्टे, कार्थेज विद्यापीठ, झारझौना, ७०२१ बिझर्टे, ट्युनिशियाचे विज्ञान विद्याशाखा
- d स्कूल ऑफ इंटरनॅशनल मॅनेजमेंट, मोडुल युनिव्हर्सिटी व्हिएन्ना, एम काहलेनबर्ग 1, 1190 व्हिएन्ना, ऑस्ट्रिया
लेख माहिती | सार |
कीवर्ड: ड्रोन UAV अचूक शेती गोष्टी इंटरनेट बिब्लियोमेट्रिक्स | ड्रोन, ज्याला मानवरहित एरियल व्हेईकल (UAV) देखील म्हणतात, अलीकडच्या दशकांमध्ये एक उल्लेखनीय विकास पाहिला आहे. शेतीमध्ये, त्यांनी शेतकऱ्यांच्या खर्चात भरीव बचत करून शेती पद्धती बदलली आहे, वाढविली आहे ऑपरेशनल कार्यक्षमता आणि चांगली नफा. गेल्या दशकांमध्ये, कृषी ड्रोनचा विषय आहे उल्लेखनीय शैक्षणिक लक्ष वेधून घेतले. म्हणून आम्ही बिब्लियोमेट्रिक्सवर आधारित सर्वसमावेशक पुनरावलोकन आयोजित करतो विद्यमान शैक्षणिक साहित्याचा सारांश आणि रचना करणे आणि वर्तमान संशोधन ट्रेंड आणि हॉटस्पॉट्स प्रकट करणे. आम्ही बायबलियोमेट्रिक तंत्र लागू करा आणि कृषी ड्रोनच्या आसपासच्या साहित्याचे विश्लेषण करा आणि मागील संशोधनाचे मूल्यांकन करा. आमचे विश्लेषण सूचित करते की रिमोट सेन्सिंग, अचूक शेती, सखोल शिक्षण, मशीन लर्निंग आणि इंटरनेट ऑफ थिंग्ज हे कृषी ड्रोनशी संबंधित गंभीर विषय आहेत. सह-उद्धरण विश्लेषण साहित्यातील सहा व्यापक संशोधन क्लस्टर्स प्रकट करते. हा अभ्यास कृषी क्षेत्रातील ड्रोन संशोधनाचा सारांश देण्याचा आणि भविष्यातील संशोधन दिशानिर्देश सुचवण्याचा पहिला प्रयत्न आहे. |
परिचय
शेती हे जगाच्या प्राथमिक अन्न स्रोताचे प्रतिनिधित्व करते (फ्रीहा एट अल., 2021), आणि ते गंभीर आव्हानांना तोंड देत आहे.
अन्न उत्पादनांची वाढती मागणी, अन्न सुरक्षा आणि सुरक्षितता चिंता तसेच पर्यावरण संरक्षण, पाणी संरक्षण आणि
शाश्वतता (Inoue, 2020). 9.7 पर्यंत जगाची लोकसंख्या 2050 अब्जांपर्यंत पोहोचण्याचा अंदाज असल्याने हा विकास चालू राहण्याचा अंदाज आहे.
(२०१९). शेती हे जागतिक स्तरावर पाण्याच्या वापराचे सर्वात प्रमुख उदाहरण असल्याने, अन्नाची मागणी आणि पाणी हे अपेक्षित आहे
नजीकच्या भविष्यात वापर नाटकीयरित्या वाढेल. शिवाय, खते आणि कीटकनाशकांचा वाढता वापर
शेतीच्या क्रियाकलापांच्या तीव्रतेसह भविष्यातील पर्यावरणीय आव्हाने निर्माण होऊ शकतात. त्याचप्रमाणे, शेतीयोग्य जमीन मर्यादित आहे, आणि
जगभरात शेतकऱ्यांची संख्या कमी होत आहे. ही आव्हाने नाविन्यपूर्ण आणि शाश्वत शेती उपायांच्या गरजेवर जोर देतात (एलिया
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
या आव्हानांना सामोरे जाण्यासाठी नवीन तंत्रज्ञानाचा समावेश करणे हा एक आशादायक उपाय म्हणून ओळखला जातो. स्मार्ट शेती (Brewster et al.,
2017; Tang et al., 2021) आणि अचूक शेती (Feng et al., 2019; खन्ना आणि कौर, 2019) अशा वादविवादांचा परिणाम म्हणून उदयास आले आहेत. द
कार्यक्षमता आणि परिणामकारकता वाढवण्यासाठी माहिती संप्रेषण तंत्रज्ञान (ICT) आणि इतर अत्याधुनिक नवकल्पनांचा अवलंब करणे ही एक सामान्य कल्पना आहे (हक एट अल., 2021). नंतरचे साइट-विशिष्ट व्यवस्थापनावर लक्ष केंद्रित करते ज्यामध्ये जमीन विभागली गेली आहे
एकसंध भाग, आणि प्रत्येक भागाला नवीन तंत्रज्ञानाद्वारे पीक उत्पादन ऑप्टिमायझेशनसाठी कृषी इनपुटची अचूक रक्कम मिळते (फेंग एट अल., 2019; खन्ना आणि कौर, 2019). या क्षेत्रातील विद्वानांचे लक्ष वेधून घेतलेल्या प्रमुख तंत्रज्ञानामध्ये वायरलेस सेन्सर नेटवर्क (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), इंटरनेट ऑफ थिंग्ज (IoT) (गिल एट अल., 2017; He et al., 2021; Liu et al., 2019),
कृत्रिम बुद्धिमत्ता (AI) तंत्र, मशीन लर्निंग आणि डीप लर्निंग (लियाकोस एट अल., 2018; पारसियन एट अल., 2020; शाड्रिन एट अल.,
2019), संगणकीय तंत्रज्ञान (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), बिग डेटा (Gill et al., 2017; Tantalaki
et al., 2019), आणि blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
वर नमूद केलेल्या तंत्रज्ञानाव्यतिरिक्त, रिमोट सेन्सिंगला सुधारण्याची उच्च क्षमता असलेले एक तांत्रिक साधन मानले गेले आहे.
स्मार्ट आणि अचूक शेती. उपग्रह, मानव-कर्मचारी विमाने आणि ड्रोन हे लोकप्रिय रिमोट सेन्सिंग तंत्रज्ञान आहेत (Tsouros et al., 2019).
मानवरहित हवाई वाहने (UAVs), मानवरहित विमान प्रणाली (UAS) आणि दूरस्थपणे चालविलेली विमाने म्हणून प्रसिद्ध असलेले ड्रोन हे आहेत.
इतर रिमोट सेन्सिंग तंत्रज्ञानाच्या तुलनेत त्यांचे अनेक फायदे असल्याने त्यांना खूप महत्त्व आहे. उदाहरणार्थ, ड्रोन वितरित करू शकतात
ढगाळ दिवसांमध्ये उच्च-गुणवत्तेच्या आणि उच्च-रिझोल्यूशन प्रतिमा (मॅनफ्रेडा एट अल., 2018). तसेच, त्यांची उपलब्धता आणि हस्तांतरण गती इतर घटक आहेत
फायदे (Radoglou-Grammatikis et al., 2020). विमानाच्या तुलनेत, ड्रोन अत्यंत किफायतशीर आणि सेट अप आणि देखरेख करण्यास सोपे आहेत (Tsouros et al., 2019). सुरुवातीला प्रामुख्याने लष्करी उद्देशांसाठी वापरला जात असला तरीही, ड्रोनचा उपयोग अनेक नागरी अनुप्रयोगांना होऊ शकतो, उदाहरणार्थ पुरवठा साखळी व्यवस्थापन (A. Rejeb, Rejeb, et al., 2021a), मानवतावादी हेतूंसाठी (A. Rejeb, Rejeb, et al., 2021c), स्मार्ट शेती, सर्वेक्षण आणि मॅपिंग, सांस्कृतिक वारसा दस्तऐवजीकरण, आपत्ती व्यवस्थापन, आणि वन आणि वन्यजीव संरक्षण (पांडे, प्रतिहस्त, et al., 2020). शेतीमध्ये, ड्रोनचे बहुविध अनुप्रयोग क्षेत्र अस्तित्वात आहेत कारण ते नवीन तंत्रज्ञान, संगणन क्षमता आणि ऑनबोर्ड सेन्सर्ससह एकत्रित केले जाऊ शकतात जे पीक व्यवस्थापनास समर्थन देतात (उदा. मॅपिंग, निरीक्षण, सिंचन, वनस्पती निदान) (एच. हुआंग एट अल., 2021) , आपत्ती कमी करणे, पूर्व चेतावणी प्रणाली, वन्यजीव आणि वनसंरक्षण काही नावांसाठी (Negash et al., 2019). त्याचप्रमाणे, पीक आणि वाढ निरीक्षण, उत्पादन अंदाज, पाण्याच्या ताणाचे मूल्यांकन आणि तण, कीड आणि रोग शोधणे (इनू, 2020; पांडे, प्रतिहस्त, 2020) यासह अनेक कृषी क्रियाकलापांमध्ये ड्रोनचा वापर केला जाऊ शकतो. ड्रोनचा वापर त्यांच्या संवेदी डेटावर आधारित निरीक्षण, अंदाज आणि शोध या उद्देशांसाठीच केला जाऊ शकत नाही, तर अचूक सिंचन आणि अचूक तण, कीटक आणि रोग व्यवस्थापनासाठी देखील वापरला जाऊ शकतो. दुसऱ्या शब्दांत, ड्रोन पर्यावरणीय डेटावर आधारित अचूक प्रमाणात पाणी आणि कीटकनाशके फवारण्यास सक्षम आहेत. शेतीमध्ये ड्रोनचे फायदे तक्ता 1 मध्ये सारांशित केले आहेत.
शेतीमध्ये ड्रोनचे मुख्य फायदे.
फायदा | संदर्भ |
ऐहिक आणि अवकाशीय वाढवा संकल्पना संवेदना | (Gago et al., 2015; Niu et al., 2020; श्रीवास्तव et al., 2020) |
अचूक शेतीची सोय करा | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
चे वर्गीकरण आणि स्काउटिंग पिके | (इनू, 2020; कालिश्चुक एट अल., 2019; लोपेझ- ´ Granados et al., 2016; Maimaitijiang et al., 2017; मेलव्हिल एट अल., 2019; मोहराणा आणि दत्ता, 2016) |
खताचा वापर | (L. Deng et al., 2018; Guan et al., 2019) |
दुष्काळाचे निरीक्षण | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
बायोमास अंदाज | (बेंडीग एट अल., 2014) |
उत्पन्नाचा अंदाज | (इनू, 2020; पांडे, श्रेष्ठ, इ., 2020; ताओ et al., 2020) |
आपत्ती कमी करणे | (Negash et al., 2019) |
वन्यजीवांचे संरक्षण आणि वनीकरण | (नेगाश एट अल., २०१९; पांडे, प्रतिहस्त, इ., 2020) |
पाण्याच्या ताणाचे मूल्यांकन | (इनू, 2020; जे. सु, कूम्बेस, एट अल., 2018; एल. झांग आणि इतर., २०१९) |
कीटक, तण आणि रोग ओळख | (Gaˇsparovic'c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. झांग एट अल., 2019) |
दुसरीकडे, ड्रोनलाही मर्यादा येतात. पायलटचा सहभाग, इंजिन पॉवर, स्थिरता आणि विश्वासार्हता, पेलोडमुळे सेन्सर्सची गुणवत्ता
वजन मर्यादा, अंमलबजावणी खर्च आणि विमानचालन नियमन हे त्यापैकी आहेत (C. Zhang & Kovacs, 2012). आम्ही कमतरतांची तुलना करतो
तक्ता 2 मधील तीन मोबाईल रिमोट सेन्सिंग तंत्रज्ञान. इतर रिमोट सेन्सिंग तंत्रज्ञान, जसे की माती सेन्सर, या अभ्यासाच्या फोकसच्या पलीकडे आहेत.
विविध मोबाइल रिमोट सेन्सिंग तंत्रज्ञानातील कमतरता.
रिमोट सेन्सिंग तंत्रज्ञान | कमतरता | संदर्भ |
ड्रोन (UAV) | पायलटचा सहभाग; प्रतिमा' गुणवत्ता (सरासरी); अंमलबजावणी खर्च (सरासरी); स्थिरता, कुशलता आणि विश्वसनीयता; मानकीकरण; इंजिन शक्ती; मर्यादित शक्ती स्रोत (बॅटरी दीर्घायुष्य); मर्यादित फ्लाइट कालावधी, टक्कर आणि सायबर हल्ले; मर्यादित पेलोड वजन; मोठे डेटासेट आणि मर्यादित डेटा प्रोसेसिंग क्षमता; नियमन अभाव; कौशल्याचा अभाव, उच्च प्रवेश प्रवेशासाठी अडथळे कृषी ड्रोन; | (Bacco et al., 2018; Dawaliby et al., 2020; हार्डिन आणि हार्डिन, 2010; हार्डिन आणि जेन्सन, 2011; लगकस वगैरे., 2018; लालिबर्टे एट अल., 2007; लालिबर्टे आणि रंगो, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; पुरी et al., 2017; वेलुसामी आणि इतर., 2022; सी. झांग आणि कोवाक्स, 2012) |
उपग्रह | नियतकालिक उपग्रह कव्हरेज, मर्यादित वर्णक्रमीय रिझोल्यूशन; दृश्यमानता समस्यांसाठी भेद्यता (उदा. ढग); अनुपलब्धता आणि कमी हस्तांतरण गती; अभिमुखता आणि विग्नेटिंग महाग स्थानिक डेटावर परिणाम होतो संग्रह; मंद डेटा वितरण अंतिम वापरकर्त्यांसाठी वेळ | (Aboutalebi et al., 2019; Cen et al., 2019; चेन आणि इतर., 2019; नॅनसेन आणि इलियट, 2016; पांडे, प्रतिहस्त, et al., 2020; साई विनीत et al., 2019) |
विमानाचा | उच्च दत्तक खर्च; क्लिष्ट सेटअप; देखभाल खर्च; विश्वासार्हतेची अनुपलब्धता विमाने, भूमिती प्रतिमा; गैर-नियमित डेटा संपादन; लवचिकता अभाव; प्राणघातक अपघात; सेन्सर डेटा कंपनांमुळे होणारे फरक; भौगोलिक संदर्भ समस्या | (आर्मस्ट्राँग एट अल., 2011; ॲटकिन्सन एट अल., 2018; Barbedo & Koenigkan, 2018; कोवालेव्ह आणि व्होरोशिलोवा, 2020; Suomalainen et al., 2013; थम्म एट अल., २०१३) |
कृषी क्षेत्रातील बहुविद्याशाखीय आणि बहुउद्देशीय तंत्रज्ञान म्हणून, ड्रोनची विविध दृष्टीकोनातून तपासणी केली गेली आहे. उदाहरणार्थ, विद्वानांनी शेतीतील ड्रोन अनुप्रयोगांचे परीक्षण केले आहे (कुलबकी आणि दीपक, 2018; मोगिली आणि दीपक, 2018), त्यांचे अचूक शेतीमधील योगदान (पुरी आणि इतर., 2017; त्सोरोस एट अल., 2019), त्यांची इतरांशी पूरकता अत्याधुनिक तंत्रज्ञान (अल-थानी एट अल., 2020; दत्ता आणि मित्रा, 2021; नय्यर एट अल., 2020; साहा एट अल., 2018), आणि त्यांच्या नेव्हिगेशनल आणि सेन्सिंग क्षमतांमध्ये प्रगती करण्याच्या शक्यता (बरेथ एट अल. , 2015; Suomalainen et al., 2014). शेतीमध्ये ड्रोन ऍप्लिकेशन्सवर संशोधन प्रचलित झाले आहे (खान एट अल., 2021)), सध्याच्या साहित्याचा सारांश आणि डोमेनची बौद्धिक रचना प्रकट करण्याची आवश्यकता आहे. शिवाय, सतत सुधारणांसह उच्च-तंत्रज्ञान क्षेत्र म्हणून, प्रचलित साहित्याचा सारांश आणि महत्त्वाच्या संशोधनातील अंतर ओळखण्यासाठी संरचित पुनरावलोकने नियमितपणे आयोजित करणे आवश्यक आहे. ला
तारीख, कृषी क्षेत्रातील ड्रोन अनुप्रयोगांवर चर्चा करणारे काही पुनरावलोकने आहेत. उदाहरणार्थ, Mogili and Deepak (2018) यांनी पीक निरीक्षण आणि कीटकनाशक फवारणीसाठी ड्रोनच्या परिणामांचे थोडक्यात पुनरावलोकन केले. Inoue (2020) कृषी क्षेत्रातील रिमोट सेन्सिंगमध्ये उपग्रह आणि ड्रोनच्या वापराचे पुनरावलोकन करते. लेखक स्मार्ट शेतीचा अवलंब करण्याच्या तांत्रिक आव्हानांचा आणि केस स्टडी आणि सर्वोत्तम पद्धतींच्या आधारे उपग्रह आणि ड्रोनच्या योगदानाचा शोध घेतात. Tsouros et al. (2019) विविध प्रकारचे ड्रोन आणि त्यांच्या कृषी क्षेत्रातील मुख्य अनुप्रयोगांचा सारांश द्या, विविध डेटा संपादन आणि प्रक्रिया पद्धती हायलाइट करा. अगदी अलीकडे, Aslan et al. (2022) कृषी क्रियाकलापांमधील UAV अनुप्रयोगांचे सर्वसमावेशक पुनरावलोकन केले आणि ग्रीनहाऊसमध्ये UAV साठी एकाचवेळी स्थानिकीकरण आणि मॅपिंगची प्रासंगिकता अधोरेखित केली. डायझ-गोन्झालेझ आणि इतर. (2022) विविध मशीन लर्निंग तंत्र आणि रिमोटवर आधारित पीक उत्पादन उत्पादनाच्या अलीकडील अभ्यासाचे पुनरावलोकन केले
संवेदना प्रणाली. त्यांच्या निष्कर्षांनी असे सूचित केले आहे की यूएव्ही माती निर्देशकांचा अंदाज लावण्यासाठी आणि अवकाशीय रिझोल्यूशन, माहितीची तात्पुरती आणि लवचिकता या दृष्टीने उपग्रह प्रणालीपेक्षा जास्त कामगिरी करण्यासाठी उपयुक्त आहेत. बसिरी वगैरे. (2022) ने अचूक शेतीच्या संदर्भात मल्टी-रोटर UAV साठी मार्ग-नियोजन आव्हानांवर मात करण्यासाठी विविध दृष्टिकोन आणि पद्धतींचा संपूर्ण आढावा घेतला. शिवाय, अवेस वगैरे. (2022) पाण्याच्या स्थितीचा अंदाज घेण्यासाठी पिकांमध्ये UAV रिमोट सेन्सिंग डेटाच्या वापराचा सारांश दिला आणि वाया जाणाऱ्या तणावाच्या वापरासाठी UAV रिमोट सेन्सिंगच्या संभाव्य क्षमतेचे सखोल संश्लेषण प्रदान केले. शेवटी, Aquilani et al. (2022) कुरणावर आधारित पशुधन प्रणालींमध्ये लागू केलेल्या प्रीव्हिजन फार्मिंग तंत्रज्ञानाचे पुनरावलोकन केले आणि असे निष्कर्ष काढले की यूएव्हीद्वारे सक्षम केलेले रिमोट सेन्सिंग बायोमास मूल्यांकन आणि कळप व्यवस्थापनासाठी फायदेशीर आहे.
तसेच, पशुधनाची देखरेख, ट्रॅकिंग आणि एकत्रित करण्यासाठी UAVs वापरण्याचे प्रयत्न अलीकडे नोंदवले गेले आहेत.
जरी या पुनरावलोकनांमधून नवीन आणि महत्त्वपूर्ण अंतर्दृष्टी प्राप्त झाली असली तरी, ग्रंथोच्चारणावर आधारित कोणतेही व्यापक आणि अद्ययावत पुनरावलोकन साहित्यात आढळू शकत नाही, जे स्पष्ट ज्ञान अंतर प्रस्तुत करते. शिवाय, असे नमूद केले आहे की जेव्हा वैज्ञानिक क्षेत्रात विद्वत्तापूर्ण उत्पादन वाढते, तेव्हा संशोधकांनी डोमेनच्या ज्ञानाची रचना समजून घेण्यासाठी परिमाणात्मक पुनरावलोकन पद्धती वापरणे अत्यावश्यक बनते (रिवेरा आणि पिझम, 2015). त्याचप्रमाणे, फरेरा आणि इतर. (2014) असा युक्तिवाद केला की संशोधन क्षेत्र परिपक्व आणि गुंतागुंतीचे होत असताना, विद्वानांनी अधूनमधून नवीन योगदान प्रकट करण्यासाठी, संशोधन परंपरा आणि ट्रेंड कॅप्चर करण्यासाठी, कोणत्या विषयांचा अभ्यास केला जातो हे ओळखण्यासाठी आणि ज्ञानाच्या संरचनेचा शोध घेण्यासाठी व्युत्पन्न केलेल्या आणि एकत्रित केलेल्या ज्ञानाची जाणीव करून देण्याचे ध्येय ठेवले पाहिजे. क्षेत्र आणि संभाव्य संशोधन दिशानिर्देश. Raparelli आणि Bajocco (2019) यांनी कृषी आणि वनीकरणातील ड्रोन ऍप्लिकेशन्सच्या ज्ञान डोमेनचे परीक्षण करण्यासाठी एक द्विमितीय विश्लेषण केले असताना, त्यांचा अभ्यास केवळ 1995 आणि 2017 दरम्यान प्रकाशित झालेल्या अभ्यासपूर्ण संशोधनाचा विचार करतो, जे या जलद गतीच्या क्षेत्राची गतिशीलता दर्शवत नाही. पुढे, लेखकांनी सह-उद्धरण विश्लेषण वापरून क्षेत्रातील सर्वात प्रभावशाली योगदान ओळखण्याचा, साहित्य क्लस्टर करण्याचा आणि बौद्धिक संरचनेचे मूल्यांकन करण्याचा प्रयत्न केला नाही. परिणामी, वर्तमान संशोधन केंद्र, ट्रेंड आणि हॉटस्पॉट्स प्रकट करण्यासाठी साहित्याचा सारांश देणे आवश्यक आहे.
ही ज्ञानाची पोकळी भरून काढण्यासाठी, आम्ही ड्रोन आणि शेतीच्या छेदनबिंदूवर संशोधनाच्या सद्य स्थितीचे परीक्षण करण्यासाठी परिमाणात्मक पद्धती आणि कठोर बिब्लियोमेट्रिक पद्धतींचा फायदा घेतो. आमचा असा युक्तिवाद आहे की सध्याचा अभ्यास कृषी क्षेत्रात अत्यंत आवश्यक असलेल्या उदयोन्मुख तंत्रज्ञानाचे परीक्षण करून विद्यमान साहित्यात अनेक योगदान देतो कारण ते या क्षेत्रातील अनेक पैलू बदलण्याची प्रचंड क्षमता प्रदान करते. कृषी संदर्भात ड्रोनवर विखुरलेले आणि विखुरलेले ज्ञान पाहता, कृषी ड्रोनच्या द्विमितीय विश्लेषणाची आवश्यकता अधिक जाणवते. त्याचप्रमाणे, कृषी ड्रोनशी संबंधित साहित्य पद्धतशीरपणे क्लस्टर करणे आवश्यक आहे, या संशोधन क्षेत्राचा पाया तयार करणारे सर्वात प्रभावशाली अभ्यास लक्षात घेऊन. विश्लेषणातील गुणवत्तेमध्ये साहित्यात प्रस्तुत केलेल्या मुख्य संशोधन थीमचे स्पष्टीकरण देखील समाविष्ट आहे. तंत्रज्ञानाच्या परिवर्तनीय संभाव्यतेचा विचार करून, आम्ही असे मानतो की सखोल नेटवर्क विश्लेषण प्रभावशाली कार्ये निर्धारित करून आणि ड्रोनच्या शेतीच्या संभाव्यतेशी संबंधित थीम उघड करून नवीन अंतर्दृष्टी देते.
म्हणून आम्ही खालील संशोधन उद्दिष्टे साध्य करण्याचा प्रयत्न करतो:
- कृषी क्षेत्रात ड्रोन ऍप्लिकेशन्समध्ये उत्कृष्ट योगदानासह प्रभावशाली प्रकाशनांची ओळख.
- सह-उद्धरण विश्लेषण वापरून साहित्याचे क्लस्टरिंग, संशोधन केंद्राची ओळख आणि अर्थविषयक समानतेवर आधारित मुख्य 'बौद्धिक संरचना' अभ्यासांचे मॅपिंग.
- क्षेत्रातील विविध प्रकाशनांमध्ये कालांतराने लिंकेज आणि उद्धरण नेटवर्कच्या उत्क्रांतीबद्दल समजून घेणे आणि भविष्यातील संशोधन दिशानिर्देश आणि चर्चेच्या विषयांची ओळख.
उर्वरित पेपरची रचना खालीलप्रमाणे आहे: विभाग 2 कार्यपद्धती आणि डेटा संकलन चरणांची रूपरेषा देतो; विभाग 3 विश्लेषणाचे परिणाम प्रदान करते; आणि विभाग 4 निष्कर्षांवर चर्चा करतो आणि संशोधन योगदान, परिणाम आणि भविष्यातील दिशानिर्देशांसह निष्कर्ष काढतो.
पद्धती
या सध्याच्या संशोधन अभ्यासामध्ये, आम्ही शेतीमध्ये ड्रोन ऍप्लिकेशन्स एक्सप्लोर करण्यासाठी बायबलियोमेट्रिक विश्लेषण करतो. हा परिमाणात्मक दृष्टीकोन ज्ञान क्षेत्राची बौद्धिक रचना (अरोरा आणि चक्रवर्ती, 2021) आणि सद्यस्थिती, चर्चेचे विषय आणि भविष्यातील संशोधन दिशा दर्शवितो ज्याची ही पद्धत लागू करून तपासणी केली जाऊ शकते (कपूर आणि इतर., 2018; मिश्रा आणि इतर. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). सामान्यत:, लिखित संप्रेषणाचे लपलेले नमुने आणि सांख्यिकी आणि गणितीय पद्धतींवर आधारित अनुशासनाची उत्क्रांती सारांशित करण्यासाठी आणि उलगडण्यासाठी सध्याच्या साहित्याचे परीक्षण केले जाते आणि ते मोठ्या डेटा सेटवर लागू होते (प्रिचर्ड, 1969; स्मॉल, 1999; ताहाई आणि रिग्जबी , 1998). बिब्लियोमेट्रिक्सचा वापर करून, समानतेवर आधारित डोमेनमध्ये योगदान देणारे विद्यमान प्रतिमान आणि संशोधन केंद्रे अधिक चांगल्या प्रकारे समजून घेण्याची आमची इच्छा आहे (थेलवॉल, 2008). बिब्लियोमेट्रिक्स कार्यपद्धतीच्या वस्तुनिष्ठ परिमाणात्मक सामर्थ्याने समर्थित नवीन अंतर्दृष्टी प्रदान करते (कॅसिलास आणि एसेडो, 2007). असंख्य विद्वानांनी यापूर्वी कृषी, रिमोट सेन्सिंग आणि डिजिटल ट्रान्सफॉर्मेशन (आर्मेन्टा-मेडिना एट अल., 2020; बौझेमब्राक एट अल., 2019; ए. रेजेब, ट्रेबल्मेयर, एट अल., 2021; 2021; 2019; & Queiroz, XNUMX; Wang et al., XNUMX).
उद्धरण विश्लेषण
उद्धरण विश्लेषण दिलेल्या संशोधन क्षेत्रातील विविध अंतर्दृष्टी प्रकट करते. सर्व प्रथम, दिलेल्या संशोधन क्षेत्रात योगदान देणारे सर्वात प्रभावशाली लेखक आणि प्रकाशने प्रकट करण्यास मदत करते आणि महत्त्वपूर्ण प्रभाव पाडतात (गुंडॉल्फ आणि फिलसर, 2013). दुसरे म्हणजे, ज्ञानाचा प्रवाह आणि लेखकांमधील संवादाचे दुवे उघड केले जाऊ शकतात. शेवटी, उद्धृत आणि उद्धृत केलेल्या कार्यांमधील दुवे शोधून, एखादी व्यक्ती कालांतराने ज्ञानक्षेत्रातील बदल आणि उत्क्रांती एक्सप्लोर करू शकते (पॉर्नडर
et al., 2020). प्रकाशनाची उच्च उद्धरण संख्या त्याची प्रासंगिकता आणि संशोधन क्षेत्रामध्ये महत्त्वपूर्ण योगदान दर्शवते (बाल्डी, 1998; गुंडॉल्फ आणि फिलसर, 2013; मारिन्को, 1998). प्रकाशनांचे उद्धरण विश्लेषण देखील संबंधित कामे ओळखण्यात आणि त्यांची लोकप्रियता आणि कालांतराने प्रगतीचा मागोवा घेण्यास मदत करते.
दस्तऐवज सह-उद्धरण विश्लेषण
सह-उद्धरण विश्लेषण ही प्रकाशनांमधील संबंध शोधण्याची आणि क्षेत्राची बौद्धिक रचना दर्शविणारी एक मौल्यवान पद्धत आहे (नेरुर एट अल., 2008). दुसऱ्या शब्दांत, सर्वाधिक उद्धृत केलेली प्रकाशने आणि त्यांची जोडणी ओळखून, पद्धती प्रकाशनांना वेगळ्या संशोधन क्लस्टरमध्ये गटबद्ध करते ज्यामध्ये क्लस्टरमधील प्रकाशने नियमितपणे समान कल्पना सामायिक करतात (McCain, 1990; Small, 1973). हे नमूद करणे महत्त्वाचे आहे की समानतेचा अर्थ असा नाही की प्रकाशनांचे निष्कर्ष आहेत
एकसंध आणि एकमेकांशी सहमत; विषय समानतेमुळे प्रकाशने समान क्लस्टरची आहेत, परंतु त्यांच्यात विरोधाभासी दृष्टिकोन असू शकतात.
डेटा संकलन आणि विश्लेषण
व्हाईट आणि ग्रिफिथ (1981) यांनी प्रस्तावित केलेल्या कार्यपद्धतीचे अनुसरण करून, आम्ही पुढील पाच चरणांचा पाठपुरावा करून, कृषी क्षेत्रातील ड्रोन अनुप्रयोगांचे संपूर्ण संशोधन क्षेत्र कव्हर करण्यासाठी जर्नल लेखांचा व्यापक शोध केला:
- पहिली पायरी म्हणजे डेटा संकलन. प्रमाणित परिणामांसह सर्वात व्यापक आणि विश्वासार्ह डेटाबेसपैकी एक म्हणून स्कोपसची निवड करण्यात आली. कृषी क्षेत्रातील सर्व ड्रोन अनुप्रयोगांशी संबंधित प्रकाशनांचा मेटा-डेटा पुनर्प्राप्त करण्यात आला. मग आम्ही निवडक लेखांचे विश्लेषण केले, विश्लेषणातून विषयबाह्य लेख काढून टाकले.
- आम्ही साहित्याचे विश्लेषण केले आणि संशोधन क्षेत्रात वापरलेले सर्वात महत्वाचे कीवर्ड ओळखले.
- उद्धरण विश्लेषण वापरून, आम्ही अंतर्निहित उद्धरण नमुने उघड करण्यासाठी लेखक आणि दस्तऐवज यांच्यातील संबंध शोधले. आम्ही कृषी ड्रोनच्या क्षेत्रात महत्त्वपूर्ण योगदान देणारे सर्वात प्रभावशाली लेखक आणि प्रकाशने देखील ओळखली.
- आम्ही समान प्रकाशनांचे क्लस्टरमध्ये गट करण्यासाठी सह-उद्धरण विश्लेषण केले.
- शेवटी, आम्ही सहयोग नेटवर्कचे चित्रण करण्यासाठी देश, संस्था आणि जर्नल्समधील कनेक्शन आणि दुवे यांचे विश्लेषण केले.
योग्य शोध संज्ञांची ओळख
डेटा एकत्रीकरणासाठी आम्ही खालील शोध स्ट्रिंग लागू केले: (ड्रोन* किंवा "मानवरहित हवाई वाहन" किंवा uav* किंवा "मानवरहित विमान प्रणाली” किंवा us किंवा “दूरस्थपणे चालवलेले विमान”) आणि (कृषी किंवा शेती किंवा शेती किंवा शेतकरी). सप्टेंबर 2021 मध्ये शोध घेण्यात आला. ड्रोनला अनेक पदनाम आहेत, ज्यात UAV, UAS आणि दूरस्थपणे चालवलेले विमान (साह एट अल., 2021) यांचा समावेश आहे. अब्दोल्लाही इत्यादींच्या अभ्यासावर आधारित शेतीशी संबंधित विशिष्ट शोध संज्ञा ओळखल्या गेल्या. (२०२१). स्पष्टता आणि पारदर्शकतेसाठी, आम्ही वापरलेली अचूक क्वेरी परिशिष्ट 2021 मध्ये दिली आहे. डेटा क्लीनिंग प्रक्रियेनंतर, आम्ही एक मजकूर फाइल तयार केली जी नंतर BibExcel मध्ये लोड केली गेली, हे उद्धरण आणि सह-उद्धरण विश्लेषणासाठी एक सामान्य साधन आहे. हे साधन इतर सॉफ्टवेअरसह साधे संवाद देखील प्रदान करते आणि डेटा हाताळणी आणि विश्लेषणामध्ये लक्षणीय प्रमाणात स्वातंत्र्य देते. VOSviewer आवृत्ती 1 चा उपयोग निष्कर्षांची कल्पना करण्यासाठी आणि बिब्लियोमेट्रिक नेटवर्क्स तयार करण्यासाठी केला गेला (Eck & Waltman, 1.6.16). VOSviewer अंतर्ज्ञानी व्हिज्युअलायझेशनची श्रेणी ऑफर करते, विशेषत: बिब्लियोमेट्रिक नकाशांचे विश्लेषण करण्यासाठी (Geng et al., 2009). शिवाय, हे साधे व्हिज्युअल परिणाम प्रदान करण्यात मदत करते जे परिणाम चांगल्या प्रकारे समजून घेण्यास मदत करतात (अब्दोल्लाही एट अल., 2020). वर सांगितल्याप्रमाणे शोध स्ट्रिंग लागू करून, आम्ही सर्व संबंधित प्रकाशने एकत्र केली आणि संग्रहित केली. पहिल्या शोध परिणामांमध्ये एकूण 2021 दस्तऐवज मिळाले. निवडलेल्या नमुन्याची गुणवत्ता सुनिश्चित करण्यासाठी, संशोधनामध्ये फक्त पीअर-पुनरावलोकन केलेल्या जर्नल लेखांचा विचार केला गेला, परिणामी पुस्तके, अध्याय, कॉन्फरन्स कार्यवाही आणि संपादकीय नोट्स यासारखे इतर दस्तऐवज प्रकार वगळण्यात आले. स्क्रीनिंग प्रक्रियेदरम्यान, अप्रासंगिक (म्हणजे, या कामाच्या व्याप्तीच्या पलीकडे), अनावश्यक (म्हणजे, दुहेरी अनुक्रमणिकेतून उद्भवणारी डुप्लिकेट), आणि गैर-इंग्रजी-भाषिक प्रकाशने फिल्टर केली गेली. या प्रक्रियेमुळे अंतिम विश्लेषणामध्ये 5,085 कागदपत्रांचा समावेश करण्यात आला.
निष्कर्ष आणि चर्चा
प्रारंभ करण्यासाठी, आम्ही कृषी ड्रोनवरील वर्तमान साहित्यातील प्रकाशन उत्पादनातील घडामोडींचे विश्लेषण केले. विद्वत्तापूर्ण संशोधनाचे तात्पुरते वितरण आकृती 1 मध्ये दाखवले आहे. 2011 पासून (30 प्रकाशने) प्रकाशनांमध्ये झपाट्याने वाढ झाल्याचे आपल्याला दिसते; म्हणून, आम्ही विश्लेषण कालावधी दोन वेगवेगळ्या टप्प्यात विभाजित करण्याचा निर्णय घेतला. आम्ही 1990 ते 2010 या कालावधीला बिल्ड-अप टप्पा म्हणून संबोधतो, ज्यात वर्षाला अंदाजे सात पेपर प्रकाशित झाले होते. 2010 नंतरचा कालावधी वाढीचा टप्पा म्हणून ओळखला जातो कारण या कालावधीत कृषी क्षेत्रातील ड्रोन ऍप्लिकेशन्सवरील संशोधनात प्रचंड वाढ झाली. 2010 नंतर, प्रकाशनांची वाढती संख्या संशोधकांमधील वाढत्या स्वारस्याची पुष्टी करते, जे हे देखील प्रतिबिंबित करते की ड्रोन रिमोट सेन्सिंगवर लागू केले गेले आहेत आणि अचूक शेतीमध्ये वापरले गेले आहेत (डेंग एट अल., 2018; मेस आणि स्टेप्पे, 2019; मेसिना आणि मोडिका, 2020 ). विशेषत:, प्रकाशनांची संख्या 108 मध्ये 2013 वरून 498 मध्ये 2018 वर पोहोचली आणि 1,275 मध्ये 2020 वर पोहोचली. एकूण 935 लेख जानेवारी ते सप्टेंबर 2021 दरम्यान प्रकाशित झाले. त्यानंतर, आम्ही आमच्या वाढीच्या विश्लेषणावर अधिक लक्ष केंद्रित करण्याचे निवडले. हा कालावधी कृषी ड्रोनच्या सर्वात अलीकडील आणि महत्त्वपूर्ण सूक्ष्मता प्रतिबिंबित करतो.
कीवर्ड विश्लेषण
लेखक प्रकाशनासाठी निवडलेले कीवर्ड पेपरचे प्रतिनिधित्व कसे केले जाते आणि वैज्ञानिक समुदायांमध्ये ते कसे संप्रेषित केले जाते यावर महत्त्वपूर्ण प्रभाव पाडतात. ते संशोधनाचे प्रमुख विषय ओळखतात आणि त्याची भरभराट किंवा अयशस्वी होण्याची क्षमता निर्धारित करतात (डे अँड गॅस्टेल, 1998.; किम एट अल., 2016; उद्दीन एट अल., 2015). कीवर्ड विश्लेषण, व्यापक संशोधन ट्रेंड आणि दिशानिर्देश प्रकट करण्यासाठी एक साधन, डोमेनमधील सर्व संबंधित प्रकाशनांच्या कीवर्डच्या संकलनाचा संदर्भ देते (दीक्षित आणि जाखर, 2021). सध्याच्या अभ्यासात, सर्वात लोकप्रिय विषय एक्सप्लोर करण्यासाठी आम्ही एकत्रित कीवर्ड दोन संचांमध्ये (म्हणजे 2010 आणि 2011-2021 पर्यंत) विभागले आहेत. असे केल्याने, आम्ही दोन्ही संचांमध्ये महत्त्वपूर्ण कीवर्ड शोधू शकतो आणि खात्री देतो की आम्ही सर्व आवश्यक डेटा कॅप्चर केला आहे. प्रत्येक संचासाठी, टॉप टेन कीवर्ड टेबल 3 मध्ये सादर केले आहेत. आम्ही "ड्रॉन" आणि "ड्रोन्स" किंवा त्याचप्रमाणे, "इंटरनेट ऑफ थिंग्ज" आणि "IoT" सारखे शब्दार्थ एकसारखे कीवर्ड विलीन करून विसंगती दूर केली.
तक्ता 3 दाखवते की "ड्रोन" आणि "मानव रहित हवाई प्रणाली" या दोन्ही कालखंडात "मानवरहित हवाई वाहन" हा अधिक वारंवार वापरला जाणारा कीवर्ड आहे. तसेच, "रिमोट सेन्सिंग", "परिशुद्धता शेती" आणि "शेती" या दोन्ही कालखंडात उच्च स्थानावर आहेत. पहिल्या कालखंडात, "परिशुद्धता शेती" पाचव्या क्रमांकावर होती, आणि दुसऱ्या कालखंडात ते दुसऱ्या क्रमांकावर होते, जे स्पष्ट करते की अचूक शेती साध्य करण्यासाठी ड्रोन कसे महत्त्वपूर्ण होत आहेत कारण ते निरीक्षण करू शकतात,
इतर रिमोट सेन्सिंग आणि ग्राउंड-आधारित सिस्टीमच्या तुलनेत शोध, आणि अंदाज प्रथा जलद, स्वस्त आणि कार्यप्रदर्शन करणे सोपे आहे. तसेच, आवश्यकतेनुसार ते अचूक प्रमाणात इनपुट (उदा. पाणी किंवा कीटकनाशके) फवारणी करू शकतात (गुओ एट अल., २०२०; इनुए, २०२०; पांडे, प्रतिहस्त, एट अल., २०२०).
सर्वाधिक वारंवार वापरल्या जाणाऱ्या कीवर्डची सूची.
क्रमांक | 1990-2010 | ची संख्या घटना | 2011-2021 | ची संख्या घटना |
1 | मानवरहित हवाई वाहन | 28 | मानव रहित हवाई वाहन | 1628 |
2 | रिमोट सेन्सिंग | 7 | अचूकपणा शेती | 489 |
3 | शेती | 4 | रिमोट सेन्सिंग | 399 |
4 | हवायुक्त | 4 | आळशी | 374 |
5 | अचूकपणा शेती | 4 | मानव रहित हवाई प्रणाली | 271 |
6 | मानवरहित हवाई | 4 | शेती | 177 |
7 | हायपरस्पेक्ट्रल सेन्सर | 3 | खोल शिकणे | 151 |
8 | कृत्रिम न्यूरल नेटवर्क | 2 | मशीन शिक्षण | 149 |
9 | स्वायत्त उड्डाण | 2 | वनस्पती निर्देशांक | 142 |
10 | कॉफी | 2 | चे इंटरनेट गोष्टी | 124 |
आणखी एक मनोरंजक वैशिष्ट्य म्हणजे पूरक तंत्रज्ञानाची उपस्थिती. पहिल्या टप्प्यात, “हायपरस्पेक्ट्रल सेन्सर” आणि “कृत्रिम न्यूरल नेटवर्क्स” (ANN) हे टॉप टेन कीवर्ड्समध्ये आहेत. हायपरस्पेक्ट्रल इमेजिंगने विविध तरंगलांबींवर मोठ्या संख्येने प्रतिमा एकत्रित करून पारंपारिक इमेजिंगमध्ये क्रांती केली. असे केल्याने, मल्टीस्पेक्ट्रल इमेजिंग, स्पेक्ट्रोस्कोपी आणि RGB इमेजरी (Adao ˜ et al.,
2017). पहिल्या टप्प्यात “ANN” आणि दुसऱ्या टप्प्यात “डीप लर्निंग” (DL) आणि “मशीन लर्निंग” (ML) ची घटना सूचित करते की बहुतेक प्रकाशित कामे ड्रोनसाठी AI तंत्रांच्या संभाव्यतेच्या परीक्षणावर केंद्रित आहेत- आधारित शेती. जरी ड्रोन स्वायत्तपणे उड्डाण करण्यास सक्षम आहेत, तरीही त्यांना पायलटच्या सहभागाची आवश्यकता आहे, जे डिव्हाइसच्या बुद्धिमत्तेची कमी पातळी दर्शवते. तथापि, ही समस्या AI तंत्रांच्या प्रगतीमुळे सोडवली जाऊ शकते, जी परिस्थितीजन्य जागरूकता आणि स्वायत्त निर्णय समर्थन प्रदान करू शकते. AI सह सुसज्ज, ड्रोन नेव्हिगेशन दरम्यान टक्कर टाळू शकतात, माती आणि पीक व्यवस्थापन सुधारू शकतात (Inoue, 2020), आणि मनुष्यांसाठी श्रम आणि ताण कमी करू शकतात (BK शर्मा et al., 2019).
त्यांच्या लवचिकतेमुळे आणि मोठ्या प्रमाणात नॉनलाइनर डेटा हाताळण्याच्या क्षमतेमुळे, ड्रोन आणि इतर रिमोट-सेन्सिंग आणि ग्राउंड-आधारित सिस्टमद्वारे प्रसारित केलेल्या डेटाचे विश्लेषण करण्यासाठी AI तंत्रे योग्य पद्धती आहेत (अली एट अल., 2015; Inoue, 2020). शिवाय, दुस-या काळात “IoT” ची उपस्थिती ही त्याची कृषी क्षेत्रातील उदयोन्मुख भूमिका दर्शवते. IoT ड्रोन, ML, DL, WSNs आणि बिग डेटासह इतर तंत्रज्ञान एकमेकांशी जोडून कृषी क्षेत्रात क्रांती करत आहे. IoT लागू करण्याच्या मुख्य फायद्यांपैकी एक म्हणजे विविध कार्ये (डेटा संपादन, डेटा विश्लेषण आणि प्रक्रिया, निर्णय घेणे आणि अंमलबजावणी) कार्यक्षमतेने आणि प्रभावीपणे विलीन करण्याची क्षमता जवळच्या रिअल टाइममध्ये (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). शिवाय, ड्रोन हे वनस्पतींच्या जोम आणि वनस्पती गुणधर्मांची गणना करण्यासाठी आवश्यक डेटा कॅप्चर करण्यासाठी कार्यक्षम साधने मानले जातात (कँडियागो एट अल., 2015). अंजीर. 2a आणि 2b दोन्ही कालावधीसाठी कीवर्ड सह-घटना नेटवर्कचे वर्णन करतात.
प्रभावशाली लेखक
या विभागात, आम्ही प्रभावी लेखक निर्धारित करतो आणि लेखक उद्धरण नेटवर्क वर्तमान साहित्य कसे दृश्यमान आणि व्यवस्थापित करू शकतात याचे परीक्षण करतो. अंजीर 3 सर्व संशोधकांचे कालक्रमानुसार आच्छादन दर्शविते ज्यात सर्वाधिक उद्धृत आहेत. रंग स्केल लेखकांच्या उद्धरणांची वर्षानुसार भिन्नता दर्शवते. आम्ही किमान 50 उद्धरणांचा आणि दहा प्रकाशनांचा उंबरठा वापरून कृषी ड्रोनवर अभ्यास प्रकाशित करणाऱ्या संशोधकांच्या उद्धरण संरचनेचे परीक्षण करतो. बाहेर
12,891 लेखक, केवळ 115 लेखकांनी ही अट पूर्ण केली. तक्ता 4 वरच्या दहा प्रभावशाली लेखकांची सूची देते, जास्तीत जास्त उद्धरणांच्या संख्येनुसार क्रमवारी लावलेली आहे. लोपेझ- ग्रॅनॅडोस एफ. 1,963 उद्धरणांसह यादीत आघाडीवर आहे, त्यानंतर 1,909 उद्धरणांसह झारको-तेजादा पीजे आहे.
सर्वाधिक उद्धृत लेखकांची यादी.
रँकिंग | लेखक | उद्धरणे |
1 | लोपेझ-ग्रॅनॅडोस ´ एफ. | 1,963 |
2 | झारको-तेजादा पीजे | 1,909 |
3 | पेना ˜ जेएम | 1,644 |
4 | टोरेस-एस' अँचेझ जे. | 1,576 |
5 | फेरेस ई | 1,339 |
6 | रेमंडिनो एफ | 1,235 |
7 | बोल्टन ए | 1,160 |
8 | बरेथ जी | 1,155 |
9 | बर्नी जेए | 1,132 |
10 | डी कॅस्ट्रो एआय | 1,036 |
वैयक्तिक प्रकाशनांचा विचार केला तर, प्रिसिजन ॲग्रीकल्चरमध्ये प्रकाशित झालेला Zhang and Kovacs (2012) हा लेख सर्वाधिक उद्धृत केलेला अभ्यास आहे. येथे, लेखकांनी अचूक शेतीमध्ये UAS च्या अर्जाचे पुनरावलोकन केले. त्यांच्या संशोधनाचे निष्कर्ष सूचित करतात की शेतकऱ्यांना विश्वसनीय अंतिम उत्पादने प्रदान करण्यासाठी प्लॅटफॉर्म डिझाइन, उत्पादन, प्रतिमा भू-संदर्भाचे मानकीकरण आणि माहिती पुनर्प्राप्ती कार्यप्रवाह वाढवणे आवश्यक आहे. याव्यतिरिक्त, ते शेतकऱ्याला अधिक जोरदारपणे गुंतवून ठेवण्याची शिफारस करतात, विशेषत: फील्ड प्लॅनिंग, इमेज कॅप्चर, तसेच डेटा इंटरप्रिटेशन आणि विश्लेषणामध्ये. महत्त्वाचे म्हणजे, फील्ड मॅपिंग, जोमदार मॅपिंग, रासायनिक सामग्रीचे मोजमाप, वनस्पती तणाव निरीक्षण आणि वनस्पतींच्या वाढीवर खतांच्या परिणामांचे मूल्यांकन यामध्ये UAV चे महत्त्व दर्शविणारा हा अभ्यास पहिला होता. तंत्रज्ञानाशी संबंधित आव्हानांमध्ये प्रतिबंधात्मक खर्च, सेन्सर क्षमता, प्लॅटफॉर्म स्थिरता आणि विश्वासार्हता, मानकीकरणाचा अभाव आणि मोठ्या प्रमाणावर डेटाचे विश्लेषण करण्यासाठी सातत्यपूर्ण प्रक्रिया यांचा समावेश होतो.
उद्धरण विश्लेषण
उद्धरण विश्लेषण लेखांच्या प्रभावाच्या अभ्यासाचे प्रतिनिधित्व करते, जरी प्रवाहास प्रवण असले तरीही (उदा., उद्धरण पूर्वाग्रह, स्व-उद्धरण) हे प्रभाव मूल्यांकनासाठी मानक साधनांपैकी एक मानले जाते (ओसारेह, 1996; ए. रेजेब एट अल., 2022; सारली एट अल., 2010). उद्धरणे विशिष्ट विषयावरील साहित्यातील कागदपत्रांच्या योगदानाचे महत्त्व आणि चैतन्य देखील प्रतिबिंबित करतात (आर. शर्मा एट अल., 2022). आम्ही कृषी ड्रोनवरील सर्वात प्रभावशाली अभ्यास निर्धारित करण्यासाठी उद्धरण विश्लेषण केले आणि त्यातील सामग्रीचा सारांश दिला. तक्ता 5 मध्ये 1990-2010 आणि 2011-2021 या कालावधीतील पंधरा सर्वात प्रभावशाली पेपरची यादी सादर केली आहे. बर्नी इत्यादींचे लेख. (2009)b आणि ऑस्टिन (2010) 1990 आणि 2010 मध्ये अनुक्रमे 831 आणि 498 उद्धरणांसह सर्वाधिक उद्धृत केले गेले आहेत. बर्नी आणि इतर. (2009)b ने परवडणाऱ्या थर्मल आणि नॅरोबँड मल्टीस्पेक्ट्रल इमेजिंग सेन्सर्ससह हेलिकॉप्टर-आधारित UAV द्वारे परिमाणात्मक रिमोटसेन्सिंग उत्पादने विकसित करण्याची क्षमता स्पष्ट केली. पारंपारिक मानवयुक्त हवेतील सेन्सर्सच्या तुलनेत, शेतीसाठी कमी किमतीची UAV प्रणाली पिकांच्या बायोफिजिकल पॅरामीटर्सचे तुलनात्मक अंदाज साध्य करण्यास सक्षम आहे, जर चांगले नसेल. परवडणारी किंमत आणि ऑपरेशनल लवचिकता, जलद टर्नअराउंड वेळेत उपलब्ध उच्च वर्णक्रमीय, अवकाशीय आणि तात्पुरते रिझोल्यूशनसह, सिंचन वेळापत्रक आणि अचूक शेतीसह वेळ-गंभीर व्यवस्थापन आवश्यक असलेल्या अनुप्रयोगांच्या श्रेणीसाठी उपयुक्त UAV प्रदान करते. Berni et al कडील पेपर. (2009)b हे अत्यंत उद्धृत केले जाते कारण ते मानवरहित रोटरी-विंग प्लॅटफॉर्म आणि डिजिटल आणि थर्मल सेन्सर्सना कृषी अनुप्रयोगांसाठी आवश्यक कॅलिब्रेशन यंत्रणेसह प्रभावीपणे एकत्रित केले आहे. दुसरे सर्वात उद्धृत प्रकाशन ऑस्टिन (2010) यांनी लिहिलेले पुस्तक आहे, ज्याने डिझाइन, विकास आणि उपयोजन दृष्टीकोनातून UAV वर चर्चा केली. शेतीमध्ये, UAVs पिकांच्या रंगातील बदलांद्वारे रोग लवकर ओळखून, पीक पेरणी आणि फवारणी सुलभ करून आणि देखरेख आणि कळप चालवून पीक निरीक्षणास समर्थन देतात.
सुलिव्हन इत्यादींचा अभ्यास. (2007), Lumme et al. (2008), आणि Gokto ¨ ǧan et al. (2010) शीर्ष पंधरा सर्वाधिक उद्धृत लेखांची यादी पूर्ण करा. हे लेख शेतीला समर्थन देण्यासाठी UAV-आधारित प्रणालीच्या विकासाचे वर्णन करतात. ते पीक निरीक्षण आणि स्कॅनिंग, तण निरीक्षण आणि व्यवस्थापन आणि निर्णय समर्थन यासारख्या विविध समस्यांवर उपाय देतात. ते UAV ची नमुने घेण्याची क्षमता वाढवण्याची आणि अचूक आणि प्रभावी योजना तयार करण्यात शेतकऱ्यांना मदत करण्याच्या क्षमतेबद्दल देखील सुचवतात आणि चर्चा करतात.
लागवड धोरणे. बर्नी (बर्नी et al., 2009b; Berni et al., 2009a), कृषी ड्रोन-संबंधित संशोधनावर त्याचा महत्त्वपूर्ण प्रभाव अधोरेखित करणारे दोन शोधनिबंध लिहिले. Zarco-Tejada et al कडील पेपर. (2014) झाडांच्या उंचीच्या परिमाणात कमी किमतीच्या UAV प्रतिमा वापरण्याची आवश्यकता स्पष्ट करण्यासाठी एक अग्रगण्य अभ्यास आहे.
सर्वाधिक उद्धृत केलेल्या प्रकाशनांची यादी.
क्रमांक | 1990 पासून 2010 पर्यंत | 2011 पासून 2021 पर्यंत | ||
दस्तऐवज | उद्धरण | दस्तऐवज | उद्धरण | |
1 | (बर्नी et al., 2009b) | 831 | (सी. झांग आणि कोवाक्स, 2012) | 967 |
2 | (ऑस्टिन, 2010) | 498 | (नेक्स आणि रेमंडिनो, 2014) | 893 |
3 | (हंट एट अल., 2010) | 331 | (फ्लोरेनो आणि वुड, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (होसेन मोतलाघ वगैरे., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (शखात्रेह वगैरे., 2019) | 383 |
6 | (बर्नी et al., 2009b) | 250 | (मा एट अल., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (बेंडीग एट अल., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (झार्को-तेजादा इ., 2014) | 347 |
9 | (वाय. हुआंग एट अल., 2009) | 129 | (Ad˜ ao et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (होंकवारा वगैरे, 2013a) | 331 |
11 | (अब्द-एल्रहमान इ., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (टेकी एट अल., 2010) | 69 | (झिआंग आणि तियान, 2011) | 307 |
13 | (सुलिवान एट अल., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (लुम्मे एट अल., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
दुसऱ्या कालावधीत (2011-2021), Zhang and Kovacs (2012) आणि Nex and Remondino (2014) यांच्या संशोधनाचा परिणाम सर्वाधिक वारंवार उद्धृत केलेली प्रकाशने झाली. Zhang and Kovacs (2012) यांनी असा युक्तिवाद केला आहे की भू-स्थानिक तंत्र आणि सेन्सर्स, जसे की भौगोलिक माहिती प्रणाली, GPS आणि रिमोट सेन्सिंग लागू करून अचूक शेतीला फायदा होऊ शकतो, ज्यामुळे क्षेत्रातील भिन्नता कॅप्चर करणे आणि पर्यायी रणनीती वापरून ते हाताळणे. सुस्पष्ट शेतीमध्ये गेम-चेंजर म्हणून, ड्रोनच्या अवलंबने रिमोट सेन्सिंग, हवाई निरीक्षण सुलभ करणे, पीक वाढ डेटा, मातीची स्थिती आणि फवारणी क्षेत्रे कॅप्चर करणे या नवीन युगाची सुरुवात केली आहे. Zhang and Kovacs (2012) चे पुनरावलोकन महत्त्वपूर्ण आहे कारण ते UAV मध्ये या उपकरणांचे विद्यमान वापर आणि आव्हाने, जसे की प्लॅटफॉर्म आणि कॅमेरा मर्यादा, डेटा प्रोसेसिंग आव्हाने, शेतकरी प्रतिबद्धता आणि विमानचालन नियम यासारख्या पर्यावरणीय देखरेख आणि अचूक शेतीमध्ये या उपकरणांचे विद्यमान वापर आणि आव्हाने प्रकट करते. . दुसरा
Nex and Remondino (2014) च्या सर्वाधिक उद्धृत केलेल्या अभ्यासात पृथ्वीच्या प्रतिमा कॅप्चरिंग, प्रोसेसिंग आणि विश्लेषणासाठी UAVs च्या अत्याधुनिक स्थितीचे पुनरावलोकन केले.
त्यांच्या कार्याने अनेक UAV प्लॅटफॉर्म, ऍप्लिकेशन्स आणि वापर प्रकरणांचे विहंगावलोकन देखील सादर केले, जे UAV प्रतिमा प्रक्रियेतील नवीनतम प्रगती दर्शविते. शेतीमध्ये, खर्च आणि वेळेची बचत करण्यासाठी, नुकसानीची जलद आणि अचूक रेकॉर्ड प्राप्त करण्यासाठी आणि संभाव्य समस्यांचा अंदाज घेण्यासाठी प्रभावी निर्णय घेण्यासाठी शेतकरी UAV चा वापर करू शकतात. पारंपारिक हवाई प्लॅटफॉर्मच्या विरूद्ध, UAVs ऑपरेशनल खर्चात कपात करू शकतात आणि कठोर ठिकाणी प्रवेशाचा धोका कमी करू शकतात आणि तरीही उच्च अचूक क्षमता राखून ठेवू शकतात. त्यांचे पेपर UAV चे विविध फायदे सारांशित करते, विशेषतः अचूकता आणि रिझोल्यूशनच्या बाबतीत.
2011 आणि 2021 मधील उर्वरित तेरा सर्वाधिक उद्धृत प्रकाशनांपैकी, आम्ही इमेजिंग मोहिमांमध्ये ड्रोन ऍप्लिकेशन्सशी जोडलेल्या संशोधनावर अधिक एकाग्रता पाहिली (बेंडिग एट अल., 2014; मा एट अल., 2017; झारको-तेजादा एट अल., 2014) , अचूक शेती (कँडियागो एट अल., 2015; होन्कावारा एट अल., 2013a), प्रिसिजन व्हिटिकल्चर (माटेसे एट अल., 2015), वॉटर स्ट्रेस असेसमेंट (गॅगो एट अल., 2015), आणि वनस्पती निरीक्षण (असेन) , 2015a). सुरुवातीच्या वर्षांत, संशोधकांनी लक्ष केंद्रित केले
शेतीसाठी कमी किमतीची, कमी वजनाची आणि अचूक UAV-आधारित प्रणाली विकसित करण्यावर अधिक; अधिक अलीकडील संशोधनाने कृषी आणि क्षेत्र सर्वेक्षणासाठी UAV अनुप्रयोगांच्या पुनरावलोकनांवर अधिक लक्ष केंद्रित केले आहे. सारांश, या विश्लेषणातून असे दिसून आले आहे की प्रभावशाली प्रकाशनांनी UAVs च्या सद्य वैज्ञानिक आणि तांत्रिक स्थितीचे मूल्यांकन करण्यासाठी मुख्यतः पूर्वीच्या अभ्यासाचे पुनरावलोकन दिले आहेत आणि अचूक शेतीला समर्थन देण्यासाठी UAV प्रणाली विकसित केली आहे. विशेष म्हणजे, आम्हांला असे अभ्यास आढळले नाहीत जे अनुभवजन्य आहेत
कार्यपद्धती किंवा वर्णनात्मक केस स्टडीज, जे एक महत्त्वपूर्ण ज्ञान अंतर बनवते आणि या विषयावर अधिक संशोधनाची आवश्यकता असते.
सह-उद्धरण विश्लेषण
Gmür (2006) नुसार, सह-उद्धरण विश्लेषण समान प्रकाशने ओळखते आणि त्यांना क्लस्टर करते. क्लस्टरचे काळजीपूर्वक परीक्षण केल्याने प्रकाशनांमधील संशोधनाचे एक सामान्य क्षेत्र प्रकट होऊ शकते. आम्ही संबंधित विषय क्षेत्रे स्पष्ट करण्यासाठी आणि प्रकाशनांचे बौद्धिक नमुने शोधण्यासाठी कृषी ड्रोनशी संबंधित साहित्याच्या सह-उद्धरणांची तपासणी करतो. या संदर्भात, Small (1973) ने सर्वात प्रभावशाली आणि मूलभूत संशोधनाचा अभ्यास करण्यासाठी cocitation विश्लेषण वापरण्याची शिफारस केली.
एका शिस्तीत. सर्वात महत्त्वाच्या लेखांपर्यंत सेट मर्यादित करण्यासाठी (गोयल आणि कुमार, 2021), आम्ही 25 चा सह-उद्धरण थ्रेशोल्ड सेट केला आहे, याचा अर्थ 25 किंवा त्याहून अधिक भिन्न प्रकाशनांच्या संदर्भ सूचीमध्ये दोन लेख एकत्रितपणे उद्धृत केलेले असावेत. क्लस्टरिंग देखील किमान क्लस्टर आकार 1 सह आयोजित केले गेले आणि कोणत्याही पद्धतीशिवाय लहान क्लस्टर मोठ्या क्लस्टरमध्ये विलीन केले गेले. परिणामी, अभ्यासातील समानता आणि त्यांच्या बौद्धिक संरचनेवर आधारित सहा क्लस्टर तयार केले गेले. तक्ता 6 प्रत्येक क्लस्टरमधील प्रकाशनांचे वितरण दर्शविते.
क्लस्टर 1: या क्लस्टरमध्ये प्रकाशित झालेल्या अठरा दस्तऐवजांचा समावेश आहे या क्लस्टरमधील प्रकाशने पर्यावरण निरीक्षण, पीक व्यवस्थापन आणि तण व्यवस्थापनाला समर्थन देण्यासाठी ड्रोनच्या भूमिकेवर चर्चा करतात. उदाहरणार्थ, मॅनफ्रेडा आणि इतर. (2018) नैसर्गिक कृषी इकोसिस्टम मॉनिटरिंगमध्ये UAV च्या सध्याच्या संशोधन आणि अंमलबजावणीचे विहंगावलोकन प्रदान करते आणि असा युक्तिवाद करते की तंत्रज्ञान पर्यावरणीय देखरेख वाढवण्याची आणि कमी करण्याची प्रचंड क्षमता देते.
फील्ड निरीक्षण आणि पारंपारिक हवा आणि स्पेसबॉर्न रिमोट सेन्सिंगमधील विद्यमान अंतर. हे सुधारित तात्पुरती पुनर्प्राप्तीसाठी नवीन क्षमता प्रदान करून आणि मोठ्या क्षेत्रांमध्ये परवडणाऱ्या मार्गाने अवकाशीय अंतर्दृष्टी देऊन केले जाऊ शकते. UAVs सतत पर्यावरणाची जाणीव करू शकतात आणि परिणामी डेटा बुद्धिमान, केंद्रीकृत/विकेंद्रित संस्थांना पाठवू शकतात जे रोग किंवा पाण्याचा शोध न लागणे यासारख्या अंतिम समस्या ओळखण्यासाठी सेन्सर नियंत्रित करतात (पडुआ ´ एट अल., 2017). Adao ˜ et al. (2017) पाण्याची स्थिती, बायोमास अंदाज आणि जोमदार मूल्यमापन यांच्याशी संबंधित मोठ्या प्रमाणात कच्चा डेटा कॅप्चर करून वनस्पतींच्या परिस्थितीचे मूल्यांकन करण्यासाठी UAVs आदर्श आहेत. रिमोट-सेन्सिंग डेटा वेळेवर कॅप्चर करण्यास अनुमती देण्यासाठी UAV-माउंट केलेले सेन्सर देखील योग्य पर्यावरणीय परिस्थितीत त्वरित तैनात केले जाऊ शकतात (Von Bueren et al., 2015). UAV च्या सहाय्याने, शेतकरी घरातील शेतीच्या वातावरणातील त्रिमितीय जागेत (उदा. हरितगृहे) कोणत्याही ठिकाणाहून मोजमाप मिळवून घरातील शेतीची कामे करू शकतात, ज्यामुळे स्थानिक हवामान नियंत्रण आणि वनस्पतींचे निरीक्षण सुनिश्चित होते (Roldan ´ et al. ., 2015). अचूकतेच्या संदर्भात
शेती, पीक व्यवस्थापन निर्णयांना योग्य तात्पुरती आणि अवकाशीय रिझोल्यूशनसह अचूक, विश्वासार्ह पीक डेटा आवश्यक आहे (गेबर्स आणि ॲडमचुक, 2010; गेव्हर्ट एट अल., 2015; मेस आणि स्टेप्पे, 2019). या कारणास्तव, Agüera Vega et al. (2015) वाढत्या हंगामात सूर्यफूल पिकाच्या प्रतिमा मिळविण्यासाठी UAV-माउंटेड मल्टीस्पेक्ट्रल सेन्सर प्रणाली वापरली. त्याचप्रमाणे, हुआंग आणि इतर. (2009) लक्षात घ्या की UAV वर आधारित रिमोट सेन्सिंग गोळा केलेल्या स्पेक्ट्रल डेटामधून पिके आणि मातीचे मोजमाप सुलभ करू शकते. व्हर्जर आणि इतर. (2014) गहू आणि रेपसीड पिकांवर लक्ष केंद्रित करून, अचूक कृषी अनुप्रयोगांमध्ये UAV परावर्तक मापनांवरून ग्रीन एरिया इंडेक्स (GAI) चा अंदाज लावण्यासाठी एक तंत्र विकसित आणि चाचणी केली. म्हणून, ड्रोन वारंवार पुनरावृत्ती आणि उच्च अवकाशीय रिझोल्यूशनसह पीक स्थिती माहिती पुनर्प्राप्त करण्यासाठी नवीन शक्यता प्रदान करतात (डोंग एट अल., 2019; गार्जोनियो एट अल., 2017; एच. झेंग एट अल., 2016).
कृषी ड्रोनवरील प्रभावशाली प्रकाशनांचे क्लस्टरिंग.
क्लस्टर | विस्तृत थीम | संदर्भ |
1 | पर्यावरण निरीक्षण, पीक व्यवस्थापन, तण व्यवस्थापन | (Ad˜ ao et al., 2017; अगुएरा वेगा et al., 2015; डी कॅस्ट्रो एट अल., 2018; गोमेझ-कँड ´ वर ´ एट अल., २०१४; YB हुआंग एट अल., 2013; खनाल वगैरे., 2017; लोपेझ-ग्रॅनॅडोस, ´ 2011; मॅनफ्रेडा एट अल., 2018; पी' adua et al., 2017; Pena ˜ et al., 2013; पेरेझ-ऑर्टीझ et al., 2015; रासमुसेन एट अल., २०१३, 2016; टोरेस-एस' anchez et al., 2014; टोरेस-सँचेझ, ´ लोपेझ-ग्रॅनाडोस, ´ आणि पेना, ˜ 2015; Verger et al., 2014; वॉन बुरेन एट अल., 2015; सी. झांग आणि कोवाक्स, 2012) |
2 | रिमोट फेनोटाइपिंग, उत्पन्न अंदाज, पीक पृष्ठभाग मॉडेल, वनस्पतींची गणना | (बेंडिग एट अल., 2013, 2014; गीपेल et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; हाघीघट्टलब 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., 2016; यू एट अल., 2017; एक्स. झोऊ आणि इतर., २०१७) |
3 | पाण्यासाठी थर्मल इमेजिंग, मल्टीस्पेक्ट्रल इमेजिंग | (बलुजा एट अल., २०१२; बर्नी एट अल., 2009b; बर्नी एट अल., 2009a ; Candiago 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 et al., 2017; सांतेस्टेबन एट अल., 2017; Uto et al., 2013) |
4 | हायपरसेक्ट्रल इमेजिंग, स्पेक्ट्रल इमेजिंग | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; लुसियर et al., 2014; सारी एट अल., २०११; Suomalainen et al., 2014) |
5 | 3D-मॅपिंग अनुप्रयोग | (जिमेनेझ-ब्रेनेस et al., 2017; Nex & Remondino, 2014; सलामी वगैरे, 2014; टोरेस-एस' anchez, Lopez- ´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; झारको-तेजादा et al., 2014) |
6 | कृषी निरीक्षण | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; झियांग आणि टियान, 2011) |
शिवाय, तण मॅपिंगसह कृषी क्षेत्रातील आव्हानात्मक कामांसाठी ड्रोन उपयुक्त आहेत. उपकरणांद्वारे कॅप्चर केलेल्या प्रतिमांनी शेतात लवकर तण शोधण्यासाठी त्यांची उपयुक्तता सिद्ध केली आहे (डी कॅस्ट्रो एट अल., 2018; जिमेनेझ-ब्रेनेस एट अल., 2017; लॅम एट अल., 2021; लोपेझ-ग्रॅनाडोस ´ एट अल., 2016; रोझेनबर्ग एट अल., 2021). या संदर्भात डी कॅस्ट्रो इ. (2018) असे मानले जाते की UAV इमेजरी आणि ऑब्जेक्ट-आधारित इमेज ॲनालिसिस (OBIA) च्या विलीनीकरणामुळे प्रॅक्टिशनर्सना सुरुवातीच्या हंगामातील गवताळ प्रदेशातील पिकांमध्ये लवकर शोधण्याच्या समस्येवर मात करण्यास सक्षम केले आहे, जे तण संशोधनात एक मोठे पाऊल आहे. त्याचप्रमाणे, Pena ˜ et al. (2013) सूचित करतात की OBIA प्रक्रियेच्या संयोगाने UAV मधील अति-उच्च अवकाशीय रिझोल्यूशन प्रतिमांचा वापर केल्याने सुरुवातीच्या मका पिकांमध्ये तणांचे नकाशे तयार करणे शक्य होते जे हंगामातील तण नियंत्रण उपायांच्या अंमलबजावणीचे नियोजन करण्यासाठी वापरले जाऊ शकते, उपग्रह आणि पारंपारिक हवाई प्रतिमांच्या क्षमतेच्या पलीकडे असलेले कार्य. प्रतिमा वर्गीकरण किंवा ऑब्जेक्ट डिटेक्शन अल्गोरिदमच्या तुलनेत, सिमेंटिक सेगमेंटेशन तंत्र तण मॅपिंगच्या कामांमध्ये अधिक प्रभावी आहेत (जे. डेंग एट अल., 2020), अशा प्रकारे शेतकऱ्यांना शेतातील परिस्थिती शोधण्यात, नुकसान कमी करण्यास आणि वाढत्या हंगामात उत्पादन सुधारण्यास सक्षम करते (रमेश et al., 2020). डीप लर्निंग बेस्ड सिमेंटिक सेगमेंटेशन हाय-रिझोल्यूशन एरियल इमेजेस (रमेश एट अल., 2020; ए. झेंग एट अल., 2022) पासून वनस्पती कव्हरचे अचूक मापन देखील प्रदान करू शकते. रिमोटसाठी त्यांची क्षमता असूनही
सेन्सिंग पिक्सेल वर्गीकरण, सिमेंटिक सेगमेंटेशन तंत्रांना महत्त्वपूर्ण गणना आणि प्रतिबंधात्मक उच्च GPU मेमरी आवश्यक आहे (जे. डेंग एट अल., 2020).
मशीन लर्निंग आणि UAV वर आधारित, P´erez-Ortiz et al. (2015) जेव्हा शेतकरी लवकर उगवल्यानंतर तण नियंत्रणाचा अवलंब करतात तेव्हा साइट-विशिष्ट तण नियंत्रण धोरणे प्रदान करण्यासाठी तण मॅपिंगचा दृष्टिकोन सुचवला. शेवटी, रासमुसेन आणि इतर. (2013) हायलाइट केले की ड्रोन उत्कृष्ट स्थानिक रिझोल्यूशन लवचिकतेसह स्वस्त सेन्सिंग प्रदान करतात. एकूणच, या क्लस्टरमधील प्रकाशने रिमोट सेन्सिंग, पीक निरीक्षण आणि तण मॅपिंगला समर्थन देण्यासाठी UAV च्या संभाव्यतेचा शोध घेण्यावर लक्ष केंद्रित करतात. पर्यावरण निरीक्षण, पीक व्यवस्थापन आणि तण मॅपिंगमध्ये ड्रोन ऍप्लिकेशन्स अधिक शाश्वत शेती कशी साध्य करू शकतात हे तपासण्यासाठी अतिरिक्त सखोल संशोधन आवश्यक आहे (चामुआ आणि सिंग, 2019; इस्लाम एट अल., 2021; पोपेस्कू एट अल., 2020; जे. Su, Liu, et al., 2018) आणि पीक विमा ऍप्लिकेशन्समध्ये या तंत्रज्ञानाच्या प्रशासन समस्यांचे निराकरण करा (बसनेट आणि बँग, 2018; चामुआह आणि सिंग, 2019, 2022; मीनेन आणि रॉबिन्सन, 2021). संशोधकांनी प्रक्रिया केलेल्या डेटाची अंतिम गुणवत्ता (मॅनफ्रेडा एट अल., 2018) वाढविण्यासाठी कार्यक्षम प्रक्रिया तंत्रांसह UAV गोळा केलेल्या मोजमापांचे प्रमाणीकरण करण्यावर लक्ष केंद्रित केले पाहिजे. शिवाय, डिजिटल प्रतिमांमध्ये तण प्रदर्शित करणारे पिक्सेल ओळखणारे आणि UAV तण मॅपिंग दरम्यान असंबद्ध पार्श्वभूमी दूर करणारे योग्य अल्गोरिदम विकसित करणे आवश्यक आहे (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; लोपेझ- ´ Granados et al., 2016). वनस्पती ओळखणे, पानांचे वर्गीकरण आणि रोगांचे मॅपिंगमध्ये सिमेंटिक सेगमेंटेशन तंत्राचा अवलंब करण्यावरील अतिरिक्त संशोधन स्वागतार्ह आहे (फुएन्टेस-पाचेको एट अल., 2019; केर्केच एट अल., 2020).
क्लस्टर 2. या क्लस्टरमधील प्रकाशने कृषी ड्रोनच्या अनेक पैलूंवर केंद्रित आहेत. रिमोट फेनोटाइपिंगशी संबंधित, शंकरन आणि इतर. (2015) ने शेतातील पिकांच्या झटपट फेनोटाइपिंगसाठी UAV सह कमी-उंची, उच्च-रिझोल्यूशन एरियल इमेजिंग वापरण्याच्या संभाव्यतेचा आढावा घेतला आणि ते म्हणतात की, जमिनीवर आधारित सेन्सिंग प्लॅटफॉर्मच्या तुलनेत, पुरेसे सेन्सर असलेले छोटे UAV अनेक फायदे देतात. , जसे की फील्डमध्ये सुलभ प्रवेश, उच्च रिझोल्यूशन डेटा, कार्यक्षम डेटा संग्रह,
क्षेत्राच्या वाढीच्या परिस्थितीचे जलद मूल्यांकन आणि कमी परिचालन खर्च. तथापि, लेखक हे देखील लक्षात ठेवतात की फील्ड फेनोटाइपिंगसाठी UAV चा प्रभावी वापर दोन मूलभूत घटकांवर अवलंबून असतो, म्हणजे, UAV वैशिष्ट्ये (उदा., सुरक्षितता, स्थिरता, स्थिती, स्वायत्तता) आणि सेन्सर वैशिष्ट्ये (उदा., रेझोल्यूशन, वजन, वर्णक्रमीय तरंगलांबी, फील्ड. दृश्य). हाघीघट्टलब वगैरे. (2016) ने UAV इमेजरीमधून प्लॉट-स्तरीय डेटा पुनर्प्राप्त करण्यासाठी आणि प्रजनन प्रक्रियेला गती देण्यासाठी अर्ध-स्वयंचलित प्रतिमा प्रक्रिया पाइपलाइन प्रस्तावित केली. होल्मन वगैरे. (2016) उच्च विकसित केले
थ्रुपुट फील्ड फेनोटाइपिंग सिस्टम आणि हायलाइट केले की UAV गुणवत्ता, विपुल, फील्ड-आधारित फिनोटाइपिक डेटा गोळा करण्यास सक्षम आहे आणि हे उपकरण मोठ्या क्षेत्रासाठी आणि विविध फील्ड स्थानांवर प्रभावी आहे.
उत्पन्नाचा अंदाज हा माहितीचा एक अविश्वसनीय महत्त्वाचा भाग असल्याने, विशेषत: वेळेवर उपलब्ध असताना, UAV मध्ये सर्व फील्ड मोजमाप प्रदान करण्याची आणि उच्च-गुणवत्तेचा डेटा कार्यक्षमतेने प्राप्त करण्याची क्षमता आहे (डाकिर एट अल., 2017; डेमिर एट अल., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). या संदर्भात, जिन इ. (2017) उगवण्याच्या टप्प्यावर गव्हाच्या झाडाच्या घनतेचा अंदाज घेण्यासाठी एक पद्धत विकसित करण्यासाठी आणि मूल्यांकन करण्यासाठी UAVs द्वारे अत्यंत कमी उंचीवर मिळवलेल्या उच्च रिझोल्यूशन इमेजरीचा फायदा घेतला. लेखकांच्या मते, UAVs कॅमेऱ्यांसह सुसज्ज रोव्हर सिस्टीमच्या मर्यादांवर मात करतात आणि पिकांमधील वनस्पती घनतेचा अंदाज लावण्यासाठी गैर-आक्रमक पद्धतीचे प्रतिनिधित्व करतात, ज्यामुळे शेतकऱ्यांना जमिनीच्या वाहतूकक्षमतेपासून स्वतंत्र फील्ड फेनोटाइपिंगसाठी आवश्यक उच्च थ्रूपुट प्राप्त करता येते. ली आणि इतर. (2016) मक्याच्या मापदंडांचा अंदाज लावण्यासाठी UAV-आधारित प्रणाली वापरून अत्यंत उच्च रिझोल्यूशनसह शेकडो स्टिरिओ प्रतिमा गोळा केल्या, ज्यामध्ये छतची उंची आणि जमिनीच्या वरच्या बायोमासचा समावेश आहे. शेवटी, Yue et al. (2017) असे आढळले की UAVs वरून ठरवलेल्या पिकाची उंची जमिनीवरील बायोमास (AGB) अंदाज वाढवू शकते.
पीक वाढीवर लक्ष ठेवण्याचा दृष्टीकोन म्हणजे पीक पृष्ठभाग मॉडेल विकसित करण्याची कल्पना (बेंडिग एट अल., 2014, 2015; होल्मन एट अल., 2016; पांडे, श्रेष्ठ, इ., 2020; सुमेश आणि इतर., 2021). वनस्पतींची उंची कॅप्चर करण्यासाठी आणि त्यांच्या वाढीचे निरीक्षण करण्यासाठी UAV मधून घेतलेल्या प्रतिमांच्या व्यवहार्यतेवर अनेक अभ्यासांनी प्रकाश टाकला आहे. उदाहरणार्थ, Bendig et al. (2013) मध्ये UAV वापरून 0.05 मीटर पेक्षा कमी रिझोल्यूशन असलेल्या मल्टी-टेम्पोरल क्रॉप पृष्ठभाग मॉडेलच्या विकासाचे वर्णन केले आहे. पीक शोधण्याचा त्यांचा उद्देश होता
वाढीची परिवर्तनशीलता आणि पीक उपचार, लागवड आणि ताण यावर त्याचे अवलंबन. बेंडिग वगैरे. (2014) पीक पृष्ठभागाच्या मॉडेलमधून काढलेल्या वनस्पतींच्या उंचीवर आधारित ताज्या आणि कोरड्या बायोमासचा अंदाज घेण्यासाठी UAV चा वापर केला आणि असे आढळून आले की, हवेतील प्लॅटफॉर्म आणि स्थलीय लेसर स्कॅनिंगच्या विपरीत, UAV मधील उच्च रिझोल्यूशन प्रतिमा वेगवेगळ्या वाढीसाठी वनस्पतींच्या उंची मॉडेलिंगची अचूकता लक्षणीयरीत्या वाढवू शकतात. टप्पे त्याच शिरामध्ये, Geipel et al. (2014) इमेजरी मिळवण्यासाठी त्यांच्या संशोधनात UAV चा वापर केला
मक्याच्या धान्याच्या उत्पन्नाचा अंदाज तीन वेगवेगळ्या टप्प्यांवर सुरुवातीपासून ते मध्य-हंगामापर्यंत वर्तवण्याचा डेटासेट आणि असा निष्कर्ष काढला की हवाई प्रतिमा आणि पीक पृष्ठभागाच्या मॉडेल्सवर आधारित वर्णक्रमीय आणि अवकाशीय मॉडेलिंगचे संयोजन मध्य-हंगामी मक्याच्या उत्पन्नाचा अंदाज लावण्यासाठी योग्य पद्धत आहे. शेवटी, Gnadinger ¨ आणि Schmidhalter (2017) यांनी अचूक फेनोटाइपिंगमध्ये UAV ची उपयुक्तता तपासली आणि ठळकपणे सांगितले की या तंत्रज्ञानाच्या वापरामुळे शेती व्यवस्थापन वाढू शकते आणि प्रजनन आणि कृषी उद्देशांसाठी क्षेत्रीय प्रयोग सक्षम होऊ शकतात. एकूणच, आम्ही पाहतो की क्लस्टर 2 मधील प्रकाशने रिमोटमधील यूएव्हीच्या मुख्य फायद्यांवर लक्ष केंद्रित करतात.
फेनोटाइपिंग, उत्पन्नाचा अंदाज, पीक पृष्ठभागाचे मॉडेलिंग आणि वनस्पती मोजणी. रिमोट फेनोटाइपिंगसाठी नवीन पद्धती विकसित करून भविष्यातील अभ्यास अधिक खोलवर जाऊ शकतात जे दूरस्थपणे संवेदन केलेल्या डेटाची प्रक्रिया स्वयंचलित आणि ऑप्टिमाइझ करू शकतात (बाराबास्ची एट अल., 2016; लिबिस्च एट अल., 2015; मोचिडा एट अल., 2015; एस. झोउ एट अल ., 2021). याशिवाय, UAV वर आरोहित IoT सेन्सर्सची कार्यक्षमता आणि त्यांची किंमत, श्रम आणि उत्पन्नाच्या अंदाजाची अचूकता यांच्यातील व्यवहारात संशोधन करणे आवश्यक आहे.
भविष्य (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). शेवटी, प्रभावी प्रतिमा प्रक्रिया पद्धती विकसित करण्याची गरज आहे जी विश्वसनीय माहिती निर्माण करू शकतील, कृषी उत्पादनात जास्तीत जास्त कार्यक्षमता वाढवू शकतील आणि शेतकऱ्यांचे हाताने मोजणीचे काम कमी करू शकतील (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
क्लस्टर 3. या क्लस्टरमधील प्रकाशने UAV प्लॅटफॉर्मवर वापरल्या जाणाऱ्या कृषी संसाधनांच्या रिमोट सेन्सिंगसाठी इमेजिंग सिस्टमच्या विविध प्रकारांवर चर्चा करतात. या संदर्भात, थर्मल इमेजिंग पीक नुकसान टाळण्यासाठी आणि दुष्काळाचा ताण लवकर ओळखण्यासाठी पृष्ठभागाच्या तापमानाचे निरीक्षण करण्यास अनुमती देते (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; येओम, 2021). बलुजा वगैरे. (2012) ऑनबोर्डवर मल्टीस्पेक्ट्रल आणि थर्मल कॅमेऱ्यांचा वापर असल्याचे प्रतिपादन केले
UAV ने संशोधकांना उच्च रिझोल्यूशन प्रतिमा मिळवण्यास आणि वेलीच्या पाण्याच्या स्थितीचे मूल्यांकन करण्यास सक्षम केले. रिमोट सेन्सिंग डेटा (बालुजा एट अल., 2012) वापरून नवीन वॉटर शेड्यूलिंग मॉडेल विकसित करण्यासाठी हे उपयुक्त ठरू शकते. मुळे
UAVs ची मर्यादित लोड क्षमता, रिबेरो-गोम्स et al. (2017) वनस्पतींमधील पाण्याचा ताण निश्चित करण्यासाठी UAVS मध्ये कूल्ड थर्मल कॅमेऱ्यांच्या एकत्रीकरणाचा विचार केला, ज्यामुळे या प्रकारच्या UAVs पारंपारिक उपग्रह-आधारित रिमोट सेन्सिंग आणि थंड थर्मल कॅमेऱ्यांनी सुसज्ज UAVs पेक्षा अधिक कार्यक्षम आणि व्यवहार्य बनतात. लेखकांच्या मते, थंड न केलेले थर्मल कॅमेरे कूल केलेल्या कॅमेऱ्यांपेक्षा हलके असतात, त्यांना योग्य कॅलिब्रेशन आवश्यक असते. गोन्झालेझ-ड्यूगो आणि इतर. (2014) हे दर्शविले आहे की थर्मल इमेजरी पाण्याच्या स्थितीचे मूल्यांकन करण्यासाठी आणि लिंबूवर्गीय बागांमध्ये आणि त्यामध्ये पाण्याचा ताण मोजण्यासाठी पीक पाण्याच्या ताण निर्देशांकांचे स्थानिक नकाशे प्रभावीपणे तयार करते. गोन्झालेझ-ड्यूगो आणि इतर. (2013) आणि Santesteban et al. (2017) व्यावसायिक फळबागा आणि द्राक्ष बागेच्या पाण्याच्या स्थितीच्या परिवर्तनशीलतेचा अंदाज घेण्यासाठी उच्च रिझोल्यूशन UAV थर्मल इमेजरीच्या वापराची तपासणी केली.
मल्टीस्पेक्ट्रल इमेजिंग पारंपारिक RGB (लाल, हिरवा आणि निळा) प्रतिमांच्या तुलनेत प्रचंड डेटा प्रदान करू शकते (Ad˜ ao et al., 2017; Navia et al., 2016). हा स्पेक्ट्रल डेटा, अवकाशीय डेटासह, वर्गीकरण, मॅपिंग, अंदाज, अंदाज आणि शोध उद्देशांमध्ये मदत करू शकतो (बर्नी एट अल., 2009b). Candiago et al नुसार. (2015), UAV आधारित मल्टीस्पेक्ट्रल इमेजिंग विश्वसनीय आणि कार्यक्षम संसाधन म्हणून पीक मूल्यांकन आणि अचूक शेतीमध्ये मोठ्या प्रमाणात योगदान देऊ शकते. तसेच,
खालिक आणि इतर. (2019) उपग्रह आणि UAV आधारित मल्टीस्पेक्ट्रल इमेजिंग दरम्यान तुलना केली. UAV-आधारित प्रतिमांचा परिणाम व्हाइनयार्डच्या परिवर्तनशीलतेचे वर्णन करण्यासाठी तसेच पीक छतांचे प्रतिनिधित्व करण्यासाठी जोमदार नकाशे करण्यात अधिक अचूक आहे. थोडक्यात, या क्लस्टरमधील लेख कृषी UAV मध्ये थर्मल आणि मल्टीस्पेक्ट्रल इमेजिंग सेन्सर्सच्या समावेशावर चर्चा करतात. त्यानुसार, थर्मल आणि मल्टीस्पेक्ट्रल इमेजिंग AI सह कसे एकत्रित केले जाऊ शकते हे समजून घेण्यासाठी अधिक संशोधन आवश्यक आहे
वनस्पती तणाव शोधण्यासाठी तंत्रे (उदा. सखोल शिक्षण) (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). अशा अंतर्दृष्टीमुळे अधिक कार्यक्षम आणि अचूक शोध तसेच वनस्पतींची वाढ, तणाव आणि फिनोलॉजीचे निरीक्षण सुनिश्चित करण्यात मदत होईल (ब्युटर्स एट अल., 2019; काओ एट अल., 2020; न्युपने आणि बायसलगुरेल, 2021; एल. झाऊ एट अल., 2020).
क्लस्टर 4. या क्लस्टरमध्ये सात पेपर्स आहेत जे कृषी पद्धतींना समर्थन देण्यासाठी स्पेक्ट्रल इमेजिंग आणि हायपरस्पेक्ट्रल इमेजिंगच्या महत्त्वपूर्ण भूमिकेभोवती फिरतात. हायपरस्पेक्ट्रल इमेजिंगने स्वतःला रिमोट सेन्सिंग पद्धत म्हणून स्थापित केले आहे जी पृथ्वी प्रणालीचे परिमाणवाचक मूल्यांकन सक्षम करते (Schaepman et al., 2009). अधिक अचूकपणे सांगायचे तर, ते पृष्ठभागाच्या सामग्रीची ओळख, (सापेक्ष) एकाग्रतेचे प्रमाणीकरण आणि पृष्ठभाग घटकांच्या प्रमाणात नियुक्त करणे
मिश्रित पिक्सेलमध्ये (किर्श एट अल., 2018; झाओ एट अल., 2022). दुसऱ्या शब्दांत, हायपरस्पेक्ट्रल प्रणालीद्वारे प्रदान केलेले उच्च स्पेक्ट्रल रिझोल्यूशन विविध पॅरामीटर्सचे अधिक अचूक अंदाज सक्षम करते, जसे की शाकाहारी गुणधर्म किंवा पानांचे पाणी सामग्री (Suomalainen et al., 2014). या क्लस्टरमधील संशोधकांनी अशा प्रणालींच्या विविध पैलूंचा अभ्यास केला. इतरांमध्ये, Aasen et al. (2015b) लाइटवेट पासून त्रिमितीय हायपरस्पेक्ट्रल माहिती मिळविण्यासाठी एक अद्वितीय दृष्टीकोन ऑफर केला
स्नॅपशॉट कॅमेरे UAV वर वनस्पती निरीक्षणासाठी वापरले जातात. लुसियर आणि इतर. (2014) ने नवीन हायपरस्पेक्ट्रल UAS चे डिझाईन, विकास आणि हवाई ऑपरेशन्स तसेच त्यासोबत एकत्रित केलेल्या इमेज डेटाचे कॅलिब्रेशन, विश्लेषण आणि व्याख्या यावर चर्चा केली. शेवटी, होंकवारा इ. (2013b) ने FabryPerot इंटरफेरोमीटर-आधारित स्पेक्ट्रल प्रतिमांसाठी एक व्यापक प्रक्रिया दृष्टिकोन विकसित केला आणि अचूक शेतीसाठी बायोमास अंदाज प्रक्रियेमध्ये त्याचा वापर दर्शविला. या वर्तमान क्लस्टरसाठी संभाव्य भविष्यातील मार्गांमध्ये सेन्सर तंत्रज्ञान (आसेन एट अल., 2015b) मध्ये तांत्रिक सुधारणांच्या गरजेवर भर देणे तसेच पूरक तंत्रज्ञान, विशेषतः मोठा डेटा आणि विश्लेषणे समाविष्ट करणे आणि वाढवणे आवश्यक आहे (Ang & Seng, 2021; Radoglou2020; -ग्रामॅटिकिस एट अल., 2019; शकूर एट अल., 2020). नंतरचे मुख्यत्वे स्मार्ट ॲग्रीकल्चरमध्ये लागू केलेल्या विविध सेन्सर्सद्वारे व्युत्पन्न केलेल्या सतत वाढणाऱ्या डेटामधून उद्भवते (C. Li & Niu, 2022; A. Rejeb et al., 2021; Y. Su & Wang, XNUMX).
क्लस्टर 5. या क्लस्टरमधील प्रकाशने ड्रोन-आधारित 3Dmapping अनुप्रयोगांचे परीक्षण केले. 3D मॅपिंगसाठी ड्रोन वापरल्याने जटिल फील्डवर्क कमी होऊ शकते आणि कार्यक्षमता लक्षणीयरीत्या वाढू शकते (Torres-Sanchez ´ et al., 2015). क्लस्टरमधील पाच लेख प्रामुख्याने वनस्पती निरीक्षण अनुप्रयोगांवर केंद्रित होते. उदाहरणार्थ, कॅनोपी क्षेत्र, झाडाची उंची आणि मुकुटाची मात्रा याबद्दल त्रिमितीय डेटा प्राप्त करण्यासाठी, Torres-Sanchez ´ et al. (2015) डिजिटल पृष्ठभाग मॉडेल्स आणि नंतर ऑब्जेक्ट-आधारित प्रतिमा विश्लेषण (OBIA) दृष्टिकोन तयार करण्यासाठी UAV तंत्रज्ञान वापरले. पुढे, झार्को-तेजादा आणि इतर. (2014) UAV तंत्रज्ञान आणि त्रिमितीय फोटो-पुनर्रचना पद्धती एकत्रित करून झाडाच्या उंचीचे प्रमाण निश्चित केले. जिमेनेझ-ब्रेनेस लोपेझ-ग्रॅनॅडोस, डी कॅस्ट्रो, इ. (2017) प्रगत OBIA पद्धतीसह UAV तंत्रज्ञान एकत्रित करून डझनभर ऑलिव्ह झाडांच्या बहु-तात्पुरती, 3D मॉनिटरिंगसाठी नवीन प्रक्रिया प्रदर्शित केली. या क्लस्टरमधील भविष्यातील कामांसाठी मनोरंजक मार्गांमध्ये एकतर वर्तमान सुधारणे समाविष्ट आहे
पद्धती (झार्को-तेजादा एट अल., 2014) डिजिटल पृष्ठभागाच्या मॉडेलिंग हेतूंसाठी (अजय एट अल., 2017; जॉड एट अल., 2016), जसे की ओबीआयए (डी कॅस्ट्रो एट अल., 2018, 2020; व्हेंचुरा एट अल. , 2018), आणि फोटो पुनर्रचना किंवा विकसनशील कादंबरी पद्धती (Díaz-Varela et al., 2015; Torres-S´ anchez et al., 2015).
क्लस्टर 6. हा क्लस्टर कृषी निरिक्षणामध्ये ड्रोनच्या भूमिकेवर चर्चा करतो. UAVs उपग्रह आणि विमान इमेजिंगच्या कमतरतांना पूरक आणि मात करू शकतात. उदाहरणार्थ, ते कमी इंधन किंवा पायलटिंग आव्हानांसह रिअल-टाइम इमेजिंगच्या जवळ उच्च रिझोल्यूशन प्रदान करू शकतात, परिणामी सतत आणि वास्तविक-वेळ पाळत ठेवली जाते आणि निर्णय घेण्यामध्ये सुधारणा होते (S. Herwitz et al., 2004). यूएव्हीचे आणखी एक महत्त्वाचे योगदान म्हणजे अचूक शेती किंवा साइट-विशिष्ट शेतीसाठी साइट-विशिष्ट डेटा प्रदान करण्याची त्यांची क्षमता आहे कारण त्यांचे उच्च रिझोल्यूशन, विविध पॅरामीटर्सबद्दल तपशीलवार डेटा शेतकऱ्यांना जमिनीचे एकसंध भागांमध्ये विभाजन करण्यास सक्षम करते आणि त्यानुसार उपचार करतात (हंट एट अल. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). अशा UAV-आधारित कृषी निगराणी अन्न सुरक्षा निरीक्षण आणि निर्णय घेण्यास समर्थन देऊ शकतात (SR Herwitz et al., 2004). कृषी निरिक्षणामध्ये संशोधन पुढे नेण्यासाठी, केवळ सेन्सर्स, यूएव्ही आणि इतर संबंधित तंत्रज्ञान आणि त्यांच्या संप्रेषण आणि डेटा ट्रान्सफर पद्धतींमध्ये सुधारणा करणे आवश्यक नाही (इविंग एट अल., 2020; शुई एट अल., 2019), परंतु विविध ड्रोनसह एकत्रित करणे देखील आवश्यक आहे. स्मार्ट शेतीच्या संदर्भात विविध कार्ये ऑप्टिमाइझ करण्यासाठी तंत्रज्ञान, जसे की देखरेख, कृषी पाळत ठेवणे आणि निर्णय घेणे, हे एक उच्च संभाव्य संशोधन क्षेत्र आहे (अलसमही एट अल., 2021; पोपेस्कू एट अल., 2020; वुरन एट अल., 2018). या संदर्भात, IoT, WSNs आणि मोठा डेटा मनोरंजक पूरक क्षमता ऑफर करतात (व्हॅन डेर मर्वे एट अल., 2020). अंमलबजावणी खर्च, खर्च बचत, ऊर्जा कार्यक्षमता आणि डेटा सुरक्षा हे अशा एकात्मतेसाठी संशोधनाखालील क्षेत्रांपैकी आहेत (मसरूर एट अल., 2021).
देश आणि शैक्षणिक संस्था
अंतिम टप्प्यात मूळ देशाचा तपास आणि लेखकांच्या शैक्षणिक संलग्नतेचा समावेश आहे. या विश्लेषणाद्वारे, कृषी क्षेत्रात ड्रोनच्या वापरामध्ये योगदान देणाऱ्या विद्वानांचे भौगोलिक वितरण अधिक चांगल्या प्रकारे समजून घेण्याचे आमचे ध्येय आहे. देश आणि शैक्षणिक संस्थांची विविधता लक्षात घेण्यासारखे आहे. देशाच्या दृष्टीकोनातून, यूएसए, चीन, भारत आणि इटली प्रकाशनांच्या संख्येच्या बाबतीत सूचीच्या शीर्षस्थानी आहेत (तक्ता 7). वर्तमान
कृषी ड्रोनवरील संशोधन मुख्यतः उत्तर अमेरिकन आणि आशियाई देशांमध्ये केंद्रित आहे, मुख्यत्वे त्यांच्या अचूक कृषी अनुप्रयोगांमध्ये उच्च व्यस्ततेमुळे. उदाहरणार्थ, यूएसए मध्ये, कृषी ड्रोनची बाजारपेठ 841.9 मध्ये 2020 दशलक्ष USD एवढी होती, ज्याचा जागतिक बाजारातील हिस्सा अंदाजे 30% आहे (ReportLinker, 2021). जगातील सर्वात मोठी अर्थव्यवस्था म्हणून क्रमवारीत, चीन 2.6 मध्ये अंदाजे बाजार आकार 2027 अब्ज USD पर्यंत पोहोचेल असा अंदाज आहे. हा देश उत्पादकतेच्या समस्यांवर मात करण्यासाठी आणि चांगले उत्पादन, श्रम उपसा आणि कमी उत्पादन निविष्ठा प्राप्त करण्यासाठी कृषी ड्रोनसाठी आवाहन करत आहे. तथापि, चीनमध्ये तंत्रज्ञानाचा अवलंब लोकसंख्येचा आकार आणि विद्यमान पीक व्यवस्थापन पद्धतींमध्ये नवनवीन आणि सुधारणा करण्याची आवश्यकता यासारख्या घटकांमुळे देखील चालते.
सर्वात जास्त उत्पादक देश आणि विद्यापीठे/संस्था ज्यात योगदान देतात
कृषी ड्रोनशी संबंधित संशोधन.
क्रमांक | देश |
1 | यूएसए |
2 | चीन |
3 | भारत |
4 | इटली |
5 | स्पेन |
6 | जर्मनी |
7 | ब्राझील |
8 | ऑस्ट्रेलिया |
9 | जपान |
10 | युनायटेड किंगडम |
क्रमांक | विद्यापीठे/संस्था |
1 | चायनीज एकेडमी ऑफ सायन्सेस |
2 | पीपल्स रिपब्लिक ऑफ चीनचे कृषी मंत्रालय |
3 | उत्कृष्ट अन्वेषण परिषद |
4 | टेक्सास ए अँड एम युनिव्हर्सिटी |
5 | चीन कृषी विद्यापीठ |
6 | USDA कृषी संशोधन सेवा |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | परदे विद्यापीठ |
9 | राष्ट्रीय संशोधन परिषद |
10 | दक्षिण चीन कृषी विद्यापीठ |
विद्यापीठ आणि संस्थात्मक दृष्टीकोनातून, चायनीज ऍकॅडमी ऑफ सायन्सेस प्रकाशनांच्या संख्येनुसार यादीत अग्रस्थानी आहे, त्यानंतर पीपल्स रिपब्लिक ऑफ चायना कृषी मंत्रालय आणि कॉन्सेजो सुपीरियर डी इन्व्हेस्टिगॅसिओन्स सिंटिफिकस यांचा क्रमांक लागतो. चायनीज अकादमी ऑफ सायन्सेसचे प्रतिनिधित्व लेखक लियाओ शिओहान आणि ली जून करतात; हान वेंटिंग हे पीपल्स रिपब्लिक ऑफ चीनच्या कृषी मंत्रालयाचे प्रतिनिधित्व करतात; आणि Consejo Superior de Investigaciones Científicas चे प्रतिनिधित्व लोपेझ-ग्रॅनॅडोस, ´F. आणि Pena, ˜ Jos´e María S. USA कडून केले जाते, टेक्सास A&M विद्यापीठ आणि पर्ड्यू विद्यापीठ यांसारख्या विद्यापीठांनी त्यांचे
उल्लेख सर्वाधिक प्रकाशने असलेली विद्यापीठे आणि त्यांचे कनेक्शन आकृती 4 मध्ये दर्शविले आहेत. याव्यतिरिक्त, या सूचीमध्ये कॉन्सिग्लियो नाझिओनाले डेले रिसेर्चे आणि कॉन्सेजो सुपीरियर डी इन्व्हेस्टिगॅसिओनेस सायंटिफिकस सारख्या संस्थांचा समावेश आहे जे वैज्ञानिक संशोधनात सक्रिय आहेत, परंतु शैक्षणिक संस्था नाहीत. .
आमच्या निवडीमध्ये विविध प्रकारच्या जर्नल्सचा समावेश आहे, ज्यामध्ये अक्षरशः सर्व उपलब्ध डेटा समाविष्ट आहेत. तक्ता 8 मध्ये दर्शविल्याप्रमाणे, 258 लेखांसह रिमोट सेन्सिंग शीर्षस्थानी आहे, त्यानंतर जर्नल ऑफ इंटेलिजेंट अँड रोबोटिक सिस्टीमः 126 सह सिद्धांत आणि अनुप्रयोग आणि 98 लेखांसह कृषी आणि संगणक आणि इलेक्ट्रॉनिक्स. रिमोट सेन्सिंग हे मुख्यतः ड्रोनच्या वापरावर आणि विकासावर केंद्रित असते, तर कृषी क्षेत्रातील संगणक आणि इलेक्ट्रॉनिक्स प्रामुख्याने संगणक हार्डवेअर, सॉफ्टवेअर, इलेक्ट्रॉनिक्स आणि कृषी क्षेत्रातील नियंत्रण प्रणालींमध्ये प्रगती समाविष्ट करते. 87 प्रकाशनांसह IEEE रोबोटिक्स आणि ऑटोमेशन लेटर्स आणि 34 प्रकाशनांसह IEEE ऍक्सेस यांसारखी क्रॉस-एरिया आउटलेट्स देखील या क्षेत्रातील प्रमुख आउटलेट आहेत. शीर्ष पंधरा आउटलेट्सने 959 दस्तऐवजांसह साहित्यात योगदान दिले आहे, जे सर्व प्रकाशनांच्या अंदाजे 20.40% आहे. जर्नल सह-उद्धरण विश्लेषण आम्हाला प्रकाशनांमधील महत्त्व आणि समानता तपासण्यास सक्षम करते. चित्र 5 मध्ये दाखवल्याप्रमाणे सह-उद्धरण विश्लेषणातून तीन क्लस्टर्स मिळतात. रेड क्लस्टरमध्ये रिमोट सेन्सिंग, कॉम्प्युटर आणि इलेक्ट्रॉनिक्स इन ॲग्रीकल्चर, सेन्सर्स, यांसारख्या जर्नल्सचा समावेश होतो.
आणि इंटरनॅशनल जर्नल ऑफ रिमोट सेन्सिंग. ही सर्व आउटलेट्स रिमोट सेन्सिंग आणि अचूक कृषी क्षेत्रातील अत्यंत प्रतिष्ठित जर्नल्स आहेत. ग्रीन क्लस्टरमध्ये रोबोटिक्सशी संबंधित जर्नल्स आहेत, जसे की जर्नल ऑफ इंटेलिजेंट अँड रोबोटिक सिस्टम्स: थिअरी अँड ॲप्लिकेशन्स, IEEE रोबोटिक्स अँड ऑटोमेशन लेटर्स, IEEE ऍक्सेस आणि ड्रोन. ही आउटलेट्स बहुतेक ऑटोमेशनवर पेपर प्रकाशित करतात आणि कृषी अभियंत्यांसाठी उपयुक्त आहेत. अंतिम क्लस्टर कृषीशास्त्र आणि कृषी अभियांत्रिकीशी संबंधित जर्नल्सद्वारे तयार केले जाते, जसे की ॲग्रोनॉमी आणि इंटरनॅशनल जर्नल ऑफ ॲग्रिकल्चरल अँड बायोलॉजिकल इंजिनीअरिंग.
कृषी ड्रोन-संबंधित संशोधनातील शीर्ष 15 जर्नल्स.
क्रमांक | जर्नल | मोजा |
1 | रिमोट सेन्सिंग | 258 |
2 | जर्नल ऑफ इंटेलिजेंट अँड रोबोटिक सिस्टम्स: थिअरी अँड अनुप्रयोग | 126 |
3 | कृषी क्षेत्रात संगणक आणि इलेक्ट्रॉनिक्स | 98 |
4 | IEEE रोबोटिक्स आणि ऑटोमेशन अक्षरे | 87 |
5 | सेन्सर | 73 |
6 | इंटरनॅशनल जर्नल ऑफ रिमोट सेन्सिंग | 42 |
7 | अचूक शेती | 41 |
8 | ड्रोन | 40 |
9 | कृषीशास्त्र | 34 |
10 | आयईईई प्रवेश | 34 |
11 | इंटरनॅशनल जर्नल ऑफ प्रगत रोबोटिक सिस्टम्स | 31 |
12 | कृषी आणि जैविक अभियांत्रिकी आंतरराष्ट्रीय जर्नल | 25 |
13 | PLoS ONE | 25 |
14 | जर्नल ऑफ फील्ड रोबोटिक्स | 23 |
15 | बायोसिस्टम इंजिनियरिंग | 23 |
निष्कर्ष
सारांश
या अभ्यासात, आम्ही कृषी ड्रोनवरील विद्यमान संशोधनाचा सारांश आणि विश्लेषण केले. विविध बिब्लियोमेट्रिक तंत्रांचा अवलंब करून, आम्ही कृषी ड्रोन-संबंधित संशोधनाच्या बौद्धिक संरचनेची अधिक चांगली माहिती मिळविण्याचा प्रयत्न केला. सारांश, आमचे पुनरावलोकन साहित्यातील कीवर्ड ओळखून आणि त्यावर चर्चा करून, ड्रोनच्या क्षेत्रात शब्दार्थाने समान समुदाय तयार करताना ज्ञान क्लस्टर्स उघड करून, पूर्वीच्या संशोधनाची रूपरेषा तयार करून आणि भविष्यातील संशोधन दिशानिर्देश सुचवून अनेक योगदान देते. खाली, आम्ही कृषी ड्रोनच्या विकासावरील पुनरावलोकनाच्या मुख्य निष्कर्षांची रूपरेषा देतो:
• गेल्या दशकात एकूण साहित्याचा झपाट्याने विकास झाला आहे आणि 2012 नंतरच्या लेखांच्या संख्येत झालेल्या वाढीवरून दिसून आले आहे. या ज्ञान क्षेत्राने अद्याप पूर्ण परिपक्वता गाठलेली नाही (बॅरिएंटोस एट अल., 2011; Maes & Steppe, 2019), अनेक प्रश्न अजूनही अनुत्तरीत आहेत. उदाहरणार्थ, इनडोअर फार्मिंगमध्ये ड्रोनची उपयुक्तता अद्याप वादासाठी खुली आहे (असलान एट अल., 2022; क्रुल एट अल., 2021; रॉल्ड' एट अल., 2015). फील्ड सीन्सची जटिलता आणि विविध इमेजिंग परिस्थिती (उदा. सावल्या आणि प्रदीपन) यामुळे उच्च वर्णक्रमीय इन-क्लास भिन्नता येऊ शकते (याओ एट अल., 2019). नंतरच्या संशोधनाच्या टप्प्यांमध्येही, संशोधकांना विशिष्ट परिस्थिती आणि आवश्यक प्रतिमा गुणवत्तेनुसार इष्टतम उड्डाण योजना निर्धारित करण्याचे आव्हान देण्यात आले आहे (सोरेस एट अल., २०२१; तू एट अल.,
2020).
• आमच्या लक्षात आले आहे की कार्यक्षम UAV प्रणाली विकसित करण्यापासून ते कृषी ड्रोनच्या डिझाइनमध्ये मशीन लर्निंग आणि डीप लर्निंग यासारख्या एआय तंत्रांचा समावेश करण्यापर्यंत या क्षेत्राने प्रगती केली आहे (बाह एट अल., 2018; कितानो एट अल., 2019; मैमैतीजियांग एट अल. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• कृषी ड्रोनवरील संशोधनामध्ये प्रामुख्याने पर्यावरण निरीक्षण, पीक व्यवस्थापन आणि तण व्यवस्थापन (क्लस्टर 1) तसेच रिमोट फेनोटाइपिंग आणि उत्पन्न अंदाज (क्लस्टर 2) मधील तंत्रज्ञानाच्या संभाव्यतेचा शोध घेऊन रिमोट सेन्सिंगवर चर्चा केली जाते. कृषी ड्रोनवरील प्रभावशाली अभ्यासाच्या संचामध्ये Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex and Remondino (2014), आणि Zhang and Kovacs (2012). या अभ्यासांनी शेतीच्या संदर्भात ड्रोन-संबंधित संशोधनाचा संकल्पनात्मक आधार विकसित केला.
• कार्यपद्धतीशी संबंधित, आम्ही पाहिले की आत्तापर्यंत केलेले बहुतेक संशोधन सिस्टम डिझाईन, वैचारिक किंवा पुनरावलोकन-आधारित अभ्यासांनी बनलेले होते (इनू, 2020; नेक्स आणि रेमंडिनो, 2014; पेरेझ-ऑर्टीझ एट अल. , 2015; Yao et al., 2019). कृषी ड्रोनचा तपास करताना आम्हाला अनुभवजन्य, गुणात्मक आणि केस-अभ्यास-आधारित पद्धतींचा अभाव देखील लक्षात येतो.
• अलीकडे, सुस्पष्ट शेती, AI तंत्रे, अचूक विटीकल्चर आणि पाण्याच्या ताणाचे मूल्यांकन यांच्याशी संबंधित विषयांनी भरीव लक्ष वेधले आहे (एस्पिनोझा एट अल., 2017; गोमेझ-कँड ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). 1990-2010 आणि 2011-2021 या दोन स्वतंत्र युगांमधील संशोधन क्लस्टर्सचे काळजीपूर्वक परीक्षण, डोमेनच्या बौद्धिक संरचनेची प्रगती प्रकट करते. 1990 ते 2010 या कालावधीत मध्यवर्ती कल्पना आणि ड्रोनच्या संकल्पनांची निर्मिती झाली, जी UAV डिझाइन, विकास आणि अंमलबजावणीच्या चर्चेतून स्पष्ट होते. दुस-या युगात, संशोधनाचा फोकस पूर्वीच्या अभ्यासांवर वाढतो, शेतीमध्ये UAV वापराच्या प्रकरणांचे संश्लेषण करण्याचा प्रयत्न करतो. आम्हाला असंख्य अभ्यास देखील आढळले जे इमेजिंग कार्ये आणि अचूक शेतीमध्ये ड्रोन अनुप्रयोगांवर चर्चा करतात.
क्रमांक | जर्नल | मोजा |
1 | रिमोट सेन्सिंग | 258 |
2 | जर्नल ऑफ इंटेलिजेंट अँड रोबोटिक सिस्टम्स: थिअरी अँड | 126 |
अनुप्रयोग | ||
3 | कृषी क्षेत्रात संगणक आणि इलेक्ट्रॉनिक्स | 98 |
4 | IEEE रोबोटिक्स आणि ऑटोमेशन अक्षरे | 87 |
5 | सेन्सर | 73 |
6 | इंटरनॅशनल जर्नल ऑफ रिमोट सेन्सिंग | 42 |
7 | अचूक शेती | 41 |
8 | ड्रोन | 40 |
9 | कृषीशास्त्र | 34 |
10 | आयईईई प्रवेश | 34 |
11 | इंटरनॅशनल जर्नल ऑफ प्रगत रोबोटिक सिस्टम्स | 31 |
12 | कृषी आणि जैविक अभियांत्रिकी आंतरराष्ट्रीय जर्नल | 25 |
13 | PLoS ONE | 25 |
14 | जर्नल ऑफ फील्ड रोबोटिक्स | 23 |
15 | बायोसिस्टम इंजिनियरिंग | 22 |
परिणाम
अभ्यासक, शेतकरी, कृषी तज्ज्ञ, पीक सल्लागार आणि UAV सिस्टीम डिझायनर्सना लक्षात घेऊन आमचा द्विमापक आढावा तयार केला गेला आणि आयोजित केला गेला. लेखकांच्या सर्वोत्तम माहितीनुसार, हे पहिल्या मूळ पुनरावलोकनांपैकी एक आहे ज्याने सखोल बाईब्लियोमेट्रिक विश्लेषण केले आहे.
कृषी क्षेत्रात ड्रोन अनुप्रयोग. आम्ही या नॉलेज बॉडीचे सर्वसमावेशक पुनरावलोकन केले आहे, ज्यामध्ये प्रकाशनांचे उद्धरण आणि सह-उद्धरण विश्लेषणे वापरली आहेत. ड्रोन संशोधनाच्या बौद्धिक संरचनेचे वर्णन करण्याचे आमचे प्रयत्न शैक्षणिकांसाठी नवीन अंतर्दृष्टी देखील देतात. कालांतराने वापरलेल्या कीवर्डचे काळजीपूर्वक पुनरावलोकन ड्रोन-संबंधित साहित्यातील हॉटस्पॉट्स आणि फोकल संशोधन क्षेत्रे प्रकट करते. शिवाय, आम्ही या क्षेत्रात पूर्ण झालेल्या सर्वात प्रभावी संशोधन कार्ये ओळखण्यासाठी सर्वाधिक उद्धृत केलेल्या अभ्यासांची सूची सादर करतो. लेख आणि कीवर्डची ओळख भविष्यातील अभ्यासासाठी अनेक मार्ग उघड करण्यासाठी एक ठोस प्रारंभिक बिंदू प्रदान करू शकते.
महत्त्वाचे म्हणजे, आम्ही क्लस्टर्स उघड केले जे तुलनात्मक कार्यांचे वर्गीकरण करतात आणि परिणामांचे तपशीलवार वर्णन करतात. क्लस्टर्समध्ये वर्गीकृत केलेले अभ्यास UAV संशोधनाची बौद्धिक रचना समजून घेण्यात मदत करतात. विशेष म्हणजे, आम्हाला ड्रोनच्या दत्तक घटकांची तपासणी करणाऱ्या अभ्यासांची कमतरता आढळली
आणि शेतीच्या कामातील अडथळे (तक्ता 9 पहा). भविष्यातील संशोधक विविध शेती क्रियाकलाप आणि हवामान परिस्थितींमध्ये ड्रोनच्या दत्तक घटकांचे मूल्यमापन करणारे प्रायोगिक तपासणी करून ही संभाव्य तफावत दूर करू शकतात. शिवाय, ड्रोनच्या परिणामकारकतेबाबत केस स्टडी-आधारित संशोधनाला फील्डमधील वास्तविक डेटाचा आधार दिला पाहिजे. तसेच, शेतकरी आणि व्यवस्थापकांना शैक्षणिक संशोधनामध्ये सहभागी करून घेणे ड्रोन संशोधनाच्या सैद्धांतिक आणि व्यावहारिक प्रगतीसाठी फायदेशीर ठरेल. आम्ही सर्वात प्रमुख संशोधक आणि त्यांचे योगदान देखील ओळखू शकलो, जे मौल्यवान आहे कारण अलीकडील महत्त्वपूर्ण कार्यांबद्दल जागरूकता भविष्यातील शैक्षणिक प्रयत्नांसाठी काही मार्गदर्शन देऊ शकते.
टेबल 9
UAV दत्तक अडथळे.
अडथळा | वर्णन |
डेटा सुरक्षा | अंमलबजावणीसाठी सायबर सुरक्षा हे मोठे आव्हान आहे IoT सोल्यूशन्स (मसरूर एट अल., 2021). |
इंटरऑपरेबिलिटी आणि एकीकरण | विविध तंत्रज्ञान जसे की UAV, WSN, IoT, इ. समाकलित केले पाहिजे आणि डेटा प्रसारित केला पाहिजे जटिलता पातळी वाढवा (अलसमही एट अल., 2021; Popescu et al., 2020; वुरन एट अल., 2018). |
अंमलबजावणी खर्च | हे विशेषतः लहान शेतकऱ्यांसाठी आणि त्यांच्यासाठी आहे विविध अत्याधुनिक तंत्रज्ञान एकत्रित करणे ( मसरूर एट अल., २०२१). |
श्रम ज्ञान आणि कौशल्य | यूएव्ही चालवण्यासाठी कुशल ड्रोन पायलट आवश्यक आहेत. तसेच, विविध अत्याधुनिक अंमलबजावणी तंत्रज्ञानासाठी कुशल कामगार आवश्यक आहेत (YB हुआंग et al., 2013; Tsouros et al., 2019). |
इंजिन पॉवर आणि फ्लाइट कालावधी | ड्रोन जास्त तास चालवता येत नाहीत आणि कव्हरही करता येत नाहीत मोठे क्षेत्र (हार्डिन आणि हार्डिन, 2010; लालिबर्टे et al., 2007). |
स्थिरता, विश्वसनीयता आणि कुतूहल | खराब हवामानात ड्रोन स्थिर नसतात (हार्डिन आणि हार्डिन, 2010; लालिबर्टे एट अल., 2007). |
पेलोड मर्यादा आणि सेन्सर्सची गुणवत्ता | ड्रोन केवळ मर्यादित भार वाहून नेऊ शकतात कमी दर्जाचे सेन्सर लोड करण्याची क्षमता (Nebiker वगैरे., एक्सएनयूएमएक्स). |
नियम | ड्रोन धोकादायक देखील असू शकतात म्हणून गंभीर आहेत काही क्षेत्रातील नियम (हार्डिन आणि जेन्सन, 2011; लालिबर्टे आणि रंगो, 2011). |
शेतकऱ्यांचे ज्ञान आणि व्याज | इतर अत्याधुनिक तंत्रज्ञानाप्रमाणे, ड्रोन' यशस्वी अंमलबजावणीसाठी तज्ञांची आवश्यकता आहे आणि अनिश्चिततेसह (फिशर एट अल., 2009; लॅम्बर्ट एट अल., 2004; स्टॅफोर्ड, 2000). |
उत्पादन वाढवण्यासाठी उपलब्ध संसाधनांचा कार्यक्षमतेने वापर करण्याची सतत गरज असल्याने, शेतकरी त्यांच्या शेताचे जलद, अचूक आणि किफायतशीर स्कॅनिंग सुनिश्चित करण्यासाठी ड्रोनचा लाभ घेऊ शकतात. हे तंत्रज्ञान शेतकऱ्यांना त्यांच्या पिकांची स्थिती निश्चित करण्यासाठी आणि पाण्याची स्थिती, पिकण्याची अवस्था, कीटकांचा प्रादुर्भाव आणि पौष्टिक गरजांचे मूल्यांकन करण्यास मदत करू शकते. ड्रोनच्या रिमोट-सेन्सिंग क्षमतांमुळे शेतकऱ्यांना समस्यांचा प्रारंभिक टप्प्यावर अंदाज लावण्यासाठी आणि त्वरीत योग्य हस्तक्षेप करण्यासाठी महत्त्वपूर्ण डेटा उपलब्ध होऊ शकतो. मात्र, आव्हाने योग्य प्रकारे हाताळली गेली तरच तंत्रज्ञानाचे फायदे मिळू शकतात. च्या प्रकाशात
डेटा सुरक्षा, सेन्सर तंत्रज्ञानाच्या समस्या (उदा., मोजमापांची विश्वासार्हता किंवा अचूकता), एकत्रीकरणाची जटिलता आणि ठोस अंमलबजावणी खर्च, भविष्यातील अभ्यासांमध्ये कृषी ड्रोन आणि इतर कटिंग समाकलित करण्याच्या तांत्रिक, आर्थिक आणि ऑपरेशनल व्यवहार्यतेचे देखील परीक्षण करणे आवश्यक आहे. किनारी तंत्रज्ञान.
मर्यादा
आमच्या अभ्यासाला अनेक मर्यादा आहेत. प्रथम, निष्कर्ष अंतिम विश्लेषणासाठी निवडलेल्या प्रकाशनांद्वारे निर्धारित केले जातात. कृषी ड्रोनशी संबंधित सर्व संबंधित अभ्यास कॅप्चर करणे आव्हानात्मक आहे, विशेषत: स्कोपस डेटाबेसमध्ये अनुक्रमित नसलेले. पुढे, डेटा संकलन प्रक्रिया शोध कीवर्डच्या सेटिंगपुरती मर्यादित आहे, जी सर्वसमावेशक असू शकत नाही आणि अनिर्णायक निष्कर्षांना कारणीभूत ठरू शकते. अशा प्रकारे, भविष्यातील अभ्यासांना डेटा संकलनाच्या मूळ मुद्द्याकडे अधिक लक्ष देणे आवश्यक आहे
अधिक विश्वासार्ह निष्कर्ष. आणखी एक मर्यादा कमी उद्धरणांसह नवीन प्रकाशनांशी संबंधित आहे. बिब्लियोमेट्रिक विश्लेषण हे पूर्वीच्या प्रकाशनांकडे पक्षपाती आहे कारण त्यांना वर्षानुवर्षे अधिक उद्धरणे मिळण्याची प्रवृत्ती असते. अलीकडील अभ्यासांना लक्ष वेधण्यासाठी आणि उद्धरणे जमा करण्यासाठी विशिष्ट कालावधीची आवश्यकता असते. परिणामी, नुकत्याच केलेल्या अभ्यासात जे पॅराडाइम शिफ्ट आणतात ते टॉप टेन प्रभावशाली कामांमध्ये स्थान मिळवू शकत नाहीत. ही मर्यादा कृषी ड्रोन सारख्या वेगाने उदयास येत असलेल्या संशोधन डोमेनच्या परीक्षेत प्रचलित आहे. या कार्यासाठी साहित्याचा अभ्यास करण्यासाठी आम्ही स्कोपसचा सल्ला घेतल्याने, भविष्यातील संशोधक यापेक्षा वेगळा विचार करू शकतात
वेब ऑफ सायन्स आणि IEEE Xplore सारखे डेटाबेस, क्षितिजाचा विस्तार करण्यासाठी आणि संशोधन संरचना वाढवण्यासाठी.
संभाव्य बिब्लियोमेट्रिक अभ्यास कादंबरीतील अंतर्दृष्टी निर्माण करण्यासाठी कॉन्फरन्स पेपर्स, अध्याय आणि पुस्तके यासारख्या इतर महत्त्वपूर्ण ज्ञान स्रोतांचा विचार करू शकतात. कृषी ड्रोनवरील जागतिक प्रकाशनांचे मॅपिंग आणि तपासणी करूनही, आमच्या निष्कर्षांनी विद्यापीठांच्या अभ्यासपूर्ण परिणामांमागील कारणे उघड केली नाहीत. कृषी क्षेत्रातील संशोधनाच्या बाबतीत काही विद्यापीठे इतरांपेक्षा अधिक उत्पादनक्षम का आहेत हे गुणात्मकपणे स्पष्ट करण्यासाठी हे संशोधनाच्या नवीन क्षेत्राचा मार्ग मोकळा करते.
ड्रोन याव्यतिरिक्त, भविष्यातील अभ्यास अनेक संशोधकांनी दर्शविल्यानुसार पर्यावरण निरीक्षण, पीक व्यवस्थापन आणि तण मॅपिंग यांसारख्या अनेक मार्गांनी शेतीची शाश्वतता वाढवण्यासाठी ड्रोनच्या संभाव्यतेबद्दल अंतर्दृष्टी प्रदान करू शकतात (चमुआह आणि सिंग, 2019; इस्लाम एट अल., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). निवडलेल्या पेपर्सच्या जास्त संख्येमुळे शाब्दिक विश्लेषण करणे शक्य झाले नाही, म्हणून पद्धतशीर साहित्य परीक्षणे आवश्यक आहेत.
वापरलेल्या संशोधन पद्धती आणि पूर्वीच्या अभ्यासात शेतकऱ्यांचा सहभाग. थोडक्यात, ड्रोन संशोधनाचे आमचे विश्लेषण या ज्ञानाच्या शरीरातील अदृश्य दुवे उघड करते. म्हणून हे पुनरावलोकन प्रकाशनांमधील संबंध उघड करण्यास मदत करते आणि संशोधन क्षेत्राची बौद्धिक रचना शोधते. हे साहित्याच्या विविध पैलूंमधील दुवे देखील दर्शवते, जसे की लेखकांचे कीवर्ड, संलग्नता आणि देश.
स्पर्धात्मक व्याज घोषित करणे
लेखक घोषित करतात की त्यांच्याकडे कोणतेही स्पर्धात्मक आर्थिक हितसंबंध किंवा वैयक्तिक संबंध नाहीत जे या पेपरमध्ये नोंदविलेल्या कार्यावर परिणाम म्हणून दिसू शकतील.
परिशिष्ट 1
TITLE-ABS-KEY (((ड्रोन* किंवा "मानवरहित हवाई वाहन" किंवा uav* किंवा "मानवरहित विमान प्रणाली” किंवा us किंवा “दूरस्थपणे चालवलेले विमान”) आणि (कृषी किंवा शेती किंवा शेती किंवा शेतकरी))) आणि (वगळा (प्यूबियर, 2022)) आणि (लिमिट-टू (भाषा, “इंग्रजी”)).
संदर्भ
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. वनस्पती निरीक्षणासाठी लाइटवेट UAV स्नॅपशॉट कॅमेऱ्यांसह 3D हायपरस्पेक्ट्रल माहिती निर्माण करणे: पासून
गुणवत्तेची खात्री करण्यासाठी कॅमेरा कॅलिब्रेशन. ISPRS J. फोटोग्राम. रिमोट सेन्स. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
अब्द-एलरहमान, ए., पर्लस्टाइन, एल., पर्सिव्हल, एफ., 2005. मानवरहित हवाई वाहन इमेजरीमधून स्वयंचलित पक्षी शोधण्यासाठी नमुना ओळख अल्गोरिदमचा विकास.
सर्वेक्षण. जमीन माहिती. विज्ञान ६५ (१), ३७–४५.
अब्दोल्लाही, ए., रेजेब, के., रेजेब, ए., मोस्तफा, एमएम, झैलानी, एस., 2021. शेतीतील वायरलेस सेन्सर नेटवर्क: बिब्लियोमेट्रिक विश्लेषणातून अंतर्दृष्टी. टिकाऊपणा 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., उच्च-रिझोल्यूशन ऑप्टिकल इमेजरीमध्ये सावली शोधण्यासाठी विविध पद्धतींचे मूल्यांकन आणि गणनावरील सावलीच्या प्रभावाचे मूल्यांकन NDVI चे, आणि बाष्पीभवन. इरिग. 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. हायपरस्पेक्ट्रल इमेजिंग: UAV-आधारित सेन्सर्स, डेटावरील पुनरावलोकन प्रक्रिया आणि
कृषी आणि वनीकरणासाठी अर्ज. रिमोट सेन्सिंग 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramirez, FC, Saiz, MP, Rosúa, FO, 2015. सूर्यफूल पिकाच्या निरीक्षणासाठी मानवरहित हवाई वाहन वापरून मल्टी-टेम्पोरल इमेजिंग. बायोसिस्ट. इंजि.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. UAV मधून अचूक डिजिटल एलिव्हेशन मॉडेलच्या निर्मितीने कमी टक्केवारी ओव्हरलॅपिंग प्रतिमा मिळवल्या. इंट.
जे. रिमोट सेन्स. 38 (8-10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. रिमोट सेन्सिंग डेटामधून बायोमास आणि मातीतील आर्द्रता पुनर्प्राप्तीसाठी मशीन शिक्षण पद्धतींचे पुनरावलोकन. रिमोट सेन्सिंग 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., B5G नेटवर्क्समध्ये UAV वापरणाऱ्या गोष्टींचे ग्रीन इंटरनेट: अनुप्रयोगांचे पुनरावलोकन
आणि धोरणे. ॲड. हॉक. नेटव. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. मेंढी पशुधन निरीक्षणासाठी ड्रोन. मध्ये: 20 वी IEEE भूमध्य इलेक्ट्रोटेक्निकल परिषद. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. मल्टीस्पेक्ट्रल इमेजिंग आणि आर्टिफिशियल इंटेलिजन्सचा वापर करून सायट्रसमध्ये UAV-आधारित उच्च थ्रूपुट फेनोटाइपिंग. रिमोट सेन्सिंग 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: कृत्रिम बुद्धिमत्तेचा वापर करून अचूक कृषी अनुप्रयोगांसाठी UAV-संकलित डेटावर प्रक्रिया करण्यासाठी, विश्लेषण करण्यासाठी आणि दृश्यमान करण्यासाठी क्लाउड-आधारित अनुप्रयोग. संगणक. इलेक्ट्रॉन. कृषी. १७४, १०५४५७ https://doi. org/174/j.compag.105457.
Ang, K.-L.-M., Seng, JKP, 2021. कृषी क्षेत्रातील हायपरस्पेक्ट्रल माहितीसह बिग डेटा आणि मशीन लर्निंग. IEEE प्रवेश ९, ३६६९९–३६७१८. https://doi.org/9/
ACCESS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. पुनरावलोकन: कुरण-आधारित पशुधन प्रणालींमध्ये अचूक पशुधन शेती तंत्रज्ञान. प्राणी 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´D., Mejia-Aguirre, C., प्रगत माहिती आणि संप्रेषण तंत्रज्ञानावरील ट्रेंड
कृषी उत्पादकता सुधारणे: एक बिब्लियोमेट्रिक विश्लेषण. कृषीशास्त्र 10 (12), लेख 12. https://doi.org/10.3390/agronomy10121989.
आर्मस्ट्राँग, आय., पिरोन-ब्रुसे, एम., स्मिथ, ए., जादुड, एम., 2011. फ्लाइंग गेटर: ऑकॅम-π मध्ये एरियल रोबोटिक्सकडे. कम्युन. प्रक्रिया आर्किटेक्ट. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
अरोरा, एसडी, चक्रवर्ती, ए., 2021. ग्राहक तक्रार वर्तन (सीसीबी) संशोधनाची बौद्धिक रचना: एक द्विमितीय विश्लेषण. जे. व्यवसाय रा. १२२, ६०–७४.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
खुल्या शेतात आणि हरितगृहांमध्ये अचूक शेतीसाठी UAV सह अलीकडील अभ्यासाचे सर्वसमावेशक सर्वेक्षण. ऍपल. विज्ञान १२ (३), १०४७. https://doi.org/12/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). भविष्यासाठी फील्ड फीनोटाइपिंग. वार्षिक वनस्पती पुनरावलोकनांमध्ये ऑनलाइन (pp. 719–736). जॉन
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
ऑस्टिन, आर., 2010. मानवरहित विमान प्रणाली: UAVS डिझाइन, विकास आणि तैनाती. मध्ये: मानवरहित विमान प्रणाली: UAVS डिझाइन, विकास आणि
तैनाती. जॉन विली आणि सन्स. https://doi.org/10.1002/9780470664797.
अवेस, एम., ली, डब्ल्यू., चीमा, एमजेएम, जमान, क्यूयू, शाहीन, ए., अस्लम, बी., झू, डब्ल्यू., अजमल, एम., फहीम, एम., हुसैन, एस., नदीम, AA, Afzal, MM, Liu, C., 2022. UAV आधारित रिमोट सेन्सिंग इन प्लांट स्ट्रेस डिजिटल कृषी पद्धतींसाठी उच्च-रिझोल्यूशन थर्मल सेन्सर वापरण्याची कल्पना करा: एक मेटा-रिव्ह्यू. इंट. जे. पर्यावरण. विज्ञान तंत्रज्ञान. 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 शेती: संधी, आव्हाने
आणि तंत्रज्ञान सक्षम करणारे. 2018 IoT वर्टिकल आणि. टॉपिकल समिट ऑन ॲग्रीकल्चर -टस्कनी (आयओटी टस्कनी) 1-6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. UAV प्रतिमांमधील रेषेतील पिकांमध्ये तण शोधण्यासाठी पर्यवेक्षित नसलेल्या डेटा लेबलिंगसह सखोल शिक्षण. रिमोट सेन्सिंग 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
बाल्डी, एस., 1998. उद्धरणांच्या वाटपातील मानक विरुद्ध सामाजिक रचनावादी प्रक्रिया: नेटवर्क-विश्लेषणात्मक मॉडेल. आहे. सामाजिक. रेव्ह. ६३ (६), ८२९–८४६. https://doi.
org/10.2307/2657504.
बलुजा, जे., डायगो, एमपी, बाल्डा, पी., झोरेर, आर., मेगियो, एफ., मोरालेस, एफ., टार्डागुइला, जे., 2012. थर्मल आणि मल्टीस्पेक्ट्रलद्वारे व्हाइनयार्डच्या पाण्याच्या स्थितीच्या परिवर्तनशीलतेचे मूल्यांकन
मानवरहित हवाई वाहन (UAV) वापरून प्रतिमा. इरिग. 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., पुढील पिढीचे प्रजनन. वनस्पती विज्ञान. २४२, ३–१३. https://doi.org/242/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. गुरांवर लक्ष ठेवण्यासाठी मानवरहित हवाई प्रणालीच्या वापरावर दृष्टीकोन. आउटलुक ॲग्रिक. 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. कमी-वजन आणि UAV-आधारित हायपरस्पेक्ट्रल पूर्ण-फ्रेम कॅमेरे
पिकांचे निरीक्षण करण्यासाठी: पोर्टेबल स्पेक्ट्रोरेडिओमीटर मोजमापांसह स्पेक्ट्रल तुलना. फोटोग्रामेट्री, फर्नरकुंडुंग, जिओ इन्फॉर्मेशन 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Aerial Remote Sensing in Agriculture: A practical approach to area cover
आणि मिनी एरियल रोबोट्सच्या ताफ्यांसाठी पथ नियोजन. जे. फील्ड रॉब. २८ (५), ६६७–६८९. https://doi.org/28/rob.5.
बासिरी, ए., मारियानी, व्ही., सिलानो, जी., आतिफ, एम., इयानेली, एल., ग्लिएलमो, एल., 2022. अचूकतेमध्ये मल्टी-रोटर यूएव्हीसाठी पथ-नियोजन अल्गोरिदमच्या अनुप्रयोगावरील सर्वेक्षण
शेती जे. नेविग. ७५ (२), ३६४–३८३.
बसनेट, बी., बँग, जे., 2018. अत्याधुनिक ज्ञान-केंद्रित कृषी: उपयोजित संवेदन प्रणाली आणि डेटा विश्लेषणावर पुनरावलोकन. जे. सेन्स. 2018, 1-13.
Bendig, J., Bolten, A., Bareth, G., 2013. पीक वाढीच्या परिवर्तनशीलतेचे परीक्षण करण्यासाठी मल्टी-टेम्पोरल, अतिशय उच्च रिझोल्यूशन क्रॉप पृष्ठभाग मॉडेलसाठी UAV-आधारित इमेजिंग. फोटोग्राममेट्री, फर्नेरकुंडुंग, जिओ इन्फॉर्मेशन 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 इमेजिंगमधून प्राप्त क्रॉप पृष्ठभाग मॉडेल (CSMs) वापरून बार्लीच्या बायोमासचा अंदाज लावणे. रिमोट सेन्सिंग 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. पीक पृष्ठभागापासून UAV-आधारित वनस्पतीची उंची एकत्र करणे मॉडेल,
बार्लीच्या बायोमास निरीक्षणासाठी दृश्यमान, आणि जवळच्या इन्फ्रारेड वनस्पती निर्देशांक. इंट. जे. ऍपल. 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 रिझोल्यूशन वापरून ऑलिव्ह बागांमध्ये कॅनोपी कंडक्टन्स आणि CWSI मॅपिंग
थर्मल रिमोट सेन्सिंग इमेजरी. रिमोट सेन्स. पर्यावरण. ११३ (११), २३८०–२३८८. https://doi.org/113/j.rse.11.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. मानवरहित हवाई वाहनातून वनस्पती निरीक्षणासाठी थर्मल आणि नॅरोबँड मल्टीस्पेक्ट्रल रिमोट सेन्सिंग. IEEE ट्रान्स. Geosci. रिमोट सेन्स. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. इंटरनेट ऑफ थिंग्ज इन फूड सेफ्टी: लिटरेचर रिव्ह्यू आणि अ बिब्लियोमेट्रिक विश्लेषण. ट्रेंड्स फूड साय. तंत्रज्ञान. 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: युरोप-व्यापी मोठ्या प्रमाणात पायलट डिझाइन करणे. IEEE कम्युन. मग. ५५ (९), २६–३३.
Buters, TM, Belton, D., Cross, AT, 2019. मिलिमीटर अचूकतेवर वैयक्तिक रोपे आणि रोपांच्या समुदायांचे मल्टी-सेन्सर UAV ट्रॅकिंग. ड्रोन ३ (४), ८१.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. UAV प्रतिमांमधून अचूक शेती अनुप्रयोगांसाठी मल्टीस्पेक्ट्रल प्रतिमा आणि वनस्पती निर्देशांकांचे मूल्यांकन करणे. रिमोट सेन्सिंग 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. UAV मधून व्युत्पन्न व्युत्पन्न वाइड-डायनॅमिक-रेंज वेजिटेशन इंडेक्स (WDRVI) वापरून शुगर बीट वाढीच्या निर्देशकांचे निरीक्षण
मल्टीस्पेक्ट्रल प्रतिमा. संगणक. इलेक्ट्रॉन. कृषी. १७१, १०५३३१ https://doi.org/171/j.compag.105331.
Casillas, J., Acedo, F., 2007. कौटुंबिक व्यवसाय साहित्याच्या बौद्धिक संरचनेची उत्क्रांती: एफबीआरचा द्विमितीय अभ्यास. कौटुंबिक व्यवसाय रेव्ह. 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. अंतर्गत तांदळाच्या बायोमासचे डायनॅमिक मॉनिटरिंग
ड्युअल इमेज-फ्रेम स्नॅपशॉट कॅमेऱ्यासह हलक्या वजनाच्या UAV वापरून विविध नायट्रोजन उपचार. वनस्पती पद्धती १५ (१), ३२. https://doi.org/15/s1-32-
0418-8
चामुआ, ए., सिंग, आर., 2019. नागरी UAV द्वारे भारतीय शेतीमध्ये शाश्वतता सुरक्षित करणे: एक जबाबदार नावीन्यपूर्ण दृष्टीकोन. SN Appl. विज्ञान २ (१), १०६. https://
doi.org/10.1007/s42452-019-1901-6.
चमुआ, ए., सिंग, आर., 2022. भारतीय पीक विमा अर्जांसाठी नागरी मानवरहित हवाई वाहन (UAV) नवकल्पनांचे जबाबदार शासन. जे. जबाबदार
तंत्रज्ञान. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
चेन, ए., ऑर्लोव्ह-लेविन, व्ही., मेरॉन, एम., 2019. अचूक सिंचन व्यवस्थापनासाठी पिक कॅनोपीचे उच्च-रिझोल्यूशन दृश्यमान-चॅनेल एरियल इमेजिंग लागू करणे. कृषी. पाणी
मॅनेज. 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. ऑन-बोर्ड फोटोग्रामेट्री आणि सिंगल फ्रिक्वेन्सी GPS पोझिशनिंगसह लाइटवेट UAV मेट्रोलॉजी अनुप्रयोगांसाठी. ISPRS J. फोटोग्राम. रिमोट सेन्स. 127, 115-126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. स्वायत्त ड्रोन ऑपरेशन्स व्यवस्थापनासाठी ब्लॉकचेन-आधारित IoT प्लॅटफॉर्म. मध्ये: 2 रा ACM ची कार्यवाही
5G आणि पलीकडे ड्रोन असिस्टेड वायरलेस कम्युनिकेशन्सवर मोबीकॉम कार्यशाळा, pp. 31-36. https://doi.org/10.1145/3414045.3415939.
डे, आरए, गॅस्टेल, बी., 1998. वैज्ञानिक पेपर कसा लिहायचा आणि प्रकाशित करायचा. केंब्रिज युनिव्हर्सिटी प्रेस. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. मॅपिंग सायनोडॉन डॅक्टिलॉन इन्फेस्टिंग तंतोतंत व्हिटिकल्चरसाठी स्वयंचलित निर्णय वृक्ष-ओबीआयए प्रक्रिया आणि यूएव्ही इमेजरीसह पिके कव्हर करा. रिमोट सेन्सिंग 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. साठी एक स्वयंचलित यादृच्छिक वन-OBIA अल्गोरिदम UAV प्रतिमा वापरून पीक पंक्ती दरम्यान आणि त्यामध्ये लवकर तण मॅपिंग. रिमोट सेन्सिंग 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. UAV इमेजरीतून व्युत्पन्न DSM वापरून गव्हाच्या जीनोटाइपच्या वनस्पतीच्या उंचीचे स्वयंचलित 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. मानवरहित हवाई वाहनांचा वापर करून रिअल-टाइम वीड मॅपिंगसाठी लाइटवेट सिमेंटिक सेगमेंटेशन नेटवर्क. ऍपल. विज्ञान 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. अचूक शेतीसाठी UAV-आधारित मल्टीस्पेक्ट्रल रिमोट सेन्सिंग: वेगवेगळ्या कॅमेऱ्यांमधील तुलना. ISPRS J. फोटोग्राम. रिमोट सेन्स. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. माती निर्देशकांचा अंदाज लावण्यासाठी मशीन लर्निंग आणि रिमोट सेन्सिंग तंत्र - पुनरावलोकन. इकोल. इंड. 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 वापरून ऑलिव्ह ट्री क्राउन पॅरामीटर्सचे मूल्यांकन करण्यासाठी उच्च-रिझोल्यूशन एअरबोर्न UAV इमेजरी
पुनर्रचना: प्रजनन चाचण्यांमध्ये अर्ज. रिमोट सेन्सिंग 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
दीक्षित, ए., जाखर, एसके, 2021. विमानतळ क्षमता व्यवस्थापन: एक पुनरावलोकन आणि द्विमितीय विश्लेषण. जे. एअर ट्रान्स्प. मॅनेज. 91, 102010.
डोंग, टी., शांग, जे., लिऊ, जे., कियान, बी., जिंग, क्यू., मा, बी., हफमन, टी., गेंग, एक्स., सो, ए., शि, वाई., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
ओंटारियो, कॅनडातील पीक वाढ आणि उत्पन्नाची फील्डमधील परिवर्तनशीलता ओळखण्यासाठी RapidEye इमेजरी वापरणे. अचूक कृषी. २० (६), १२३१–१२५०. https://doi.org/20/
s11119-019-09646-w.
दत्ता, पीके, मित्रा, एस., 2021. कोविड-19 नंतरच्या काळात अन्न पुरवठा साखळी समजून घेण्यासाठी कृषी ड्रोन आणि आयओटीचा वापर. मध्ये: चौधरी, ए., विश्वास, ए., प्रतीक, एम.,
चक्रवर्ती, ए. (एड्स.), कृषी माहितीशास्त्र: ऑटोमेशन युजिंग द आयओटी आणि मशीन लर्निंग. विली, पृ. 67-87. van Eck, N., Waltman, L., 2009. सॉफ्टवेअर सर्वेक्षण: VOSviewer, bibliometric मॅपिंगसाठी एक संगणक प्रोग्राम. सायंटोमेट्रिक्स ८४ (२), ५२३–५३८. https://doi.org/84/s2-523-538-10.1007.
Elijah, O., रहमान, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. इंटरनेट ऑफ थिंग्ज (IoT) आणि शेतीमधील डेटा विश्लेषणाचे विहंगावलोकन: फायदे आणि आव्हाने.
IEEE इंटरनेट थिंग्ज 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. कृषीशास्त्राचे प्रमाणीकरण UAV आणि फील्ड
टोमॅटोच्या जातींसाठी मोजमाप. संगणक. इलेक्ट्रॉन. कृषी. १५८, २७८–२८३. https:// doi.org/158/j.compag.278.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. मध्ये उच्च रिझोल्यूशन मल्टीस्पेक्ट्रल आणि थर्मल रिमोट सेन्सिंग-आधारित पाण्याच्या ताणाचे मूल्यांकन
उपसर्फेस सिंचित द्राक्षवेली. रिमोट सेन्सिंग ९ (९), ९६१. https://doi.org/ 9/rs9.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. मातीच्या श्रेणीकरणासाठी हायपरस्पेक्ट्रल रिमोट सेन्सिंगचा वापर. रिमोट सेन्सिंग 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., अँडरसन, के., 2020. ड्रोन-आधारित मल्टिस्पेक्ट्रल पृष्ठभागाच्या परावर्तनाचे बहुस्तरीय मूल्यमापन आणि ऑपरेशनल परिस्थितीत वनस्पती निर्देशांक. रिमोट सेन्सिंग 12 (3), 514.
फेंग, एक्स., यान, एफ., लिऊ, एक्स., 2019. अचूक शेतीसाठी इंटरनेट ऑफ थिंग्जवर वायरलेस कम्युनिकेशन तंत्रज्ञानाचा अभ्यास. वायरलेस Pers. कम्युन. 108 (3),
1785-1802
फरेरा, एमपी, पिंटो, सीएफ, सेरा, एफआर, 2014. आंतरराष्ट्रीय व्यवसाय संशोधनातील व्यवहार खर्च सिद्धांत: तीन दशकांहून अधिक काळातील एक द्विवचनीय अभ्यास. सायंटोमेट्रिक्स 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
फिशर, पी., अबुझार, एम., रब, एम., बेस्ट, एफ., चंद्र, एस., 2009. दक्षिण-पूर्व ऑस्ट्रेलियातील अचूक शेतीमध्ये प्रगती. I. नक्कल करण्यासाठी प्रतिगमन पद्धत
शेतकऱ्यांचे ऐतिहासिक पॅडॉक उत्पादन आणि सामान्यीकृत फरक वनस्पति निर्देशांक वापरून अन्नधान्य उत्पन्नात स्थानिक फरक. पीक कुरण विज्ञान. ६० (९), ८४४–८५८.
फ्लोरेआनो, डी., वुड, आरजे, 2015. विज्ञान, तंत्रज्ञान आणि लहान स्वायत्त ड्रोनचे भविष्य. निसर्ग ५२१ (७५५३), ४६०–४६६. https://doi.org/521/nature7553.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. स्मार्ट शेतीच्या भविष्यासाठी इंटरनेट ऑफ थिंग्ज: उदयोन्मुख तंत्रज्ञानाचे सर्वसमावेशक सर्वेक्षण. IEEE CAA J. ऑटोम. सिनिका 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´JM, 2019. अंजीर वनस्पती विभाजन डीप कॉन्व्होल्युशनल एन्कोडर-डीकोडर नेटवर्क वापरून हवाई प्रतिमांमधून. रिमोट सेन्सिंग 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. पाण्याच्या ताणाचे मूल्यांकन करण्यासाठी UAVs आव्हान
शाश्वत शेती. कृषी. पाणी व्यवस्थापक. 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 इमेजिंग वनस्पती येथे
तूट सिंचन धोरणांतर्गत बदामाच्या झाडांमध्ये (cv. Guara) पीक-पाण्याच्या स्थितीचे मूल्यांकन करण्यासाठी पातळी. कृषी. पाणी व्यवस्थापक. २०८, १७६–१८६. https://doi.org/208/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. लहान हायपरस्पेक्ट्रल UAS वापरून पृष्ठभाग परावर्तक आणि सूर्यप्रेरित फ्लोरोसेन्स स्पेक्ट्रोस्कोपी मोजमाप. रिमोट सेन्सिंग 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. साठी एक स्वयंचलित पद्धत
UAV इमेजरीवर आधारित ओट फील्डमध्ये तण मॅपिंग. संगणक. इलेक्ट्रॉन. कृषी.
गेबर्स, आर., ॲडमचुक, VI, 2010. अचूक कृषी आणि अन्न सुरक्षा. विज्ञान ३२७ (५९६७), ८२८–८३१. https://doi.org/327/science.5967.
Geipel, J., Link, J., Claupein, W., 2014. मानवरहित विमान प्रणालीसह प्राप्त केलेल्या हवाई प्रतिमा आणि क्रॉप पृष्ठभागाच्या मॉडेल्सवर आधारित कॉर्न पीकचे एकत्रित वर्णक्रमीय आणि अवकाशीय मॉडेलिंग. रिमोट सेन्सिंग 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. वापरकर्त्यांसाठी टिकाऊ डिझाइन: एक साहित्य पुनरावलोकन आणि संदर्भित विश्लेषण. पर्यावरण. विज्ञान प्रदूषण. रा. २७ (२४), २९८२४–२९८३६. https://doi. org/27/s24-29824-29836-10.1007.
गेव्हर्ट, सीएम, सुओमालेनेन, जे., तांग, जे., कूइस्ट्रा, एल., 2015. मल्टीस्पेक्ट्रल उपग्रह आणि हायपरस्पेक्ट्रल एकत्र करून स्पेक्ट्रल टेम्पोरल रिस्पॉन्स पृष्ठभागांची निर्मिती
अचूक कृषी अनुप्रयोगांसाठी UAV प्रतिमा. IEEE जे. सेल. वर. ऍपल. पृथ्वी Obs. रिमोट सेन्स. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. क्लाउड आणि मोठी डेटासेवा म्हणून IoT आधारित शेती: डिजिटल भारताची सुरुवात. J. Org. आणि अंतिम वापरकर्ता संगणक. (JOEUC) 29 (4),
1-23
Gmür, M., 2006. सह-उद्धरण विश्लेषण आणि अदृश्य महाविद्यालयांचा शोध: एक पद्धतशीर मूल्यांकन. सायंटोमेट्रिक्स 57 (1), 27-57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. मानवरहित एरियल व्हेइकल्स (UAVs) द्वारे मक्याच्या रोपांची डिजिटल गणना. रिमोट सेन्सिंग 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. जलीय तण निरीक्षणासाठी रोटरी-विंग मानवरहित हवाई वाहन आणि
व्यवस्थापन. जे. इंटेल. रोबोटिक प्रणाली.: सिद्धांत. ऍपल. ५७ (१–४), ४६७–४८४. https://doi. org/57/s1-4-467-484.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. गव्हातील अचूक शेतीच्या उद्देशाने मानवरहित हवाई वाहन (UAV) इमेजरीमधून मोज़ाइकच्या अचूकतेचे मूल्यांकन करणे. तंतोतंत. कृषी. 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-संवेदित प्रतिमांद्वारे वृक्षाच्या प्रमाणात पाण्याच्या ताणाचे फील्ड फेनोटाइपिंग : साठी नवीन अंतर्दृष्टी
थर्मल अधिग्रहण आणि कॅलिब्रेशन. तंतोतंत. कृषी. १७ (६), ७८६–८००. https://doi.org/17/s6-786-800-10.1007.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. लिंबूवर्गीय बागांमध्ये पाण्याच्या कमतरतेचे सूचक म्हणून पीक पाण्याचा ताण निर्देशांक वापरण्याची उपयुक्तता आणि मर्यादा. कृषी. च्या साठी. मेटेरॉल. 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 रिझोल्यूशन UAV थर्मल इमेजरी वापरणे
व्यावसायिक बागेतील पाच फळझाडांच्या प्रजातींच्या पाण्याच्या स्थितीतील परिवर्तनशीलतेचे मूल्यांकन करा. तंतोतंत. कृषी. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
गोयल, के., कुमार, एस., 2021. आर्थिक साक्षरता: एक पद्धतशीर पुनरावलोकन आणि द्विमितीय विश्लेषण. इंट. J. ग्राहक अभ्यास 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. वनीकरण आणि शेतीमध्ये कमी किमतीच्या uavs ची फोटोग्रामेट्रिक क्षमता. इंटरनॅशनल आर्काइव्हज ऑफ द फोटोग्रामेट्री, रिमोट सेन्सिंग अँड स्पेशियल इन्फॉर्मेशन सायन्सेस - ISPRS आर्काइव्हज 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. उच्च-रिझोल्यूशनच्या सहसंबंधाचे मूल्यांकन करणे
एनडीव्हीआय खत वापर पातळी आणि लहान UAV वापरून भात आणि गहू पिकांचे उत्पन्न. रिमोट सेन्सिंग 11 (2), 112.
गुंडॉल्फ, के., फिलसर, एम., 2013. व्यवस्थापन संशोधन आणि धर्म: एक उद्धरण विश्लेषण. जे. बस. नीतिशास्त्र 112 (1), 177–185.
गुओ. आणि तात्पुरती वितरण
हॉवरमध्ये क्वाड-रोटर कृषी UAV चा डाउनवॉश एअरफ्लो. संगणक. इलेक्ट्रॉन. कृषी. १७२, १०५३४३ https://doi.org/172/j.compag.105343.
हाघीघट्टलाब, ए., गोंझ अलेझ पेरेझ, एल., मोंडल, एस., सिंग, डी., शिनस्टॉक, डी., रुतकोस्की, जे., ऑर्टीझ-मोनास्टेरियो, आय., सिंग, आरपी, गुडिन, डी. , पोलंड, जे., 2016.
मोठ्या गहू प्रजनन नर्सरींच्या उच्च थ्रूपुट फेनोटाइपिंगसाठी मानवरहित हवाई प्रणालीचा वापर. वनस्पती पद्धती 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ oneen, ¨I., 2013. वेगवेगळ्या प्रदीपन परिस्थितीत UAV मधून स्पेक्ट्रल इमेजिंग . जीजी बिल आर. (एड.), इंटरनॅशनल आर्काइव्हज ऑफ द फोटोग्रामेट्री, रिमोट सेन्सिंग अँड स्पेशियल इन्फॉर्मेशन सायन्सेस-आयएसपीआरएस आर्काइव्हज (खंड 40, अंक 1W2, pp. 189-194) मध्ये. इंटरनॅशनल सोसायटी फॉर फोटोग्रामेट्री अँड रिमोट सेन्सिंग. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
हॅमिल्टन, एसएम, मॉरिस, आरएच, कार्व्हालो, आरसी, रॉडर, एन., बार्लो, पी., मिल्स, के., वांग, एल. मानवरहित हवाईपासून बेटावरील वनस्पतींचे मॅपिंग करण्याचे तंत्र
वाहन (UAV) प्रतिमा: पिक्सेल वर्गीकरण, व्हिज्युअल व्याख्या आणि मशीन शिक्षण पद्धती. इंट. जे. ऍपल. पृथ्वी Obs. Geoinf. ८९, १०२०८५ https://doi.org/
10.1016/j.jag.2020.102085.
हक, ए., इस्लाम, एन., सम्राट, एनएच, डे, एस., रे, बी., 2021. बांगलादेशातील जबाबदार नेतृत्वाद्वारे स्मार्ट शेती: शक्यता, संधी आणि त्याही पलीकडे.
स्थिरता 13 (8), 4511.
हार्डिन, पीजे, हार्डिन, टीजे, 2010. पर्यावरणीय संशोधनात लहान प्रमाणात दूरस्थपणे चालणारी वाहने. भूगोल होकायंत्र ४ (९), १२९७–१३११. ttps://doi.org/4/j.9-
8198.2010.00381.x
हार्डिन, पीजे, जेन्सन, आरआर, 2011. पर्यावरणीय रिमोट सेन्सिंगमध्ये लहान-प्रमाणात मानवरहित हवाई वाहने: आव्हाने आणि संधी. GISci. रिमोट सेन्स. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. कृषी इंटरनेट ऑफ थिंग्ज: तंत्रज्ञान आणि अनुप्रयोग, (1ली आवृत्ती. 2021 आवृत्ती). 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 वाहनातून इमेजिंग: कृषी पाळत ठेवणे आणि निर्णय समर्थन. संगणक. इलेक्ट्रॉन. कृषी. 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, UAV आधारित रिमोट सेन्सिंग वापरून फील्ड प्लॉट चाचण्यांमध्ये गव्हाच्या रोपाची उंची आणि वाढीचा दर उच्च थ्रूपुट फील्ड फेनोटाइपिंग. रिमोट सेन्सिंग 8 (12). https://doi. org/10.3390/rs8121031.
Honkavaara, E., Saari, H., Kaivosoja, J., Pol ¨ onen, ¨ I., Hakala, T., Litkey, P., M¨akynen, J., Pesonen, L., 2013. प्रक्रिया आणि मूल्यांकन अचूक शेतीसाठी लाइटवेट यूएव्ही स्पेक्ट्रल कॅमेरा वापरून संकलित केलेली स्पेक्ट्रोमेट्रिक, स्टिरिओस्कोपिक इमेजरी. रिमोट सेन्सिंग 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. कमी-उंचीवरील मानवरहित हवाई वाहने आधारित इंटरनेट ऑफ थिंग्ज सेवा: व्यापक सर्वेक्षण आणि भविष्यातील दृष्टीकोन. IEEE इंटरनेट थिंग्ज J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., रॉबर्ट्स, J., 2005. संयुक्त ऑप्टिक-फ्लो आणि UAV साठी शहरी कॅनियन्सचे स्टिरिओ-आधारित नेव्हिगेशन. मध्ये: 2005 IEEE/RSJ
इंटरनॅशनल कॉन्फरन्स ऑन इंटेलिजेंट रोबोट्स अँड सिस्टम्स, pp. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. क्लाउड फॉग कॉम्प्युटिंगसाठी एक क्रिएटिव्ह IoT कृषी मंच. टिकवणे. संगणक. इन्फ. सिस्ट. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. मानवरहित हवाई वाहनाच्या तणाच्या मॅपिंगसाठी एक पूर्णतया संभ्रमित नेटवर्क ( UAV) प्रतिमा. PLOS ONE 13 (4), e0196302.
हुआंग, एच., लॅन, वाई., यांग, ए., झांग, वाय., वेन, एस., डेंग, जे., 2020. यूएव्ही इमेजरीच्या वीड मॅपिंगमध्ये डीप लर्निंग विरुद्ध ऑब्जेक्ट-आधारित इमेज ॲनालिसिस (ओबीआयए). इंट. जे.
रिमोट सेन्स. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
हुआंग, एच., यांग, ए., तांग, वाई., झुआंग, जे., हौ, सी., टॅन, झेड., दानंजयन, एस., हे, वाई., गुओ, क्यू., लुओ, एस., 2021. क्रॉप मॉनिटरिंगमध्ये UAV इमेजरीसाठी डीप कलर कॅलिब्रेशन
स्थानिक ते जागतिक लक्ष देऊन सिमेंटिक शैली हस्तांतरण वापरणे. इंट. जे. ऍपल. पृथ्वी Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
हुआंग, YB, थॉमसन, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. कृषी उत्पादनासाठी मानवरहित हवाई वाहन तंत्रज्ञानाचा विकास आणि संभावना
व्यवस्थापन. इंट. जे. ॲग्रिक. बायोल. इंजि. 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 प्लॅटफॉर्मसाठी स्प्रे सिस्टमचा विकास. ऍपल. इंजि. कृषी. २५ (६), ८०३–८०९.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. कडून NIR-हिरव्या-निळ्या डिजिटल छायाचित्रांचे संपादन
पीक निरीक्षणासाठी मानवरहित विमान. रिमोट सेन्सिंग 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. स्मार्ट शेतीसाठी पिके आणि मातीचे उपग्रह- आणि ड्रोन-आधारित रिमोट सेन्सिंग-एक पुनरावलोकन. माती विज्ञान. वनस्पती पोषण. ६६ (६), ७९८–८१०. https://doi.org/66/6.
इस्लाम, एन., रशीद, एमएम, पासंदीदेह, एफ., रे, बी., मूर, एस., कडेल, आर., 2021. इंटरनेट ऑफ थिंग्ज (IoT) साठी अनुप्रयोग आणि संप्रेषण तंत्रज्ञानाचे पुनरावलोकन आणि
मानवरहित एरियल व्हेईकल (UAV) आधारित शाश्वत स्मार्ट शेती. 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. द्वारे संगणित उच्च रिझोल्यूशन डिजिटल पृष्ठभाग मॉडेल्सच्या अचूकतेचे मूल्यांकन
उप-इष्टतम सर्वेक्षण परिस्थितीत PhotoScan® आणि MicMac®. रिमोट सेन्सिंग 8 (6), https://doi.org/10.3390/rs8060465.
जिमेनेझ-ब्रेनेस, एफएम, लोपेझ-ग्रॅनाडोस, ´ एफ., कॅस्ट्रो, एआय, टोरेस-सँचेझ, जे., सेरानो, एन., पेना, ˜ जेएम, 2017. ऑलिव्ह ट्री आर्किटेक्चर आणि वार्षिक छाटणीच्या प्रभावांचे प्रमाण UAV-आधारित 3D मॉडेलिंग वापरून छत वाढ. वनस्पती पद्धती 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
जिन, एक्स., लियू, एस., बेरेट, एफ., हेमरले, एम., कोमर, ए., 2017. अत्यंत कमी उंचीच्या UAV प्रतिमांमधून उद्भवलेल्या गहू पिकांच्या वनस्पती घनतेचा अंदाज. रिमोट सेन्स.
पर्यावरण. 198, 105-114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-chi, F., Lam, A., 2019. क्लाउड संगणनाद्वारे समर्थित कृषी उत्पादन निरीक्षण प्रणाली. क्लस्टर संगणक. २२ (४), ८९२९–८९३८.
Ju, C., & Son, HI 2018a. कृषी क्षेत्रातील रिमोट सेन्सिंगसाठी एकाधिक UAV प्रणालींचे कार्यप्रदर्शन मूल्यमापन. IEEE इंटरनॅशनल कॉन्फरन्स ऑन रोबोटिक्स अँड ऑटोमेशन (ICRA), ब्रिस्बेन, ऑस्ट्रेलिया, 21-26 येथे रोबोटिक व्हिजन आणि ॲक्शन इन ॲग्रिकल्चरवरील कार्यशाळेची कार्यवाही.
Ju, C., Son, HI, 2018b. कृषी अनुप्रयोगांसाठी एकाधिक UAV प्रणाली: नियंत्रण, अंमलबजावणी आणि मूल्यमापन. इलेक्ट्रॉनिक्स 7 (9), 162. https://doi.org/10.3390/
इलेक्ट्रॉनिक्स7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. सुधारण्यासाठी साधने म्हणून रिमोट सेन्सिंग आणि कृत्रिम बुद्धिमत्तेची क्षमता
कृषी उत्पादन प्रणालीची लवचिकता. कर्र. मत. बायोटेक्नॉल. 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. टरबूजमधील चिकट स्टेम ब्लाइटसाठी पारंपारिक स्काउटिंग सरावामध्ये मानवरहित हवाई वाहन-सहाय्यक मल्टीस्पेक्ट्रल क्रॉप इमेजिंगचा समावेश करणारे सुधारित क्रॉप स्काउटिंग तंत्र. वनस्पती जि. 103 (7), 1642-1650.
कपूर, केके, तमिलमणी, के., राणा, एनपी, पाटील, पी., द्विवेदी, वायके, नेरूर, एस., 2018. सोशल मीडिया संशोधनातील प्रगती: भूतकाळ, वर्तमान आणि भविष्य. माहिती द्या. सिस्ट. समोर. 20
(3), 531-558
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: मल्टीस्पेक्ट्रल प्रतिमा आणि खोली नकाशावर आधारित द्राक्षांचा वेल रोग शोध नेटवर्क. रिमोट सेन्सिंग 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. व्हाइनयार्डसाठी उपग्रह आणि UAV-आधारित मल्टीस्पेक्ट्रल इमेजरीची तुलना
परिवर्तनशीलता मूल्यांकन. रिमोट सेन्सिंग 11 (4). https://doi.org/10.3390/rs11040436.
खान, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain ने प्रगत सखोल शिक्षण वापरून खाद्य उद्योग 4.0 साठी ऑप्टिमाइझ प्रोव्हेन्स सिस्टम सक्षम केले. सेन्सर्स 20 (10), 2990.
खान, आरयू, खान, के., अल्बत्ताह, डब्ल्यू., कमर, एएम, उल्लाह, एफ., 2021. वनस्पती रोगांचे प्रतिमा-आधारित शोध: शास्त्रीय मशीन शिक्षणापासून सखोल शिक्षण प्रवासापर्यंत. वायरलेस कम्युन. मोबाइल संगणक. 2021, 1-13.
खान, एस., तुफैल, एम., खान, एमटी, खान, झेडए, इक्बाल, जे., आलम, एम., ले, केएनक्यू, 2021. UAV आधारित पीक/तण वर्गीकरणासाठी एक नवीन अर्ध-पर्यवेक्षित फ्रेमवर्क. PLOS ONE 16 (5), e0251008.
खनाल, एस., फुल्टन, जे., शियरर, एस., 2017. अचूक शेतीमध्ये थर्मल रिमोट सेन्सिंगच्या वर्तमान आणि संभाव्य अनुप्रयोगांचे विहंगावलोकन. संगणक. इलेक्ट्रॉन.
कृषी. १३९, २२–३२. https://doi.org/139/j.compag.22.
खन्ना, ए., कौर, एस., 2019. इव्होल्यूशन ऑफ इंटरनेट ऑफ थिंग्ज (IoT) आणि प्रिसिजन ॲग्रीकल्चरच्या क्षेत्रात त्याचा महत्त्वपूर्ण प्रभाव. संगणक. इलेक्ट्रॉन. कृषी. १५७, २१८–२३१.
किम, डब्ल्यू., खान, जीएफ, वुड, जे., महमूद, एमटी, 2016. शाश्वत संस्थांसाठी कर्मचारी प्रतिबद्धता: सोशल नेटवर्क विश्लेषण आणि बर्स्ट वापरून कीवर्ड विश्लेषण
शोधण्याचा दृष्टीकोन. स्थिरता 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. एकत्रीकरण स्थलीय आणि ड्रोन-जनित
एक्सप्लोरेशन मॅपिंग आणि खाण निरीक्षणासाठी हायपरस्पेक्ट्रल आणि फोटोग्रामेट्रिक सेन्सिंग पद्धती. रिमोट सेन्सिंग 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. सखोल शिक्षण आणि UAV प्रतिमा वापरून कॉर्न प्लांट मोजणी. IEEE Geosci. रिमोट सेन्स. Lett. १–५ https://doi.org/1/LGRS.5.
Koh, JCO, Spangenberg, G., Kant, S., 2021. हायथ्रूपुट इमेज-आधारित प्लांट फिनोटाइपिंगसाठी ऑटोमेटेड मशीन लर्निंग. रिमोट सेन्सिंग 13 (5), 858. https://
doi.org/10.3390/rs13050858.
कोवालेव, IV, व्होरोशिलोवा, एए, 2020. कार्गो UAVs च्या इकोसिस्टमच्या विकासातील आधुनिक तांत्रिक ट्रेंड. जे. फिज. कॉन्फ. सेर. १५१५ (५), ०५२०६८ https://doi. org/1515/5-052068/10.1088/1742/6596.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. मोनोक्युलर कॅमेरासह लहान ड्रोन वापरून घरातील पशुधन आणि शेतीसाठी व्हिज्युअल SLAM: एक व्यवहार्यता अभ्यास.
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. कृषी ऑटोमेशनसाठी ड्रोनचे सर्वेक्षण लागवडीपासून ते
कापणी. मध्ये: INES 2018 – IEEE 22 वी इंटरनॅशनल कॉन्फरन्स ऑन इंटेलिजेंट इंजिनीअरिंग सिस्टम, pp. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT फ्रेमवर्क दृश्ये आणि आव्हाने: "गोष्टी" म्हणून ड्रोनचे संरक्षण करण्याच्या दिशेने. सेन्सर्स 18 (11), 4015. https://doi.org/10.3390/s18114015.
लालिबर्टे, एएस, रंगो, ए., 2011. रखरखीत मानवरहित विमानाने प्राप्त केलेल्या उप-डेसिमीटर प्रतिमांच्या विश्लेषणासाठी प्रतिमा प्रक्रिया आणि वर्गीकरण प्रक्रिया
rangelands GISci. रिमोट सेन्स. 48 (1), 4-23. https://doi.org/10.2747/1548-1603.48.1.4.
लालिबर्टे, एएस, रंगो, ए., हेरिक, जेई, 2007. रेंजलँड मॅपिंग आणि मॉनिटरिंगसाठी मानवरहित हवाई वाहने: दोन प्रणालींची तुलना. ASPRS वार्षिक परिषद कार्यवाही.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. मूळ गवताळ प्रदेशात तण मॅपिंगसाठी एक मुक्त स्रोत कार्यप्रवाह
मानवरहित हवाई वाहन वापरणे: केस स्टडी म्हणून रुमेक्स ऑब्टुसिफॉलियस वापरणे. 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 घेणे, नफा, आणि अचूक शेती डेटाचा अधिक चांगला वापर करणे.
कार्यरत कागद. पर्ड्यू विद्यापीठ. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb'e, S., Baret, F., 2008. लहान प्लॉट्समधील गहू पिकाच्या परिमाणात्मक निरीक्षणासाठी मानवरहित हवाई वाहनांच्या प्रतिमांचे मूल्यांकन. सेन्सर्स 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. बिग डेटा आणि इंटरनेट ऑफ थिंग्जवर आधारित स्मार्ट शेतीची रचना. इंट. जे. वितरण. संवेदना. नेटवर्क. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. उच्च-रिझोल्यूशन स्टीरिओ प्रतिमा वापरून मक्याच्या छत उंची आणि वरील जमिनीवरील बायोमासचा दूरस्थ अंदाज कमी किमतीची मानवरहित हवाई वाहन प्रणाली. इकोल. इंड. ६७, ६३७–६४८. https://doi.org/67/j.ecolind.637.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. शेतीमध्ये मशीन लर्निंग: एक पुनरावलोकन. सेन्सर्स 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. मोबाइल मल्टी-सेन्सर दृष्टिकोनासह मक्याच्या वैशिष्ट्यांचे दूरस्थ, हवाई फेनोटाइपिंग. वनस्पती पद्धती 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
लिन, झेड., गुओ, डब्ल्यू., 2020. मानवरहित हवाई प्रणाली प्रतिमा आणि सखोल शिक्षण वापरून ज्वारीचे पॅनिकल शोधणे आणि मोजणे. समोर. वनस्पती विज्ञान. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. क्लाउड संगणनावर आधारित आधुनिक इको-ॲग्रिकल्चरची इंटरनेट ऑफ थिंग्ज मॉनिटरिंग सिस्टम. IEEE ऍक्सेस 7, 37050–37058.
Lopez-Granados, ´ F., 2011. साइट-विशिष्ट तण व्यवस्थापनासाठी तण शोधणे: मॅपिंग आणि रिअल-टाइम दृष्टिकोन. तण रा. ५१ (१), १–११. https://doi.org/51/j.1-1.x
लोपेझ-ग्रॅनाडोस, ´ एफ., टोरेस-सँचेझ, ´ जे., डी कॅस्ट्रो, ए.-आय., सेरानो-पेरेझ, ए., मेसासकारास्कोसा, एफ.-जे., पेना, ˜ जे.-एम. , 2016. उच्च रिझोल्यूशन UAV प्रतिमा वापरून गवत पिकातील गवत तणाचे ऑब्जेक्ट-आधारित प्रारंभिक निरीक्षण. ऍग्रोन. टिकवणे. देव. ३६ (४), १–१२
लोपेझ-ग्रॅनाडोस, ´एफ., टोरेस-से’ अँचेझ, जे., सेरानो-पेरेझ, ए., डी कॅस्ट्रो, एआय, मेसासकारास्कोसा, एफ.-जे., पेना, ˜ जे.-एम., 2016. यूएव्ही तंत्रज्ञानाचा वापर करून सूर्यफुलामध्ये सुरुवातीच्या हंगामातील तण मॅपिंग: तण उंबरठ्यावर तणनाशक उपचार नकाशांची परिवर्तनशीलता. तंतोतंत. कृषी. १७ (२), १८३–१९९.
लुसियर, ए., मालेनोव्स्की, झेड., वेनेस, टी., वॉलेस, एल., 2014. हायपरयूएएस – मल्टीरोटर मानवरहित विमान प्रणालीपासून इमेजिंग स्पेक्ट्रोस्कोपी. जे. फील्ड रॉब. ३१ (४),
५७१-५९०. https://doi.org/571/rob.590.
Lumme, J., Karjalainen, M., Kartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. टेरेस्ट्रियल लेसर स्कॅनिंग कृषी पिके. जेजे मध्ये
चेन जे. मास एच-जी. (सं.), इंटरनॅशनल आर्काइव्हज ऑफ द फोटोग्रामेट्री, रिमोट सेन्सिंग अँड स्पेशियल इन्फॉर्मेशन सायन्सेस—आयएसपीआरएस आर्काइव्हज (वॉल्यूम 37, पीपी. 563–566).
इंटरनॅशनल सोसायटी फॉर फोटोग्रामेट्री अँड रिमोट सेन्सिंग. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. पर्यवेक्षित ऑब्जेक्ट आधारित जमीन-कव्हर प्रतिमा वर्गीकरणाचे पुनरावलोकन. ISPRS J. फोटोग्राम. रिमोट सेन्स. 130,
२७७-२९३. https://doi.org/277/j.isprsjprs.293.
Maes, WH, Steppe, K., 2019. अचूक शेतीमध्ये मानवरहित हवाई वाहनांसह रिमोट सेन्सिंगसाठी दृष्टीकोन. ट्रेंड्स प्लांट सायन्स. २४ (२), १५२–१६४. https://doi.org/24/j.tplants.2.
मैमैतीजियांग, एम., गुलाम, ए., सिडीके, पी., हार्टलिंग, एस., मैमैतीइमिंग, एम., पीटरसन, के., शेवर्स, ई., फिशमन, जे., पीटरसन, जे., कदम, एस., बर्केन, जे., फ्रिस्ची, एफ., 2017.
बहु-सेन्सर डेटा फ्यूजन आणि एक्स्ट्रीम लर्निंग मशीन वापरून मानवरहित हवाई प्रणाली (UAS) - आधारित सोयाबीनचे फेनोटाइपिंग. ISPRS J. 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.
सॅटेलाइट/यूएव्ही डेटा फ्यूजन आणि मशीन लर्निंग वापरून क्रॉप मॉनिटरिंग. रिमोट सेन्सिंग 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G. ., Müllerova, ´ J., Tauro, F., de Lima, M., de
लिमा, जे., माल्टीज, ए., फ्रान्सिस, एफ., केलर, के., कोह्व, एम., पर्क्स, एम., रुइझ-पेरेझ, जी., सु, झेड., विको, जी., टॉथ , बी., 2018. साठी मानवरहित हवाई प्रणालीच्या वापरावर
पर्यावरण निरीक्षण. रिमोट सेन्सिंग 10 (4), 641.
मारिंको, आरए, 1998. प्रबंध, 1989 आणि द सिरियल्स लायब्ररीयन 35 (1-2), 29-44 मध्ये महिला अभ्यास जर्नल्सचे संदर्भ. https://doi.org/10.1300/J123v35n01_
03.
मसरूर, आर., नईम, एम., एजाज, डब्ल्यू., 2021. यूएव्ही-सहाय्यित वायरलेस नेटवर्क्समध्ये संसाधन व्यवस्थापन: एक ऑप्टिमायझेशन दृष्टीकोन. तदर्थ नेटवर्क. १२१, १०२५९६ https://doi.org/121/j.adhoc.102596.
Matese, A., Di Gennaro, SF, 2018. मल्टीस्पेक्ट्रल, थर्मल आणि RGB उच्च रिझोल्यूशन प्रतिमांवर आधारित मल्टीसेन्सर UAV प्लॅटफॉर्मचे व्यावहारिक अनुप्रयोग
विटीकल्चर कृषी 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. पारंपारिक NDVI निर्देशांकाच्या पलीकडे एक प्रमुख घटक म्हणून UAV चा वापर अचूक व्हिटिकल्चरमध्ये मुख्य प्रवाहात आणण्यासाठी. विज्ञान प्रतिनिधी 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 यूएव्ही, विमानांची परस्पर तुलना
आणि अचूक व्हिटिकल्चरसाठी उपग्रह रिमोट सेन्सिंग प्लॅटफॉर्म. रिमोट सेन्सिंग 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. अचूकतेसाठी उपग्रह-चालित वनस्पती निर्देशांकाचे UAV आणि मशीन लर्निंग आधारित शुद्धीकरण
शेती सेन्सर्स 20 (9), 2530. https://doi.org/10.3390/s20092530.
मॅककेन, केडब्ल्यू, 1990. बौद्धिक जागेत मॅपिंग लेखक: एक तांत्रिक विहंगावलोकन. जे. ए.एम. समाज माहिती. विज्ञान ४१ (६), ४३३–४४३.
Meinen, BU, Robinson, DT, 2021. कृषी क्षरण मॉडेलिंग: UAV वेळ-मालिका डेटा वापरून USLE आणि WEPP फील्ड-स्केल इरोशन अंदाजांचे मूल्यांकन करणे. पर्यावरण. मॉडेल. सॉफ्टवेअर 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
मेलविले, बी., लुसियर, ए., आर्यल, जे., 2019. हायपरस्पेक्ट्रल मानवरहित विमान प्रणाली (UAS) इमेजरी वापरून सखल प्रदेशातील स्थानिक गवताळ प्रदेशांचे वर्गीकरण
तस्मानियन मिडलँड्स. ड्रोन ३ (१), ५.
मेसिना, जी., मोडिका, जी., 2020. अचूक शेतीमध्ये UAV थर्मल इमेजरीचे अनुप्रयोग: अत्याधुनिक आणि भविष्यातील संशोधन दृष्टीकोन. रिमोट सेन्सिंग १२ (९), https://doi.org/12/rs9.
मिश्रा, डी., लुओ, झेड., जियांग, एस., पापाडोपौलोस, टी., दुबे, आर., 2017. बिग डेटा: संकल्पना, ट्रेंड आणि आव्हाने यावर एक ग्रंथसूची अभ्यास. व्यवसाय प्रक्रिया व्यवस्थापक. जे. २३ (३),
555-573
Mochida, K., Saisho, D., Hirayama, T., 2015. फील्ड परिस्थितीत प्राप्त केलेल्या जीवन चक्र डेटासेटचा वापर करून पीक सुधारणा. समोर. वनस्पती विज्ञान. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., दीपक, BBVL, 2018. अचूक शेतीमध्ये ड्रोन प्रणालीच्या वापरावर पुनरावलोकन. Procedia Comput. विज्ञान १३३, ५०२–५०९.
मोहराणा, एस., दत्ता, एस., 2016. हायपरस्पेक्ट्रल इमेजरीमधून भातामधील क्लोरोफिल आणि नायट्रोजन सामग्रीची अवकाशीय परिवर्तनशीलता. ISPRS J. फोटोग्राम. रिमोट सेन्स. 122, 17-29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
निल्लार, पी., 2019. स्मार्ट फार्मसाठी IoT आणि कृषी डेटा विश्लेषण. संगणक. इलेक्ट्रॉन. कृषी. १५६, ४६७–४७४.
नॅनसेन, सी., इलियट, एन., 2016. कीटकशास्त्रात रिमोट सेन्सिंग आणि रिफ्लेक्शन प्रोफाइलिंग. अन्नू. रेव्ह. एन्टोमोल. ६१ (१), १३९–१५८. https://doi.org/61/annurev-ento1-139.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. शेतीतील मल्टीस्पेक्ट्रल मॅपिंग: स्वायत्त क्वाडकोप्टर UAV वापरून भूप्रदेश मोज़ेक. इंट. कॉन्फ.
मानवरहित विमान प्रणाली. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
नय्यर, ए., गुयेन, बी.-एल., गुयेन, एनजी, 2020. ड्रोन गोष्टींचे इंटरनेट (आयओडीटी): स्मार्ट ड्रोनची भविष्यातील कल्पना. ॲड. इंटेल. सिस्ट. संगणक. १०४५, ५६३–५८०. https://doi.org/1045/563-580-10.1007-978-981_15.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. मायक्रो UAV साठी एक हलका-वजन मल्टीस्पेक्ट्रल सेन्सर—अतिशय उच्च रिझोल्यूशन एअरबोर्न रिमोट सेन्सिंगसाठी संधी. इंट. कमान. फोटोग्राम. रिमोट सेन्स. थुंकणे. इन्फ. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. कृषी क्षेत्रातील उदयोन्मुख UAV अनुप्रयोग. मध्ये: 2019 7वी आंतरराष्ट्रीय परिषद रोबोट इंटेलिजेंस टेक्नॉलॉजी आणि
ऍप्लिकेशन्स (RiTA), pp. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
नेरुर, एसपी, रशीद, एए, नटराजन, व्ही., 2008. धोरणात्मक व्यवस्थापन क्षेत्राची बौद्धिक रचना: लेखक सह-उद्धरण विश्लेषण. रणनीती. मॅनेज. जे. २९ (३),
319-336
Neupane, K., Baysal-Gurel, F., 2021. मानवरहित हवाई वाहनांचा वापर करून वनस्पती रोगांची स्वयंचलित ओळख आणि निरीक्षण: एक पुनरावलोकन. रिमोट सेन्सिंग 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. 3D मॅपिंग ऍप्लिकेशन्ससाठी UAV: एक पुनरावलोकन. ऍपल. जिओमॅटिक्स ६ (१), १–१५. https://doi.org/6/s1-1-15-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. अचूक शेतीमध्ये लहान UAV सह बाष्पीभवन अंदाज. सेन्सर्स 20 (22), 6427. https://
doi.org/10.3390/s20226427.
ओसरेह, एफ., 1996. बिब्लियोमेट्रिक्स, उद्धरण विश्लेषण आणि सह-उद्धरण विश्लेषण. साहित्याचा आढावा 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, सेन्सर्स, आणि कृषी वनीकरणामध्ये डेटा प्रोसेसिंग: व्यावहारिक अनुप्रयोगांसाठी पुनरावलोकन. इंट. जे. रिमोट सेन्स. 38 (8-10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
पांडे, US, Pratihast, AK, Aryal, J., कायस्थ, RB, 2020. तृणधान्य पिकांसाठी ड्रोन-आधारित डेटा सोल्यूशन्सचा आढावा. ड्रोन ४ (३), १–२९. https://doi.org/4/
drones4030041.
पारसियन, एम., शहाबी, एम., हसनपौर, एच., 2020. इमेज प्रोसेसिंग आणि कृत्रिम न्यूरल नेटवर्क वापरून तिळातील तेल आणि प्रथिने सामग्रीचा अंदाज लावणे. जे. ए.एम. तेल
केमिस्ट सोसायटी ९७ (७), ६९१–७०२.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, केली, M., Lopez-Granados, ´ F., Suarez, O., ऑब्जेक्ट-आधारित विश्लेषण वापरून सुरुवातीच्या हंगामातील मक्याच्या शेतात तण मॅपिंग च्या
मानवरहित हवाई वाहन (UAV) प्रतिमा. PLOS ONE 8 (10), e77151.
पेरेझ-ऑर्टीझ, एम., पेना, ˜ जेएम, गुटीएरेझ, पीए, टोरेस-स' अँचेझ, जे., हर्व्ह' अस-मार्टिनेझ, सी.,
लोपेझ-ग्रॅनॅडोस, ´ एफ., 2015. सूर्यफूल पिकांमध्ये मानवरहित हवाई वाहने आणि पीक पंक्ती शोधण्याची पद्धत वापरून तण मॅपिंगसाठी अर्ध-पर्यवेक्षित प्रणाली. ऍपल. सॉफ्ट कॉम्प्युट. जे. ३७, ५३३–५४४. https://doi.org/37/j.asoc.533.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. अचूक शेतीतील ब्लॉकचेन-आधारित जल व्यवस्थापन प्रणालीसाठी विश्वसनीय डेटा स्रोत म्हणून किफायतशीर IoT उपकरणे. संगणक. इलेक्ट्रॉन. कृषी. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. अचूक शेतीमध्ये बुद्धिमान निरीक्षणासाठी प्रगत UAV–WSN प्रणाली. सेन्सर्स 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. पुरवठा साखळी, वाहतूक आणि लॉजिस्टिक्समध्ये ब्लॉकचेन ऍप्लिकेशन्स: साहित्याचा एक पद्धतशीर आढावा. इंट. जे. प्रोड. रा. ५८ (७), २०६३–२०८१.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. अचूक शेतीसाठी एक लवचिक मानवरहित हवाई वाहन.
तंतोतंत. कृषी. १३ (४), ५१७–५२३. https://doi.org/13/s4-517-523-10.1007.
प्रिचार्ड, ए., 1969. सांख्यिकी संदर्भग्रंथ किंवा ग्रंथसूची. J. दस्तऐवज. २५ (४), ३४८–३४९.
पुडेल्को, आर., स्टुझिन्स्की, टी., बोर्झेका-वॉकर, एम., 2012. प्रायोगिक फील्ड आणि पिकांच्या मूल्यांकनासाठी मानवरहित हवाई वाहन (यूएव्ही) ची उपयुक्तता. कृषी ९९ (४), ४३१–४३६.
पुरी, व्ही., नय्यर, ए., राजा, एल., 2017. कृषी ड्रोन: अचूक शेतीतील आधुनिक प्रगती. जे. स्टॅटिस. मॅनेज. सिस्ट. २० (४), ५०७–५१८.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. अचूक शेतीसाठी UAV अनुप्रयोगांचे संकलन. संगणक. नेटव. १७२,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
रमेश, केव्ही, राकेश, व्ही., प्रकाश राव, ईव्हीएस, 2020. कृषी संशोधनात बिग डेटा ॲनालिटिक्स आणि आर्टिफिशियल इंटेलिजन्सचा वापर. भारतीय जे. ऍग्रॉन. ६५ (४), ३८३–३९५.
Raparelli, E., Bajocco, S., 2019. कृषी आणि वनशास्त्र अभ्यासामध्ये मानवरहित हवाई वाहनांच्या वापरावर एक द्विमितीय विश्लेषण. इंट. जे. रिमोट सेन्स. 40 (24),
9070-9083. https://doi.org/10.1080/01431161.2019.1569793.
रासमुसेन, जे., निल्सन, जे., गार्सिया-रुइझ, एफ., क्रिस्टेनसेन, एस., स्ट्रेबिग, जेसी, लोट्झ, बी., 2013.
तण संशोधनामध्ये लहान मानवरहित विमान प्रणाली (UAS) चा संभाव्य वापर. तण रा. ५३ (४), २४२–२४८.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., वर बसवलेल्या ग्राहक-श्रेणीच्या कॅमेऱ्यांमधून प्राप्त झालेले वनस्पती निर्देशांक आहेत
प्रायोगिक भूखंडांचे मूल्यांकन करण्यासाठी UAV पुरेसे विश्वसनीय आहेत? युरो. जे. ऍग्रॉन. ७४, ७५–९२. https://doi.org/74/j.eja.75.
रेजेब, ए., रेजेब, के., अब्दोल्लाही, ए., झैलानी, एस., इराणमनेश, एम., घोबाखलू, एम., 2022. अन्न पुरवठा साखळीतील डिजिटलायझेशन: एक बिब्लियोमेट्रिक पुनरावलोकन आणि मुख्य मार्ग मुख्य मार्ग
विश्लेषण टिकाव 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treibmaier, H., 2021a. पुरवठा साखळी व्यवस्थापन आणि लॉजिस्टिक्ससाठी ड्रोन: एक पुनरावलोकन आणि संशोधन अजेंडा. इंट. जे. लॉजिस्ट. रा. ऍपल.
1-24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treibmaier, H., 2021b. लॉजिस्टिक्स आणि सप्लाय चेन मॅनेजमेंटमधील ब्लॉकचेन तंत्रज्ञान: एक बिब्लियोमेट्रिक पुनरावलोकन. लॉजिस्टिक ५ (४), ७२.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treibmaier, H., 2021c. मानवतावादी ड्रोन: एक पुनरावलोकन आणि संशोधन अजेंडा. इंटरनेट ऑफ थिंग्ज 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treibmaier, H., Rejeb, K., Zailani, S., 2021d. हेल्थकेअर मधील ब्लॉकचेन संशोधन: एक बिब्लियोमेट्रिक पुनरावलोकन आणि वर्तमान संशोधन ट्रेंड. डेटाचे जे., इन्फ. आणि
मॅनेज. ३ (२), १०९–१२४.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. इंटरनेट ऑफ थिंग्स रिसर्च इन सप्लाय चेन मॅनेजमेंट अँड लॉजिस्टिक्स: अ बिब्लियोमेट्रिक विश्लेषण. इंटरनेट
12, 100318 च्या गोष्टी.
रिपोर्टलिंकर, 2021. ग्लोबल ॲग्रीकल्चर ड्रोन मार्केट इयर ग्लोबन्यूजवायर न्यूज रूमपर्यंत US$15.2 बिलियनपर्यंत पोहोचेल. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- वर्ष-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. थंड न केलेला थर्मल कॅमेरा कॅलिब्रेशन आणि ऑप्टिमायझेशन
कृषी क्षेत्रातील UAV अनुप्रयोगांसाठी फोटोग्रामेट्री प्रक्रिया. सेन्सर्स (स्वित्झर्लंड) 17 (10). https://doi.org/10.3390/s17102173.
रिवेरा, एमए, पिझम, ए., 2015. आदरातिथ्य संशोधनातील प्रगती: “रॉडनी डेंजरफील्ड ते अरेथा फ्रँकलिन पर्यंत”. इंट. जे. समकालीन. हॉस्पिटल. मॅनेज. 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 ग्रीनहाऊसमध्ये पर्यावरणीय चल मोजण्यासाठी. सेन्सर्स 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
रोझेनबर्ग, जी., केंट, आर., ब्लँक, एल., 2021. व्यावसायिक कांद्याच्या शेतात उशीरा-हंगाम तण स्थानिक वितरण पद्धती शोधण्यासाठी आणि विश्लेषित करण्यासाठी ग्राहक-श्रेणीचा UAV वापरला जातो. तंतोतंत. कृषी. 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 व्हेईकल (UAV) वन आणि कृषी अनुप्रयोगांसाठी संचालित स्पेक्ट्रल कॅमेरा प्रणाली. पुढे जा. SPIE - इंट. समाज निवड करा. इंजि. ८१७४ https://doi.org/8174/10.1117.
साह, बी., गुप्ता, आर., बानी-हानी, डी., 2021. ड्रोन लॉजिस्टिक लागू करण्यासाठी अडथळ्यांचे विश्लेषण. इंट. जे. लॉजिस्ट. रा. ऍपल. २४ (६), ५३१–५५०. https://doi.org/24/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., चट्टोपाध्याय, SP, & Saha, HN, IOT-आधारित ड्रोन कृषी क्षेत्रात पीक गुणवत्ता सुधारण्यासाठी. एसएच मध्ये
एन. चक्रवर्ती एस. (सं.), 2018 IEEE 8वी वार्षिक संगणन आणि संप्रेषण कार्यशाळा आणि परिषद, CCWC 2018 (खंड 2018-जानेवारी, pp. 612–615). संस्था
इलेक्ट्रिकल आणि इलेक्ट्रॉनिक्स इंजिनियर्स इंक. doi: 10.1109/CCWC.2018.8301662.
साई विनीथ, केव्ही, वारा प्रसाद, वायआर, दुबे, एसआर, वेंकटरामन, एच., 2019. LEDCOM: अचूक शेतीसाठी एक कादंबरी आणि कार्यक्षम LED आधारित संप्रेषण. IEEE Conf. माहिती. कम्युन. तंत्रज्ञान. 2019, 1-5. https://doi.org/10.1109/CICT48419.2019.9066177.
सलामी, E., Barrado, C., Pastor, E., 2014. UAV उड्डाण प्रयोग वनस्पति क्षेत्राच्या रिमोट सेन्सिंगवर लागू केले गेले. रिमोट सेन्सिंग 6 (11), 11051–11081. https://doi.org/10.3390/rs61111051.
शंकरन, S., खोत, LR, Espinoza, CZ, Jarolmasjed, S., Sathuvalli, VR, Vandemark, GJ, Miklas, PN, Carter, AH, Pumphrey, MO, Knowles, NRN, Pavek, MJ, 2015.
पंक्ती आणि फील्ड क्रॉप फेनोटाइपिंगसाठी कमी-उंची, उच्च-रिझोल्यूशन एरियल इमेजिंग सिस्टम: एक पुनरावलोकन. युरो. जे. ऍग्रॉन. 70, 112-123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. अंदाज लावण्यासाठी उच्च-रिझोल्यूशन UAV-आधारित थर्मल इमेजिंग
द्राक्ष बागेत वनस्पतींच्या पाण्याच्या स्थितीची तात्काळ आणि हंगामी परिवर्तनशीलता. कृषी. पाणी व्यवस्थापक. १८३, ४९-५९. https://doi.org/183/j.agwat.49.
सारली, सीसी, डबिन्स्की, ईके, होम्स, केएल, 2010. उद्धरण विश्लेषणाच्या पलीकडे: संशोधन प्रभावाचे मूल्यांकन करण्यासाठी एक मॉडेल. जे. मेड. लायब्ररी असो. : 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 संबंधित इमेजिंग स्पेक्ट्रोस्कोपी—एक मूल्यांकन. रिमोट सेन्स. पर्यावरण. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. कमी किमतीच्या UAV सह हिवाळी गहू पिकांच्या कृषीविषयक मापदंडांचे निरीक्षण करणे
प्रतिमा रिमोट सेन्सिंग 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. वरील अचूक एरोबायोलॉजिकल सॅम्पलिंगसाठी स्वायत्त मानवरहित हवाई वाहनाचा विकास आणि वापर
कृषी क्षेत्रे. जे. फील्ड रॉब. २५ (३), १३३–१४७. https://doi.org/25/rob.3.
शाड्रिन, डी., मेन्श्चिकोव्ह, ए., सोमोव्ह, ए., बोर्नेमन, जी., हॉसलेज, जे., फेडोरोव, एम.,
कृत्रिम बुद्धिमत्तेसह एम्बेडेड सेन्सिंगद्वारे अचूक शेती सक्षम करणे. IEEE ट्रान्स. वाद्य. मीस. ६९ (७), ४१०३–४११३.
शखात्रेह, एच., सावलमेह, एएच, अल-फुकाहा, ए., डौ, झेड., अल्मैता, ई., खलील, आय.,
Othman, NS, Khreishah, A., Guizani, M., 2019. मानवरहित हवाई वाहने (UAVs): नागरी अनुप्रयोग आणि प्रमुख संशोधन आव्हानांवर सर्वेक्षण. IEEE प्रवेश 7,
४८५७२–४८६३४. https://doi.org/48572/ACCESS.48634.
शकूर, एन., नॉर्थरुप, डी., मरे, एस., मोकलर, टीसी, 2019. बिग डेटा चालित शेती: वनस्पती प्रजनन, जीनोमिक्स आणि रिमोट सेन्सिंगचा वापर मध्ये मोठा डेटा विश्लेषण
पीक उत्पादकता वाढवण्यासाठी तंत्रज्ञान. प्लांट फेनोम J. 2 (1), 1-8.
शर्मा, बीके, चंद्रा, जी., मिश्रा, व्हीपी, 2019. फॉरेन्सिक तपासणीमध्ये यूएव्ही आणि एआयचे तुलनात्मक विश्लेषण आणि परिणाम. मध्ये: प्रोसिडिंग्ज - 2019 एमिटी इंटरनॅशनल
आर्टिफिशियल इंटेलिजन्स वर परिषद. https://doi.org/10.1109/AICAI.2019.8701407.
शर्मा, आर., शिशोदिया, ए., गुणसेकरन, ए., मिन, एच., मुनीम, झेडएच, 2022. पुरवठा शृंखला व्यवस्थापनात कृत्रिम बुद्धिमत्तेची भूमिका: प्रदेश मॅपिंग. इंट. जे.
उत्पादन रा. १-२४. https://doi.org/1/24.
शि, वाय., थॉमसन, जेए, मरे, एससी, पग, एनए, रुनी, डब्ल्यूएल, शफियान, एस., राजन, एन., रुझ, जी., मॉर्गन, सीएलएस, नीली, एचएल, राणा, ए., बागवाथियानन , MV,
हेन्रिकसन, जे., बाउडेन, ई., वालासेक, जे., ओल्सेनहोलर, जे., बिशप, एमपी, शेरीडन, आर., पुटमन, ईबी, पोपेस्कू, एस., बर्क्स, टी., कोप, डी., इब्राहिम A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. उच्च-थ्रूपुट फेनोटाइपिंग आणि कृषी संशोधनासाठी मानवरहित हवाई वाहने. प्लॉस वन
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. मानवरहित एरियल वापरून उत्पन्न-स्थिरता झोनमध्ये मक्याची भिन्नता कॅप्चर करणे
वाहने (UAV). सेन्सर्स 19 (20), 4446. https://doi.org/10.3390/s19204446.
स्मॉल, एच., 1973. वैज्ञानिक साहित्यातील सह-उद्धरण: दोन दस्तऐवजांमधील संबंधांचे नवीन माप. जे. ए.एम. समाज माहिती. विज्ञान २४ (४), २६५–२६९.
Small, H., Rorvig, ME, Lunin, LF, 1999. उद्धरण मॅपिंगद्वारे विज्ञानाचे व्हिज्युअलायझिंग. जे. ए.एम. समाज माहिती. विज्ञान ५० (९), ७९९–८१३.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. मोठ्या चराचर भागात भौगोलिक स्थान असलेल्या हवाई प्रतिमांसह जंगलात मोजणी करणारे गुरे. संगणक. इलेक्ट्रॉन. कृषी. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
श्रीवास्तव, के., पांडे, पीसी, शर्मा, जेके, 2020. यूएव्ही वापरून अचूक शेतीच्या अनुप्रयोगांमध्ये मार्ग ऑप्टिमायझेशनसाठी एक दृष्टीकोन. ड्रोन ४ (३), ५८. https://doi.org/ 4/drones3.
स्टॅफोर्ड, जेव्ही, 2000. 21 व्या शतकात अचूक शेतीची अंमलबजावणी करणे. जे. ॲग्रिक. इंजि. रा. ७६ (३), २६७–२७५.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. मानवरहित हवाई वाहन वापरून रिमोट सेन्सिंग इमेजरीद्वारे गव्हाच्या दुष्काळाचे मूल्यांकन. 2018 मध्ये 37 वी चीनी नियंत्रण परिषद (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. मल्टीस्पेक्ट्रल यूएव्ही एरियल इमेजरीतून शिकून गव्हाच्या पिवळ्या गंजाचे निरीक्षण.
संगणक. इलेक्ट्रॉन. कृषी. १५५, १५७–१६६. https://doi.org/155/j. compag.157.
Su, Y., Wang, X., 2021. बिग डेटाद्वारे स्मार्ट शेती तयार करण्याच्या प्रक्रियेत कृषी आर्थिक व्यवस्थापनाचा नवोपक्रम. शाश्वत संगणक. इन्फ. सिस्ट. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
सुलिवन, डीजी, फुल्टन, जेपी, शॉ, जेएन, ब्लँड, जीएल, 2007. कापूस छतातील पाण्याचा ताण शोधण्यासाठी मानवरहित थर्मल इन्फ्रारेड एरियल सिस्टमच्या संवेदनशीलतेचे मूल्यांकन करणे. ट्रान्स. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. मानवरहित हवाई वाहनाचा वापर करून उसाच्या उत्पन्नाच्या अंदाजासाठी RGB-आधारित वनस्पती निर्देशांक, पीक पृष्ठभागाचे मॉडेल आणि ऑब्जेक्ट-आधारित प्रतिमा विश्लेषण दृष्टीकोन यांचे एकत्रीकरण. संगणक. इलेक्ट्रॉन. कृषी. 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. साठी एक हलकी-वेट हायपरस्पेक्ट्रल मॅपिंग प्रणाली
मानवरहित हवाई वाहने - पहिले परिणाम. मध्ये: 2013 5वी कार्यशाळा हायपरस्पेक्ट्रल इमेज अँड सिग्नल प्रोसेसिंग: इव्होल्यूशन इन रिमोट सेन्सिंग (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 हलके हायपरस्पेक्ट्रल
मानवरहित हवाई वाहनांसाठी मॅपिंग प्रणाली आणि फोटोग्रामेट्रिक प्रक्रिया साखळी. रिमोट सेन्सिंग 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
सय्यदा, IH, आलम, MM, इलाही, U., Su'ud, MM, 2021. ॲग्रिकल्चरमध्ये इमेज प्रोसेसिंग, UAV आणि AI वापरून ॲडव्हान्स कंट्रोल स्ट्रॅटेजीज: एक पुनरावलोकन. जागतिक जे. इंजि. १८ (४),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. लेखांकनातील जर्नल प्रभावाची तपासणी करण्यासाठी उद्धरणांचा वापर करून माहिती प्रक्रिया. इन्फ. प्रक्रिया. व्यवस्थापित करा. ३४ (२–३), ३४१–३५९.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. 5G नेटवर्कवरील सर्वेक्षण आणि त्याचा शेतीवर होणारा परिणाम: आव्हाने आणि संधी. संगणक.
इलेक्ट्रॉन. कृषी. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
तंटालकी, एन., सौरवलास, एस., रौमेलियोटिस, एम., 2019. अचूक शेतीमध्ये डेटा-आधारित निर्णय घेणे: कृषी प्रणालींमध्ये मोठ्या डेटाचा उदय. जे. ॲग्रिक. अन्न माहिती.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. UAV वापरून हिवाळ्यातील गव्हाच्या उत्पादनाचा आणि रोपाच्या उंचीचा अंदाज- आधारित हायपरस्पेक्ट्रल प्रतिमा.
सेन्सर्स 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. दोन स्वायत्त मानवरहित हवाई वाहनांचा वापर करून खालच्या वातावरणातील वनस्पती रोगजनकांचे समन्वित वायुजीवशास्त्रीय नमुने. जे. फील्ड रॉब. 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. सखोल शिक्षण वापरून सोयाबीन कीटक शोधणे आणि त्यांचे वर्गीकरण
UAV प्रतिमांसह. संगणक. इलेक्ट्रॉन. कृषी. १७९, १०५८३६.
थम्म, एच.-पी., मेंझ, जी., बेकर, एम., कुरिया, डीएन, मिसाना, एस., कोहन, डी., 2013. टांझानियामधील एएन वेटलँडमध्ये कृषी प्रणालींचे मूल्यांकन करण्यासाठी यूएएसचा वापर— आणि WetSeason for Sustainable Agriculture and Providing Ground Truth for Terra-Sar X डेटा. मध्ये: ISPRS – इंटरनॅशनल आर्काइव्हज ऑफ द फोटोग्रामेट्री, रिमोट सेन्सिंग अँड स्पेशियल इन्फॉर्मेशन सायन्सेस, pp. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
थेलवॉल, एम., 2008. बिब्लियोमेट्रिक्स ते वेबमेट्रिक्स. J. माहिती. विज्ञान ३४ (४), ६०५–६२१.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. UAV प्रतिमांमध्ये इष्टतम थ्रेशोल्डिंगसाठी स्वयंचलित ऑब्जेक्ट-आधारित पद्धत: वनौषधी पिकांमध्ये वनस्पती शोधण्यासाठी अनुप्रयोग. संगणक. इलेक्ट्रॉन. कृषी. 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. कृषी-वृक्ष लागवडीचे उच्च-थ्रूपुट 3-डी निरीक्षण मानवरहित हवाई वाहन (UAV) तंत्रज्ञान. PLOS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. UAV मधील प्रतिमांचा वापर करून सुरुवातीच्या हंगामातील गव्हाच्या शेतात वनस्पतींच्या अंशाचे बहु-ऐहिक मॅपिंग. संगणक. इलेक्ट्रॉन. कृषी. १०३, १०४–११३. https://doi.org/103/j. compag.104.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. अचूक शेतीसाठी UAV-आधारित अनुप्रयोगांचे पुनरावलोकन. माहिती (स्वित्झर्लंड) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. बागायती झाडांच्या पिकाची रचना मोजण्यासाठी ड्रोन उड्डाण नियोजन ऑप्टिमाइझ करणे. ISPRS J. 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. इंटरनेट ऑफ थिंग्ज इन ॲग्रीकल्चर, अलीकडील प्रगती आणि भविष्यातील आव्हाने. बायोसिस्ट. इंजि. १६४, ३१–४८.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
उद्दीन, ए., सिंग, व्हीके, पिंटो, डी., ओल्मोस, आय., 2015. मेक्सिकोमधील संगणक विज्ञान संशोधनाचे सायंटोमेट्रिक मॅपिंग. सायंटोमेट्रिक्स 105 (1), 97–114.
UN., 2019. जागतिक लोकसंख्या संभावना 2019. https://population.un.org/wpp/ (15/04/2022 रोजी प्रवेश).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. UAV माउंटेड सूक्ष्म हायपरस्पेक्ट्रल सेन्सर प्रणालीद्वारे भाताच्या भाताचे वैशिष्ट्यीकरण. IEEE जे. सेल. वर. ऍपल. पृथ्वी Obs.
रिमोट सेन्स. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. मध्ये ड्रोन
शेती ॲड. ऍग्रोन. १६२, १–३०.
वेलुसामी, पी., राजेंद्रन, एस., महेंद्रन, आरके, नसीर, एस., शफीक, एम., चोई, जे.-जी., 2022.
अचूक शेतीमध्ये मानवरहित हवाई वाहने (UAV): अनुप्रयोग आणि आव्हाने. एनर्जी १५ (१), २१७. https://doi.org/15/en1.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. मानवरहित हवाई वापरून पर्यावरणीयदृष्ट्या संवेदनशील सागरी अधिवासांचे मॅपिंग आणि वर्गीकरण
वाहन (UAV) प्रतिमा आणि ऑब्जेक्ट-आधारित प्रतिमा विश्लेषण (OBIA). रिमोट सेन्सिंग 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch'eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. गहू आणि रेपसीड पिकांवर मानवरहित हवाई प्रणालीपासून हरित क्षेत्र निर्देशांक . रिमोट सेन्स. पर्यावरण. १५२, ६५४–६६४. https://doi.org/152/j.rse.654.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. गवताळ प्रदेशावर चार ऑप्टिकल UAV-आधारित सेन्सर तैनात करणे: आव्हाने आणि
मर्यादा जैवविज्ञान 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. अचूक शेतीतील भूमिगत गोष्टींचे इंटरनेट: आर्किटेक्चर आणि तंत्रज्ञान पैलू. तदर्थ नेटवर्क. ८१,
१६०-१७३. https://doi.org/160/j.adhoc.173.
Wamba, SF, Queiroz, MM, 2021. डिजिटल आरोग्यासाठी एक गुप्त घटक म्हणून जबाबदार कृत्रिम बुद्धिमत्ता: बिब्लियोमेट्रिक विश्लेषण, अंतर्दृष्टी आणि संशोधन दिशानिर्देश.
माहिती. सिस्ट. समोर. १-१६.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. पीक वाढ निरीक्षणातील रिमोट सेन्सिंग संशोधन ट्रेंडचे बिब्लियोमेट्रिक विश्लेषण: चीनमधील केस स्टडी. रिमोट सेन्सिंग 11 (7). https://doi.org/10.3390/rs11070809.
व्हाईट, एचडी, ग्रिफिथ, बीसी, 1981. लेखक कोसिटेशन: बौद्धिक संरचनेचे साहित्य उपाय. जे. ए.एम. समाज माहिती. विज्ञान ३२ (३), १६३–१७१.
Xiang, H., Tian, L., 2011. स्वायत्त मानवरहित हवाई वाहन (UAV) वर आधारित कमी किमतीच्या कृषी रिमोट सेन्सिंग प्रणालीचा विकास. बायोसिस्ट. इंजि. 108 (2), 174-190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. UAV आधारित सेन्सर वापरून वनस्पती उच्च-थ्रूपुट फिनोटाइपिंग वैशिष्ट्यांवरील पुनरावलोकन. संगणक. इलेक्ट्रॉन. कृषी. १७८, १०५७३१ https://doi.org/178/j.
compag.2020.105731.
याओ, एच., किन, आर., चेन, एक्स., 2019. रिमोट सेन्सिंग ऍप्लिकेशन्ससाठी मानवरहित हवाई वाहन—एक पुनरावलोकन. रिमोट सेन्सिंग 11 (12). https://doi.org/10.3390/
rs11121443.
येओम, एस., 2021. मल्टीरोटरद्वारे इन्फ्रारेड थर्मल इमेजिंगसह लोकांचे ट्रॅकिंग आणि खोटे ट्रॅक काढणे. 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. प्रतिमा वापरून क्रॉप पॅरामीटर्सच्या अंदाजाची तुलना UAV-आरोहित पासून
स्नॅपशॉट हायपरस्पेक्ट्रल सेन्सर आणि हाय-डेफिनिशन डिजिटल कॅमेरा. रिमोट सेन्सिंग 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. मानवरहित हवाई वाहन वापरून हिवाळ्यातील गव्हाच्या जमिनीवरील बायोमासचा अंदाज- आधारित स्नॅपशॉट
हायपरस्पेक्ट्रल सेन्सर आणि पीक उंची सुधारित मॉडेल. रिमोट सेन्सिंग 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. उष्णकटिबंधीय जंगल पुनर्प्राप्तीवर लक्ष ठेवण्यासाठी हलकी मानवरहित हवाई वाहने वापरणे. बायोल.
संवर्धन करा. १८६, २८७–२९५. https://doi.org/186/j.biocon.287. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 295.
एज आणि क्लाउड कंप्युटिंगवर आधारित स्मार्ट फार्मिंग IoT प्लॅटफॉर्म. बायोसिस्ट. इंजि. १७७,
4-17
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. मानवरहित हवाईतून मिळवलेल्या अतिशय उच्च रिझोल्यूशन इमेजरीचा वापर करून वृक्षांची उंची प्रमाणीकरण
वाहन (UAV) आणि स्वयंचलित 3D फोटो-पुनर्रचना पद्धती. युरो. जे. ऍग्रॉन. ५५, ८९–९९. https://doi.org/55/j.eja.89.
झांग, सी., क्रेन, डब्ल्यूए, मॅकगी, आरजे, वंडेमार्क, जीजे, डेव्हिस, जेबी, ब्राउन, जे., हल्बर्ट, एसएच, शंकरन, एस., 2020. थंड हंगामातील पिकांमध्ये फुलांच्या तीव्रतेचे प्रतिमा-आधारित फेनोटाइपिंग. सेन्सर्स 20 (5), 1450. https://doi.org/10.3390/s20051450.
झांग, सी., कोवाक्स, जेएम, 2012. अचूक शेतीसाठी लहान मानवरहित हवाई प्रणालीचा वापर: एक पुनरावलोकन. तंतोतंत. कृषी. १३ (६), ६९३–७१२. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. UAV मल्टीस्पेक्ट्रल रिमोट सेन्सिंगवर आधारित मक्याच्या पाण्याच्या ताणाचे मॅपिंग. रिमोट सेन्सिंग 11 (6), 605.
झांग, एक्स., हान, एल., डोंग, वाई., शि, वाई., हुआंग, डब्ल्यू., हान, एल., गोंझ अलेझ-मोरेनो, पी., मा, एच., ये, एच., सोबेह , T., 2019. स्वयंचलित पिवळ्या गंजासाठी सखोल शिक्षणावर आधारित दृष्टीकोन
उच्च-रिझोल्यूशन हायपरस्पेक्ट्रल UAV प्रतिमांमधून रोग शोधणे. रिमोट सेन्सिंग 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. तरंग विश्लेषणासह हायपरस्पेक्ट्रल इमेजिंगचा वापर करून चहाच्या वनस्पतींचे रोग आणि कीटक तणाव ओळखणे आणि भेदभाव करणे. संगणक. इलेक्ट्रॉन. कृषी. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
झेंग, ए., वांग, एम., ली, सी., तांग, जे., लुओ, बी., 2022. एरियल इमेज सिमेंटिक सेगमेंटेशनसाठी एंट्रोपी मार्गदर्शित विरोधी डोमेन अनुकूलन. IEEE ट्रान्स. जी
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. ग्राउंड-आधारित स्पेक्ट्रलच्या टाइम सीरीज विश्लेषणाद्वारे तांदूळ फिनोलॉजीचा शोध निर्देशांक डेटा. शेतातील पिके रा. १९८, १३१–१३९. https://doi.org/198/j.fcr.131.
झेंग, जे., यांग, डब्ल्यू., 2018. वायरलेस सेन्सरवर आधारित अचूक कृषी गळती बीजन प्रणालीची रचना. इंट. जे. ऑनलाइन इंजि. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. UAV-LiDAR डेटा वापरून नोंदी केलेल्या मक्याच्या रोपाच्या उंचीतील बदलांचे विश्लेषण. कृषी 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
झोउ, एस., चाय, एक्स., यांग, झेड., वांग, एच., यांग, सी., सन, टी., 2021. मका-आयएएस: उच्च-थ्रूपुट प्लांट फेनोटाइपिंगसाठी सखोल शिक्षण वापरणारे मका प्रतिमा विश्लेषण सॉफ्टवेअर . वनस्पती पद्धती 17 (1), 48. https://doi.org/10.1186/s13007-021-00747-0.
Zhou, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. मध्ये धान्य उत्पन्नाचा अंदाज बहु-लौकिक वनस्पती वापरून तांदूळ
UAV-आधारित मल्टीस्पेक्ट्रल आणि डिजिटल इमेजरीमधील निर्देशांक. ISPRS J. 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 नेटवर्कवर आधारित ग्रीनहाऊस मॉनिटरिंग सिस्टमच्या मुख्य तंत्रज्ञानाचे अनुकरण. इंट. जे. ऑनलाइन इंजि. १२ (०५),
43.
झोउ, झेड., माजीद, वाई., डायव्हरेस नारंजो, जी., गॅम्बाकोर्टा, ईएमटी, 2021. अचूक शेतीमध्ये इन्फ्रारेड थर्मल इमेजरीसह पीक पाण्याच्या ताणाचे मूल्यांकन: एक पुनरावलोकन
आणि सखोल शिक्षण अनुप्रयोगांसाठी भविष्यातील संभावना. संगणक. इलेक्ट्रॉन. कृषी. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.