Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Departemen Manajemen lan Hukum, Fakultas Ekonomi, Universitas Roma Tor Vergata, Via Columbia, 2, Roma 00133, Italia
- b Jurusan Administrasi Bisnis, Fakultas Manajemen, Universitas Kharazmi, 1599964511 Tehran, Iran
- c Fakultas Ilmu Bizerte, Universitas Carthage, Zarzouna, 7021 Bizerte, Tunisia
- d Sekolah Manajemen Internasional, Modul Universitas Wina, Am Kahlenberg 1, 1190 Wina, Austria
INFO ARTIKEL | Panjebar Semangat |
keywords: Drone UAV Pertanian presisi Internet iku Bibliometrik | Drone, uga disebut Unmanned Aerial Vehicles (UAV), wis nyekseni perkembangan sing luar biasa ing dekade pungkasan. Ing tetanèn, padha wis ngganti laku tani dening kurban petani tabungan biaya substansial, tambah efisiensi operasional, lan bathi sing luwih apik. Sajrone dekade kepungkur, topik drone pertanian wis ana narik kawigaten akademisi sing luar biasa. Mulane kita nindakake review lengkap adhedhasar bibliometrik kanggo ngringkes lan struktur literatur akademik sing ana lan mbukak tren riset saiki lan titik panas. We aplikasi Techniques bibliometric lan njelasno literatur lingkungan drones tetanèn kanggo ngringkes lan netepake riset sadurunge. Analisis kita nuduhake manawa penginderaan jarak jauh, pertanian presisi, sinau jero, sinau mesin, lan Internet of Things minangka topik kritis sing ana gandhengane karo drone pertanian. Kutipan bebarengan analisis mbukak enem klompok riset amba ing sastra. Panaliten iki minangka salah sawijining upaya pisanan kanggo ngringkes riset drone ing pertanian lan menehi saran arah riset ing mangsa ngarep. |
Pambuka
Pertanian minangka sumber pangan utama ing donya (Friha et al., 2021), lan wis ngadhepi tantangan sing abot amarga
nambah permintaan kanggo produk panganan, keamanan pangan, lan masalah keamanan uga njaluk perlindungan lingkungan, pengawetan banyu, lan
keberlanjutan (Inoue, 2020). Perkembangan iki diprediksi bakal terus amarga populasi donya dikira-kira bakal tekan 9.7 milyar ing taun 2050
(2019). Amarga tetanèn minangka conto konsumsi banyu sing paling penting ing saindenging jagad, mula dikarepake pangan lan banyu.
konsumsi bakal nambah dramatically ing mangsa foreseeable. Salajengipun, nambah konsumsi pupuk lan pestisida
ditambah karo intensifikasi kegiatan tani bisa nyebabake tantangan lingkungan ing mangsa ngarep. Kajaba iku, lemah subur diwatesi, lan
jumlah petani ing saindenging jagad saya suda. Tantangan kasebut negesake kabutuhan solusi pertanian sing inovatif lan lestari (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
Nggabungake teknologi novel wis diidentifikasi minangka solusi sing janjeni kanggo ngatasi tantangan kasebut. Tani cerdas (Brewster et al.,
2017; Tang et al., 2021) lan tetanèn presisi (Feng et al., 2019; Khanna & Kaur, 2019) wis muncul minangka akibat saka debat kasebut. Ing
mantan minangka gagasan umum kanggo nggunakake teknologi komunikasi informasi (ICT) lan inovasi mutakhir liyane ing aktivitas tani kanggo nambah efisiensi lan khasiat (Haque et al., 2021). Sing terakhir fokus ing manajemen situs-tartamtu kang tanah dipérang dadi
bagean homogen, lan saben bagean entuk jumlah input tetanen sing tepat kanggo optimalisasi asil panen kanthi nggunakake teknologi novel (Feng et al., 2019; Khanna & Kaur, 2019). Teknologi penting sing narik kawigaten para sarjana ing bidang iki kalebu Wireless Sensor Networks (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Internet of Things (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
teknik kecerdasan buatan (AI), kalebu learning machine lan deep learning (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), teknologi komputasi (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki
et al., 2019), lan blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Saliyane teknologi kasebut ing ndhuwur, penginderaan jarak jauh wis dianggep minangka alat teknologi kanthi potensial dhuwur kanggo nambah.
tetanèn pinter lan tliti. Satelit, pesawat awak manungsa, lan drone minangka teknologi penginderaan jarak jauh sing populer (Tsouros et al., 2019).
Drone, sing dikenal kanthi jeneng Unmanned Aerial Vehicles (UAVs), Unmanned Aircraft Systems (UAS), lan pesawat sing dipandu saka jarak jauh, yaiku
penting banget amarga padha duwe macem-macem kaluwihan dibandhingake karo teknologi remote-sensing liyane. Contone, drone bisa ngirim
gambar kualitas dhuwur lan resolusi dhuwur ing dina mendhung (Manfreda et al., 2018). Kajaba iku, kasedhiyan lan kacepetan transfer minangka liyane
keuntungan (Radoglou-Grammatikis et al., 2020). Dibandhingake karo pesawat, drone pancen larang regane lan gampang diatur lan dijaga (Tsouros et al., 2019). Sanajan wiwitane digunakake kanggo tujuan militer, drone bisa entuk manfaat kanggo akeh aplikasi sipil, contone ing manajemen rantai pasokan (A. Rejeb, Rejeb, et al., 2021a), kanggo tujuan kamanungsan (A. Rejeb, Rejeb, et al., 2021c), pertanian cerdas, survey lan pemetaan, dokumentasi warisan budaya, manajemen bencana, lan konservasi alas lan satwa (Panday, Pratihast, et al., 2020). Ing pertanian, macem-macem area aplikasi drone ana amarga bisa diintegrasi karo teknologi anyar, kemampuan komputasi, lan sensor onboard kanggo ndhukung manajemen potong (contone, pemetaan, pemantauan, irigasi, diagnosis tanduran) (H. Huang et al., 2021) , pengurangan bencana, sistem peringatan dini, konservasi satwa lan kehutanan kanggo sawetara jeneng (Negash et al., 2019). Kajaba iku, drone bisa dimanfaatake ing sawetara kegiatan pertanian, kalebu ngawasi panen lan pertumbuhan, estimasi asil, penilaian stres banyu, lan deteksi gulma, hama, lan penyakit (Inoue, 2020; Panday, Pratihast, et al., 2020). Drone ora mung bisa digunakake kanggo ngawasi, ngira, lan tujuan deteksi adhedhasar data sensori, nanging uga kanggo irigasi presisi lan gulma presisi, hama, lan manajemen penyakit. Kanthi tembung liyane, drone bisa nyemprotake banyu lan pestisida kanthi jumlah sing tepat adhedhasar data lingkungan. Keuntungan saka drone ing tetanèn diringkes ing Tabel 1.
Keuntungan utama drone ing pertanian.
Benefit | Referensi |
Ningkatake temporal lan spasial resolusi sensing | (Gago et al., 2015; Niu et al., 2020; Srivastava. et al., 2020) |
Nggampangake tetanèn tliti | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Klasifikasi lan scouting saka crops | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016) |
Panggunaan pupuk | (L. Deng et al., 2018; Guan et al., 2019) |
Monitoring kekeringan | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Sugih et al., 2018) |
Estimasi biomassa | (Bendig et al., 2014) |
Perkiraan ngasilake | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Pengurangan bencana | (Negash et al., 2019) |
Konservasi satwa lan kehutanan | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Evaluasi tekanan banyu | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Hama, suket, lan penyakit deteksi | (Gaˇ sparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Ing sisih liya, drone uga duwe watesan. Keterlibatan pilot, tenaga mesin, stabilitas lan linuwih, kualitas sensor amarga muatan
watesan bobot, biaya implementasine, lan regulasi penerbangan, kalebu (C. Zhang & Kovacs, 2012). Kita mbandhingake kekurangane
saka telung teknologi penginderaan jarak jauh seluler ing Tabel 2. Teknologi penginderaan jarak jauh liyane, kayata sensor lemah, ora dadi fokus ing panliten iki.
Kekurangan saka macem-macem teknologi penginderaan jarak jauh seluler.
Sensing jarak jauh teknologi | Kekurangan | Cathetan Suku |
Drone (UAV) | Keterlibatan pilot; gambar' kualitas (rata-rata); biaya implementasine (rata-rata); stabilitas, maneuverability, lan linuwih; standarisasi; daya engine; daya winates sumber (daya tahan baterei); durasi pesawat winates, tabrakan lan cyberattacks; dibatesi bobot muatan; dataset gedhe lan pangolahan data winates kapabilitas; kurang angger-angger; lack of expertise, entri dhuwur alangan kanggo akses menyang drone pertanian; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al., 2022; C. Zhang & Kovacs, 2012) |
Satellite | Cakupan satelit periodik, résolusi spektral winates; kerentanan kanggo masalah visibilitas (contone, awan); Ora kasedhiya lan kacepetan transfer kurang; orientasi lan vignetting efek data spasial larang regane koleksi; pangiriman data alon wektu kanggo pangguna pungkasan | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019; Nansen & Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
pesawat | Biaya adopsi dhuwur; panyiapan rumit; biaya pangopènan; ora kasedhiya saka dipercaya pesawat, geometri saka gambar; data non-reguler disualekno; kurang keluwesan; kacilakan agawe; data sensor variasi amarga getaran; masalah georeferencing | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev & Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Minangka teknologi multidisiplin lan multiguna ing pertanian, drone wis diselidiki saka macem-macem perspektif. Contone, sarjana wis nliti aplikasi drone ing tetanèn (Kulbacki et al., 2018; Mogili & Deepak, 2018), kontribusi kanggo tetanèn presisi (Puri et al., 2017; Tsouros et al., 2019), komplementaritas karo liyane teknologi mutakhir (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), lan kemungkinan kanggo ningkatake kemampuan navigasi lan sensing (Bareth et al. , 2015; Suomalainen et al., 2014). Wiwit riset babagan aplikasi drone ing pertanian wis umum (Khan et al., 2021)), ana perlu kanggo ngringkes literatur sing isih ana lan mbukak struktur intelektual domain kasebut. Salajengipun, minangka lapangan teknologi dhuwur kanthi dandan terus-terusan, tinjauan terstruktur kudu ditindakake kanggo ngringkes literatur sing isih ana lan ngenali kesenjangan riset sing penting. Kanggo
tanggal, ana sawetara review sing ngrembug aplikasi drone ing sektor tetanèn. Contone, Mogili and Deepak (2018) kanthi ringkes nliti implikasi drone kanggo ngawasi potong lan nyemprotake pestisida. Inoue (2020) nganakake tinjauan babagan panggunaan satelit lan drone ing penginderaan jarak jauh ing pertanian. Penulis nylidiki tantangan teknologi kanggo ngetrapake pertanian cerdas lan kontribusi satelit lan drone adhedhasar studi kasus lan praktik paling apik. Tsouros et al. (2019) ngringkes macem-macem jinis drone lan aplikasi utama ing tetanèn, nyorot macem-macem cara akuisisi lan pangolahan data. Paling anyar, Aslan et al. (2022) nganakake review lengkap babagan aplikasi UAV ing kegiatan pertanian lan nandheske relevansi lokalisasi lan pemetaan simultan kanggo UAV ing omah kaca. Diaz-Gonzalez et al. (2022) nliti panaliten anyar babagan produksi panenan pamotongan adhedhasar macem-macem teknik machine learning lan remot
sistem sensing. Temuan kasebut nuduhake yen UAV migunani kanggo ngira indikator lemah lan ngungguli sistem satelit ing babagan resolusi spasial, temporalitas informasi, lan keluwesan. Basiri et al. (2022) nggawe review lengkap babagan macem-macem pendekatan lan metode kanggo ngatasi tantangan perencanaan jalur kanggo UAV multi-rotor ing konteks pertanian presisi. Kajaba iku, Awais et al. (2022) nyimpulake aplikasi data penginderaan jarak jauh UAV ing tanduran kanggo ngira status banyu lan nyedhiyakake sintesis jero babagan kapasitas potensial penginderaan jarak jauh UAV kanggo aplikasi stres pembuang. Pungkasan, Aquilani et al. (2022) nliti teknologi pertanian prevision sing ditrapake ing sistem ternak adhedhasar pasture lan nyimpulake manawa penginderaan jarak jauh sing diaktifake dening UAV mupangati kanggo penilaian biomas lan manajemen ternak.
Uga, upaya kanggo nggunakake UAV ing ngawasi, nelusuri, lan nglumpukake ternak wis dilaporake bubar.
Senajan review iki ngasilaken wawasan anyar lan penting, ora review lengkap lan up-to-date adhedhasar bibliometrics bisa ditemokaké ing sastra, kang menehi longkangan kawruh cetha. Kajaba iku, wis nyatakake yen produksi ilmiah tuwuh ing domain ilmiah, dadi penting kanggo peneliti nggunakake pendekatan review kuantitatif kanggo mangerteni struktur pengetahuan domain kasebut (Rivera & Pizam, 2015). Kajaba iku, Ferreira et al. (2014) mratelakake yen nalika bidang riset diwasa lan dadi ruwet, para sarjana kudu ngarahake sok-sok ngerteni kawruh sing diasilake lan dikumpulake kanggo mbukak kontribusi anyar, njupuk tradhisi lan tren riset, ngenali topik sing ditliti, lan nliti struktur kawruh lapangan lan arah riset potensial. Nalika Raparelli lan Bajocco (2019) nganakake analisis bibliometrik kanggo nliti domain kawruh babagan aplikasi drone ing pertanian lan kehutanan, panlitene mung nganggep riset ilmiah sing diterbitake antarane 1995 lan 2017, sing ora nggambarake dinamika wilayah sing cepet-cepet iki. Salajengipun, penulis ora nyoba kanggo ngenali kontribusi paling pengaruh ing lapangan, cluster sastra, lan ngevaluasi struktur intelektual nggunakake analisis co-kutipan. Akibaté, perlu kanggo ngringkes literatur kanggo mbukak fokus riset saiki, tren, lan titik panas.
Kanggo ngisi kesenjangan kawruh iki, kita nggunakake metodologi kuantitatif lan metode bibliometrik sing ketat kanggo mriksa kahanan riset saiki ing persimpangan drone lan pertanian. Kita mbantah manawa panliten saiki menehi kontribusi kanggo literatur sing ana kanthi mriksa teknologi anyar sing dibutuhake banget ing tetanèn amarga menehi potensial banget kanggo ngowahi sawetara aspek ing sektor iki. Kabutuhan kanggo analisis bibliometrik drone pertanian luwih dirasakake amarga kawruh sing kasebar lan pecah-pecah babagan drone ing konteks pertanian. Kajaba iku, literatur sing ana gandhengane karo drone pertanian kudu dikelompokake kanthi sistematis, nimbang studi sing paling berpengaruh sing mbangun pondasi lapangan riset iki. Kaluwihan ing analisis uga kalebu klarifikasi tema riset utama sing dituduhake ing literatur. Ngelingi potensial transformasi teknologi kasebut, kita yakin manawa analisa jaringan sing jero menehi wawasan anyar kanthi nemtokake karya sing duwe pengaruh lan mbukak tema babagan potensial drone kanggo pertanian.
Mulane kita ngupayakake kanggo nggayuh tujuan riset ing ngisor iki:
- Identifikasi publikasi pengaruh kanthi kontribusi sing luar biasa kanggo aplikasi drone ing bidang pertanian.
- Clustering literatur, identifikasi fokus riset, lan pemetaan studi 'struktur intelektual' utama adhedhasar persamaan semantik kanthi nggunakake analisis co-citation.
- Pangerten babagan evolusi hubungan lan jaringan kutipan sajrone wektu ing antarane macem-macem publikasi ing lapangan lan identifikasi arah riset lan topik panas ing mangsa ngarep.
Sanesipun makalah menika dipuntata kados ing ngandhap menika: perangan 2 ngandharaken metodologi saha langkah-langkah pangumpulan data; bagean 3 menehi asil analisis; lan bagean 4 ngrembug temuan lan dipungkasi kanthi kontribusi riset, implikasi, lan arah sabanjure.
Metodologi
Ing panliten riset saiki, kita nindakake analisis bibliometrik kanggo njelajah aplikasi drone ing pertanian. Pendekatan kuantitatif iki nuduhake struktur intelektual domain kawruh (Arora & Chakraborty, 2021) lan status saiki, topik panas, lan arah riset ing mangsa ngarep sing bisa diselidiki kanthi nggunakake metode iki (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Umumé, analisis bibliometrik nyinaoni literatur sing isih ana kanggo ngringkes lan nemokake pola komunikasi sing didhelikake lan evolusi disiplin adhedhasar statistik lan metode matematika, lan ditrapake kanggo set data gedhe (Pritchard, 1969; Small, 1999; Tahai & Rigsby). , 1998). Kanthi nggunakake bibliometrics, kita kepengin luwih ngerti paradigma sing ana lan fokus riset sing nyumbang kanggo domain adhedhasar persamaan (Thelwall, 2008). Bibliometrics nyedhiyakake wawasan anyar sing didhukung dening kekuatan kuantitatif objektif saka metodologi (Casillas & Acedo, 2007). Akeh sarjana sadurunge wis nindakake studi bibliometrik ing domain sing gegandhengan, kalebu tetanèn, remote sensing, lan transformasi digital (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Analisis kutipan
Analisis kutipan mbukak macem-macem wawasan babagan lapangan riset tartamtu. Kaping pisanan, mbantu ngungkapake penulis lan publikasi sing paling berpengaruh sing nyumbang kanggo lapangan riset sing diwenehake lan nduwe pengaruh sing signifikan (Gundolf & Filser, 2013). Kapindho, aliran kawruh lan hubungan komunikasi antarane penulis bisa ditemokake. Pungkasan, kanthi nglacak pranala ing antarane karya sing dikutip lan ngutip, siji bisa njelajah owah-owahan lan evolusi domain pengetahuan liwat wektu (Pournader
et al., 2020). Nomer kutipan dhuwur saka publikasi nggambarake relevansi lan kontribusi substansial kanggo domain riset (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Analisis kutipan publikasi uga mbantu kanggo ngenali karya sing relevan lan nglacak popularitas lan kemajuan saka wektu.
Dokumen analisis ko-kutipan
Analisis co-citation minangka cara sing migunani kanggo njelajah hubungan antarane publikasi lan nggambarake struktur intelektual lapangan (Nerur et al., 2008). Ing tembung liya, kanthi ngenali publikasi sing paling akeh dikutip lan sambungane, metode kasebut nglumpukake publikasi menyang klompok riset sing beda-beda ing ngendi publikasi ing kluster ajeg nuduhake gagasan sing padha (McCain, 1990; Small, 1973). Penting kanggo nyebutake manawa mirip ora ateges temuan publikasi kasebut
kohesif lan akur karo saben liyane; publikasi kalebu klompok padha amarga padha topik, nanging padha bisa duwe viewpoints mbantah.
Pengumpulan data lan analisis
Sawise metodologi sing diusulake dening White and Griffith (1981), kita nindakake telusuran lengkap artikel jurnal kanggo nutupi kabeh domain riset aplikasi drone ing pertanian, ngupayakake limang langkah ing ngisor iki:
- Langkah pisanan yaiku nglumpukake data. Scopus dipilih minangka salah sawijining basis data sing paling lengkap lan bisa dipercaya kanthi asil standar. Meta-data publikasi sing ana hubungane karo kabeh aplikasi drone ing pertanian dijupuk. Banjur kita nganalisa artikel sing dipilih, mbusak artikel sing ora ana topik saka analisis.
- Kita nganalisa literatur lan nemtokake tembung kunci sing paling penting sing digunakake ing wilayah riset.
- Nggunakake analisis kutipan, kita njelajah sambungan antarane penulis lan dokumen kanggo mbukak pola kutipan sing ndasari. Kita uga ngenali penulis lan publikasi sing paling berpengaruh kanthi kontribusi sing signifikan ing bidang drone pertanian.
- Kita nganakake analisis co-kutipan kanggo nglumpukake publikasi sing padha dadi klompok.
- Pungkasan, kita nganalisa sambungan lan hubungan antarane negara, institusi, lan jurnal kanggo nggambarake jaringan kolaborasi.
Identifikasi istilah telusuran sing cocog
Kita ngetrapake string telusuran ing ngisor iki kanggo agregasi data: (drone* UTAWA "kendaraan udara tanpa awak" UTAWA uav* UTAWA "sistem pesawat tanpa awak"” UTAWA uas UTAWA "pesawat jarak jauh”) LAN (pertanian UTAWA tetanèn UTAWA tani UTAWA petani). Panelusuran ditindakake ing wulan September 2021. Drone duwe sawetara sebutan, kalebu UAV, UAS, lan pesawat sing dipandu saka jarak jauh (Sah et al., 2021). Istilah-istilah panelusuran khusus sing ana hubungane karo tetanèn diidentifikasi adhedhasar studi Abdollahi et al. (2021). Kanggo kajelasan lan transparansi, pitakon sing tepat sing digunakake diwenehake ing Lampiran 1. Sawise proses reresik data, kita nggawe file teks sing banjur dimuat ing BibExcel, alat umum kanggo analisis kutipan lan co-kutipan. Alat iki uga nawakake interaksi sing gampang karo piranti lunak liyane lan menehi kebebasan sing signifikan ing penanganan lan analisis data. VOSviewer versi 1.6.16 digunakake kanggo nggambarake temuan lan ngasilake jaringan bibliometrik (Eck & Waltman, 2009). VOSviewer nawakake macem-macem visualisasi intuisi, utamane kanggo nganalisa peta bibliometrik (Geng et al., 2020). Salajengipun, mbantu nyedhiyakake asil visual sing jelas sing mbantu luwih ngerti asil kasebut (Abdollahi et al., 2021). Nglamar string telusuran kaya sing kasebut ing ndhuwur, kita ngumpulake lan nyimpen kabeh publikasi sing relevan. Asil panelusuran pisanan ngasilake total 5,085 dokumen. Kanggo mesthekake kualitas sampel sing dipilih, mung artikel jurnal sing ditinjau dening peer-review sing dianggep ing riset, sing nyebabake ora kalebu jinis dokumen liyane, kayata buku, bab, prosiding konferensi, lan cathetan editorial. Sajrone proses screening, ora relevan (yaiku, ngluwihi ruang lingkup karya iki), keluwih (yaiku, duplikat sing asale saka indeksasi ganda), lan publikasi sing ora nganggo basa Inggris disaring. Proses iki ngasilake 4,700 dokumen ing analisis pungkasan.
Temuan lan diskusi
Kanggo miwiti, kita nganalisa pangembangan output publikasi ing literatur saiki babagan drone pertanian. Distribusi temporal riset ilmiah ditampilake ing Fig. 1. Kita ndeleng peningkatan kanthi cepet ing publikasi wiwit taun 2011 (30 publikasi) terus; mulane, kita mutusake kanggo pamisah periode analisis dadi rong tahapan sing beda. Kita nyebut periode antarane 1990 lan 2010 minangka tahap mbangun, sing ana kira-kira pitung makalah sing diterbitake saben taun. Periode pasca 2010 diarani tahap pertumbuhan amarga riset babagan aplikasi drone ing pertanian nyekseni lonjakan eksponensial sajrone periode kasebut. Sawise 2010, tambah akeh publikasi negesake minat sing tuwuh ing antarane peneliti, sing uga nuduhake manawa drone wis ditrapake kanggo penginderaan jarak jauh lan digunakake ing pertanian presisi (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). Secara khusus, jumlah publikasi mundhak saka 108 ing 2013 dadi 498 ing 2018 lan puncak ing 1,275 ing 2020. Gunggunge 935 artikel diterbitake antarane Januari lan pertengahan September 2021. Sabanjure, kita milih luwih fokus analisis ing tahap pertumbuhan. wiwit periode iki nggambarake subtleties paling anyar lan penting saka drones tetanèn.
Analisis tembung kunci
Tembung kunci sing dipilih dening penulis kanggo publikasi duweni pengaruh sing penting babagan cara kertas diwakili lan cara dikomunikasikake ing komunitas ilmiah. Dheweke ngenali subyek utama riset lan nemtokake potensial kanggo berkembang utawa gagal (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Analisis tembung kunci, alat kanggo mbukak tren lan arah riset sing luwih jembar, nuduhake kompilasi tembung kunci kabeh publikasi sing ana gandhengane ing domain (Dixit & Jakhar, 2021). Ing panliten saiki, kita mbagi tembung kunci sing dikumpulake dadi rong set (yaiku, nganti 2010 lan 2011–2021) kanggo njelajah topik sing paling populer. Kanthi nindakake iki, kita bisa nglacak tembung kunci sing penting ing loro set kasebut lan njamin yen kabeh data sing dibutuhake wis dijupuk. Kanggo saben set, sepuluh tembung kunci paling dhuwur ditampilake ing Tabel 3. Kita ngilangi inconsistencies kanthi nggabungake tembung kunci semantik sing padha, kayata "drone" lan "drone" utawa, uga, "Internet of Things" lan "IoT.".
Tabel 3 nuduhake yen "kendaraan udara tanpa awak" minangka tembung kunci sing luwih kerep digunakake dibandhingake karo "drone" lan "sistem aerial tanpa awak" ing wektu kasebut. Uga, "remote sensing," "pertanian presisi," lan "pertanian" rangking banget ing loro periode kasebut. Ing periode pisanan, "pertanian presisi" peringkat kaping lima, lan peringkat nomer loro ing periode kapindho, sing nggambarake carane drone dadi saya penting kanggo nggayuh tetanèn presisi amarga bisa ngawasi,
deteksi, lan estimasi laku luwih cepet, luwih murah, lan luwih gampang kanggo nindakake dibandhingake karo remot-sensing lan sistem basis lemah. Uga, bisa nyemprotake jumlah input sing tepat (umpamane, banyu utawa pestisida) yen dibutuhake (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Dhaptar tembung kunci sing paling kerep digunakake.
Urutan | 1990-2010 | No kedadeyan | 2011-2021 | No kedadeyan |
1 | aerial tanpa awak kendaraan | 28 | unmanned kendaraan udara | 1628 |
2 | remot remot | 7 | Precision tetanèn | 489 |
3 | tetanèn | 4 | remot remot | 399 |
4 | udhara | 4 | mbengung | 374 |
5 | Precision tetanèn | 4 | unmanned sistem pangeboman | 271 |
6 | aerial tanpa awak | 4 | tetanèn | 177 |
7 | hiperspektral sensor | 3 | sinau jero | 151 |
8 | syaraf tiruan jaringan | 2 | mesin learning | 149 |
9 | mabur otonom | 2 | vegetasi Index | 142 |
10 | warung | 2 | Internet saka iku | 124 |
Fitur menarik liyane yaiku anané teknologi pelengkap. Ing tahap pisanan, "Sensor Hiperspektral" lan "jaringan syaraf tiruan" (ANN) ana ing antarane sepuluh tembung kunci. Pencitraan hiperspektral ngrevolusi pencitraan tradisional kanthi ngempalaken akeh gambar ing macem-macem dawa gelombang. Kanthi mengkono, sensor bisa bebarengan ngumpulake informasi spasial lan spektral sing luwih apik tinimbang pencitraan multispektral, spektroskopi, lan citra RGB (Adao ˜ et al.,
2017). Kedadeyan "ANN" ing tahap pisanan lan "pembelajaran jero" (DL) lan "pembelajaran mesin" (ML) ing sing kapindho nuduhake manawa umume karya sing diterbitake fokus ing pamriksan potensial teknik AI kanggo drone- tetanèn adhedhasar. Sanajan drone bisa mabur kanthi otonom, dheweke isih mbutuhake keterlibatan pilot, sing nuduhake tingkat intelijen piranti sing kurang. Nanging, masalah iki bisa ditanggulangi amarga kemajuan teknik AI, sing bisa nyedhiyakake kesadaran situasional sing luwih apik lan dhukungan keputusan otonom. Dilengkapi AI, drone bisa ngindhari tabrakan sajrone pandhu arah, ningkatake manajemen lemah lan potong (Inoue, 2020), lan nyuda tenaga kerja lan stres kanggo manungsa (BK Sharma et al., 2019).
Amarga keluwesan lan kemampuan kanggo nangani data nonlinear sing akeh, teknik AI minangka cara sing cocok kanggo nganalisa data sing dikirim dening drone lan sistem penginderaan jarak jauh lan basis lemah liyane kanggo prediksi lan nggawe keputusan (Ali et al., 2015; Inoue, 2020). Salajengipun, anané "IoT" ing periode kapindho nuduhake peran sing muncul ing tetanèn. IoT nggawe revolusi pertanian kanthi nyambungake teknologi liyane, kalebu drone, ML, DL, WSN, lan data gedhe. Salah sawijining mupangat utama kanggo ngetrapake IoT yaiku kemampuan kanggo nggabungake macem-macem tugas kanthi efisien lan efektif (akuisisi data, analisis lan pangolahan data, nggawe keputusan, lan implementasine) ing wektu nyata (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Salajengipun, drone dianggep minangka alat sing efisien kanggo njupuk data sing dibutuhake kanggo ngitung kekuwatan vegetasi lan sifat vegetasi (Candiago et al., 2015). Fig. 2a lan 2b nggambarake jaringan co-occurrence tembung kunci kanggo loro periode wektu.
Pengarang sing duwe pengaruh
Ing bagean iki, kita nemtokake penulis sing duwe pengaruh lan mriksa kepiye jaringan kutipan penulis bisa nggambarake lan ngatur literatur saiki. Gambar 3 nuduhake overlay kronologis kabeh peneliti kanthi jumlah kutipan paling dhuwur. Skala warna nggambarake variasi taun saka kutipan penulis. Kita nliti struktur kutipan peneliti sing nerbitake studi babagan drone pertanian kanthi nggunakake ambang minimal 50 kutipan lan sepuluh publikasi. Metu saka
12,891 penulis, mung 115 ketemu kondisi iki. Tabel 4 nyathet sepuluh penulis paling berpengaruh, diurutake miturut jumlah kutipan maksimal. Lopez- Granados F. mimpin daftar kanthi 1,963 kutipan, banjur Zarco-Tejada PJ kanthi 1,909 kutipan.
Dhaptar pangarang sing paling akeh dikutip.
peringkat | Pengarang | penyebutan |
1 | Lopez-Granados ´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S' ajeng J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondo F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Nalika nerangake publikasi individu, artikel Zhang lan Kovacs (2012) minangka studi sing paling akeh dikutip ing Precision Agriculture. Ing kene, penulis nyemak aplikasi UAS ing pertanian presisi. Panemuan riset kasebut nuduhake manawa perlu ngembangake desain platform, produksi, standarisasi georeferensi gambar, lan alur kerja pengambilan informasi kanggo nyedhiyakake produk pungkasan sing bisa dipercaya para petani. Kajaba iku, dheweke menehi saran supaya bisa melu petani kanthi luwih kuat, utamane ing perencanaan lapangan, njupuk gambar, uga interpretasi lan analisis data. Sing penting, panliten iki minangka salah sawijining sing pisanan nuduhake pentinge UAV ing pemetaan lapangan, pemetaan vigor, pangukuran konten kimia, pemantauan stres vegetasi, lan evaluasi efek pupuk ing pertumbuhan tanduran. Tantangan sing ana gandhengane karo teknologi kasebut uga kalebu biaya larangan, kemampuan sensor, stabilitas lan linuwih platform, kurang standarisasi, lan prosedur sing konsisten kanggo nganalisa data sing akeh banget.
Analisis kutipan
Analisis kutipan nggambaraken panaliten babagan pengaruh artikel, sanajan rawan aliran (contone, bias kutipan, kutipan mandiri) dianggep minangka salah sawijining instrumen standar kanggo evaluasi dampak (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Kutipan uga nggambarake pentinge lan vitalitas kontribusi makalah kanggo literatur babagan topik tartamtu (R. Sharma et al., 2022). Kita nindakake analisis kutipan kanggo nemtokake studi sing paling berpengaruh ing drone pertanian lan ngringkes isine. Tabel 5 nampilake dhaptar limalas makalah sing paling berpengaruh kanggo periode 1990–2010 lan 2011–2021. Artikel dening Berni et al. (2009)b lan Austin (2010) paling akeh dikutip ing taun 1990 lan 2010, kanthi 831 lan 498 kutipan. Berni et al. (2009)b nggambarake potensial kanggo ngembangake produk remotesensing kuantitatif liwat UAV berbasis helikopter sing dilengkapi sensor pencitraan multispektral termal lan narrowband sing terjangkau. Dibandhingake karo sensor udhara berawak tradisional, sistem UAV sing murah kanggo tetanèn bisa nggayuh prakiraan parameter biofisik saka tanduran, yen ora luwih apik. Biaya sing terjangkau lan keluwesan operasional, bebarengan karo resolusi spektral, spasial, lan temporal dhuwur sing kasedhiya ing wektu sing cepet, ndadekake UAV cocok kanggo sawetara aplikasi sing mbutuhake manajemen wektu kritis, kalebu jadwal irigasi, lan pertanian presisi. Makalah saka Berni et al. (2009)b banget dikutip amarga kanthi efektif nggabungake platform sayap putar tanpa awak lan sensor digital lan termal kanthi mekanisme kalibrasi sing dibutuhake kanggo aplikasi pertanian. Publikasi nomer loro sing paling akeh dikutip yaiku buku sing ditulis dening Austin (2010), sing ngrembug babagan UAV saka perspektif desain, pangembangan, lan penyebaran. Ing tetanèn, UAV ndhukung pemantauan potong kanthi ndeteksi penyakit ing awal liwat owah-owahan warna potong, nggampangake nyebar lan nyemprotake potong, lan ngawasi lan nyopir ternak.
Pasinaon saka Sullivan et al. (2007), Lumme et al. (2008), lan Gokto ¨ ǧan et al. (2010) ngrampungake dhaptar limalas artikel sing paling akeh dikutip. Artikel iki nggambarake pangembangan sistem basis UAV kanggo ndhukung tetanèn. Dheweke nawakake solusi kanggo macem-macem masalah, kayata pemantauan lan pemindaian potong, pengawasan lan manajemen gulma, lan dhukungan keputusan. Dheweke uga menehi saran lan ngrembug babagan kemampuan UAV kanggo nambah efisiensi sampling lan mbantu para petani kanggo nggawe akurat lan efektif.
strategi tanduran. Rong makalah dikarang dening Berni (Berni et al., 2009b; Berni et al., 2009a), nandheske pengaruh sing signifikan marang riset drone pertanian. Makalah saka Zarco-Tejada et al. (2014) wis dadi salah sawijining studi perintis kanggo nggambarake perlune nggunakake citra UAV murah ing kuantifikasi dhuwur wit.
Dhaptar publikasi sing paling akeh dikutip.
Urutan | Saka 1990 nganti 2010 | Saka 2011 nganti 2021 | ||
Dokumen | panggilan | Dokumen | panggilan | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Sugeng et al., 2010) | 331 | (Floreano & Kayu, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Mbak et al., 2017) | 373 |
7 | (Grenzdorfer ¨ et al., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ad˜ ing et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013a) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Teknik et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
Ing periode kapindho (2011-2021), riset dening Zhang and Kovacs (2012) lan Nex and Remondino (2014) ngasilake publikasi sing paling kerep dikutip. Zhang lan Kovacs (2012) argue yen tetanèn presisi bisa entuk manfaat saka ngleksanakake teknik lan sensor geospasial, kayata sistem informasi geografis, GPS, lan penginderaan jarak jauh, kanggo njupuk variasi ing lapangan lan nangani kanthi nggunakake strategi alternatif. Minangka game-changer ing tetanèn tliti, Adoption saka drones wis heralded jaman anyar ing remote sensing, simplifying pengamatan aerial, njupuk data wutah potong, kahanan lemah, lan wilayah nyemprot. Tinjauan Zhang lan Kovacs (2012) pancen penting amarga menehi wawasan babagan UAV kanthi mbukak panggunaan lan tantangan piranti kasebut ing pemantauan lingkungan lan pertanian presisi, kayata watesan platform lan kamera, tantangan pangolahan data, keterlibatan petani, lan peraturan penerbangan. . Kapindho
studi paling dikutip saka Nex and Remondino (2014) nliti negara seni UAV kanggo njupuk, ngolah, lan nganalisa gambar bumi.
Pakaryane uga nampilake ringkesan sawetara platform, aplikasi, lan kasus panggunaan UAV, sing nuduhake kemajuan paling anyar ing pangolahan gambar UAV. Ing tetanèn, petani bisa nggunakake UAV kanggo nggawe keputusan sing efektif kanggo ngirit biaya lan wektu, nampa cathetan kerusakan sing cepet lan tepat, lan ngantisipasi masalah sing bisa ditindakake. Beda karo platform pangeboman konvensional, UAV bisa nyuda biaya operasional lan nyuda bebaya akses ing lokasi sing angel nalika isih ngreksa potensi presisi sing dhuwur. Makalah kasebut ngringkes macem-macem kaluwihan UAV, utamane babagan akurasi lan resolusi.
Antarane telulas publikasi sing paling akeh dikutip antarane 2011 lan 2021, kita ngerteni konsentrasi sing luwih gedhe babagan riset sing disambungake karo aplikasi drone ing misi pencitraan (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , pertanian presisi (Candiago et al., 2015; Honkavaara et al., 2013a), viticulture presisi (Matese et al., 2015), penilaian tekanan banyu (Gago et al., 2015), lan pemantauan vegetasi (Aasen et al. , 2015a). Ing taun-taun awal, peneliti fokus
liyane babagan ngembangaken sistem UAV basis murah, entheng, lan tepat kanggo tetanèn; riset luwih anyar wis fokus luwih ing review aplikasi UAV kanggo tetanèn lan survey lapangan. Ringkesan, analisis iki nuduhake manawa publikasi sing duwe pengaruh umume menehi ulasan babagan studi sadurunge kanggo ngevaluasi status ilmiah lan teknologi UAV saiki lan ngembangake sistem UAV kanggo ndhukung pertanian presisi. Apike, kita ora nemokake studi sing nggunakake empiris
metodologi utawa studi kasus deskriptif, sing dadi jurang kawruh sing signifikan lan mbutuhake riset luwih akeh babagan topik iki.
Analisis ko-kutipan
Miturut Gmür (2006), analisis co-kutipan ngenali publikasi sing padha lan nglumpukake. Pemeriksaan kluster kanthi ati-ati bisa mbukak lapangan riset umum ing antarane publikasi. Kita nyelidiki kutipan literatur sing ana gandhengane karo drone pertanian kanggo nggambarake wilayah subjek sing gegandhengan lan ndeteksi pola intelektual publikasi. Ing babagan iki, Small (1973) nyaranake nggunakake analisis cocitation kanggo nyinaoni riset paling berpengaruh lan seminal.
ing sawijining disiplin. Kanggo mbatesi set menyang artikel paling akeh (Goyal & Kumar, 2021), kita nyetel ambang co-kutipan 25, tegese rong artikel kudu dikutip bebarengan ing dhaptar referensi 25 utawa luwih publikasi sing beda. Kluster uga ditindakake kanthi ukuran kluster minimal 1 lan tanpa cara kanggo nggabungake kluster cilik karo kluster sing luwih gedhe. Akibaté, enem kluster digawe adhedhasar podho pasinaon lan struktur intelektual. Tabel 6 nuduhake distribusi publikasi ing saben klompok.
Kluster 1: Kluster iki ngemot wolulas dokumen sing diterbitake sawise Publikasi ing kluster iki ngrembug peran drone kanggo ndhukung pemantauan lingkungan, manajemen panen, lan manajemen gulma. Contone, Manfreda et al. (2018) nyedhiyakake ringkesan riset lan implementasine UAV saiki ing ngawasi ekosistem tetanèn alam lan argue manawa teknologi kasebut nawakake potensial sing luar biasa kanggo ningkatake pemantauan lingkungan lan nyuda drastis.
longkangan ana antarane pengamatan lapangan lan hawa konvensional lan spaceborne remote sensing. Iki bisa ditindakake kanthi menehi kapasitas anyar kanggo nambah wawasan temporal lan wawasan spasial menyang wilayah gedhe kanthi cara sing terjangkau. UAV bisa terus-terusan ngrasakake lingkungan lan ngirim data sing diasilake menyang entitas cerdas, terpusat / desentralisasi sing ngontrol sensor kanggo ngenali masalah sing pungkasan, kayata kekurangan penyakit utawa deteksi banyu (Padua ´ et al., 2017). Adao ˜ et al. (2017) negesake manawa UAV cocog kanggo ngevaluasi kahanan tanduran kanthi njupuk data mentah sing akeh banget sing ana gandhengane karo status banyu, estimasi biomas, lan penilaian kekuatan. Sensor sing dipasang ing UAV uga bisa dipasang kanthi cepet ing kahanan lingkungan sing cocog kanggo ngidini njupuk data sensing remot kanthi pas (Von Bueren et al., 2015). Kanthi UAV, petani bisa nindakake kegiatan tani njero ruangan kanthi njupuk pangukuran saka meh kabeh papan ing ruang telung dimensi lingkungan tani njero ruangan (umpamane, griya ijo), saéngga njamin kontrol iklim lokal lan pemantauan tanduran (Roldan ´ et al. ., 2015). Ing konteks presisi
tetanèn, pancasan manajemen potong mbutuhake data potong sing akurat lan dipercaya kanthi resolusi temporal lan spasial sing cocog (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Kanggo alasan iki, Agüera Vega et al. (2015) nggunakake sistem sensor multispektral sing dipasang ing UAV kanggo njupuk gambar saka potong kembang srengenge nalika musim tanam. Kajaba iku, Huang et al. (2009) nyathet yen penginderaan jarak jauh adhedhasar UAV bisa nggampangake pangukuran taneman lan lemah saka data spektral sing diklumpukake. Verger et al. (2014) ngembangake lan nguji teknik kanggo ngira indeks area ijo (GAI) saka pangukuran reflektansi UAV ing aplikasi pertanian presisi, fokus ing gandum lan rapeseed crops. Mulane, drone nyedhiyakake kemungkinan anyar kanggo njupuk informasi negara potong kanthi revisits sing kerep lan resolusi spasial sing dhuwur (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Clustering publikasi pengaruh ing drones tetanèn.
Cluster | Tema amba | Cathetan Suku |
1 | Pemantauan lingkungan, panen manajemen, manajemen gulma | (Ad˜ ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand ´ on ´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda et al., 2018; P' adua et al., 2017; Pena ˜ et al., 2013; P'erez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S' anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ˜ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Zhang & Kovacs, 2012) |
2 | Remote phenotyping, ngasilaken estimasi, model permukaan tanaman, ngetang tanduran | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Pencitraan termal kanggo banyu, pencitraan multispektral | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorfer ¨ et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Pencitraan hipersektral, spektral imaging | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | Aplikasi 3D-Mapping | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salami et al., 2014; Torres-S' anchez, Lopez-´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Pengawasan pertanian | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Salajengipun, drone migunani kanggo tugas-tugas tantangan ing tetanèn, kalebu pemetaan suket. Gambar sing dijupuk dening piranti kasebut wis mbuktekake kegunaane kanggo deteksi awal gulma ing lapangan (de Castro et al., 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et al., 2021). Ing babagan iki, de Castro et al. (2018) negesake manawa gabungan citra UAV lan Analisis Gambar Berbasis Objek (OBIA) ndadekake para praktisi bisa ngatasi masalah otomatisasi deteksi awal ing pamotongan suket musim awal, sing minangka langkah maju ing riset ganja. Kajaba iku, Pena ˜ et al. (2013) nuduhake yen panggunaan gambar resolusi spasial ultra-dhuwur saka UAV bebarengan karo prosedur OBIA ndadekake bisa ngasilake peta suket ing panen jagung awal sing bisa digunakake kanggo ngrancang implementasine langkah-langkah kontrol gulma ing musim, tugas ngluwihi kemampuan satelit lan gambar udhara tradisional. Dibandhingake karo klasifikasi gambar utawa algoritma deteksi obyek, teknik segmentasi semantik luwih efektif ing tugas pemetaan gulma (J. Deng et al., 2020), saéngga para petani bisa ndeteksi kondisi lapangan, nyuda kerugian, lan ningkatake panenan sajrone musim tanam (Ramesh). et al., 2020). Segmentasi semantik adhedhasar learning jero uga bisa menehi pangukuran sing akurat saka tutup vegetasi saka gambar aerial resolusi dhuwur (Ramesh et al., 2020; A. Zheng et al., 2022). Senadyan potensial kanggo remot
klasifikasi piksel sensing, Techniques segmentasi semantik mbutuhake komputasi wujud lan memori GPU prohibitively dhuwur (J. Deng et al., 2020).
Adhedhasar machine learning lan UAV, P'erez-Ortiz et al. (2015) nyaranake pendekatan pemetaan gulma kanggo nyedhiyakake strategi kontrol gulma sing spesifik ing situs nalika petani nggunakake kontrol gulma awal. Pungkasan, Rasmussen et al. (2013) nyatakake yen drone nyedhiyakake sensing murah kanthi keluwesan resolusi spasial sing apik. Sakabèhé, publikasi ing kluster iki fokus kanggo njelajah potensial UAV kanggo ndhukung remote sensing, pemantauan potong, lan pemetaan gulma. Panaliten tambahan tambahan dibutuhake kanggo nyelidiki luwih akeh babagan carane aplikasi drone ing pemantauan lingkungan, manajemen potong, lan pemetaan gulma bisa entuk tetanèn sing luwih lestari (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J . Su, Liu, et al., 2018) lan ngatasi masalah tata kelola teknologi iki ing aplikasi asuransi potong (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Peneliti kudu konsentrasi kanggo validasi pangukuran UAVkoleksi kanthi teknik pangolahan sing efisien kanggo ningkatake kualitas data sing diproses (Manfreda et al., 2018). Salajengipun, pangembangan algoritma sing cocog sing ngenali piksel sing nampilake gulma ing gambar digital lan ngilangi latar mburi sing ora relevan sajrone pemetaan gulma UAV dibutuhake (Gaˇ sparovi'c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez- ´ Granados et al., 2016). Panaliten tambahan babagan adopsi teknik segmentasi semantik ing pangenalan tanduran, klasifikasi godhong, lan pemetaan penyakit ditampa (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Kluster 2. Publikasi ing kluster iki fokus ing sawetara aspek drone pertanian. Gegandhengan karo fenotip remot, Sankaran et al. (2015) nliti potensial nggunakake pencitraan udara kanthi resolusi dhuwur kanthi resolusi dhuwur kanthi UAV kanggo phenotyping cepet saka crops ing lapangan, lan padha argue yen, dibandhingake karo platform sensing basis lemah, UAV cilik karo sensor nyukupi nawakake sawetara kaluwihan. , kayata akses sing luwih gampang menyang lapangan, data resolusi dhuwur, pangumpulan data sing efisien,
taksiran cepet saka kahanan wutah lapangan, lan biaya operasional kurang. Nanging, penulis uga nyathet yen aplikasi efektif UAV kanggo phenotyping lapangan gumantung ing rong unsur dhasar, yaiku, fitur UAV (contone, safety, stabilitas, posisi, otonomi) lan karakteristik sensor (contone, resolusi, bobot, dawa gelombang spektral, lapangan. saka tampilan). Haghighattalab et al. (2016) ngusulake pipa pemrosesan gambar semi-otomatis kanggo njupuk data tingkat plot saka citra UAV lan nyepetake proses breeding. Holman et al. (2016) ngembangaken dhuwur
sistem phenotyping lapangan throughput lan disorot sing UAV bisa kanggo ngumpulake kualitas, voluminous, basis data phenotypic lapangan, lan piranti iku efektif kanggo wilayah gedhe lan ing macem-macem lokasi lapangan.
Amarga perkiraan asil minangka informasi sing penting banget, utamane yen kasedhiya ing wektu, ana potensial kanggo UAV kanggo nyedhiyakake kabeh pangukuran lapangan lan kanthi efisien entuk data berkualitas tinggi (Daakir et al., 2017; Demir et al., 2018). ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). Ing babagan iki, Jin et al. (2017) njupuk kauntungan saka citra resolusi dhuwur sing dipikolehi dening UAV ing dhuwur banget kanggo ngembangake lan netepake cara kanggo ngira-ngira kapadhetan tanduran gandum ing tataran muncul. Miturut penulis, UAVs ngatasi watesan sistem rover sing dilengkapi kamera lan makili cara non-invasif kanggo ngira Kapadhetan tanduran ing crops, saéngga petani kanggo entuk throughput dhuwur perlu kanggo phenotyping lapangan bebas saka trafficability saka lemah. Li et al. (2016) nglumpukake atusan gambar stereo kanthi resolusi dhuwur banget nggunakake sistem basis UAV kanggo ngira parameter jagung, kalebu dhuwur kanopi lan biomas ing ndhuwur lemah. Pungkasan, Yue et al. (2017) nemokake yen dhuwur potong sing ditemtokake saka UAV bisa ningkatake estimasi biomassa ndhuwur (AGB).
Pendekatan kanggo ngawasi wutah potong yaiku gagasan ngembangake model permukaan potong (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Sawetara studi nyoroti kemungkinan gambar sing dijupuk saka UAV kanggo nangkep dhuwur tanduran lan ngawasi pertumbuhane. Contone, Bendig et al. (2013) nggambarake pangembangan model lumahing potong multi-temporal kanthi resolusi dhuwur banget kurang saka 0.05 m nggunakake UAV. Padha ngarahake kanggo ndeteksi potong
variabilitas pertumbuhan lan ketergantungan marang perawatan, kultivar, lan stres. Bendig et al. (2014) nggunakake UAV kanggo ngira biomas sing seger lan garing adhedhasar dhuwur tanduran sing diekstrak saka model permukaan potong lan nemokake yen, ora kaya platform udhara lan pemindaian laser terrestrial, gambar resolusi dhuwur saka UAV bisa nambah akurasi model dhuwur tanduran kanggo pertumbuhan sing beda. tahapan. Ing urat sing padha, Geipel et al. (2014) nggunakake UAV ing riset kanggo entuk citra
set data kanggo prediksi asil gandum jagung ing telung fase pertumbuhan sing beda saka awal nganti pertengahan musim lan nyimpulake yen kombinasi modeling spektral lan spasial adhedhasar gambar aerial lan model permukaan potong minangka cara sing cocok kanggo prédhiksi panenan jagung pertengahan musim. Pungkasan, Gnadinger ¨ lan Schmidhalter (2017) nliti utilitas UAV ing phenotyping presisi lan nyorot manawa panggunaan teknologi iki bisa ningkatake manajemen farm lan ngaktifake eksperimen lapangan kanggo tujuan breeding lan agronomis. Sakabèhé, kita mirsani manawa publikasi ing kluster 2 fokus ing kaluwihan utama UAV ing remot.
fenotipe, estimasi hasil, pemodelan permukaan tanaman, dan penghitungan tanaman. Pasinaon ing mangsa ngarep bisa digali luwih jero kanthi ngembangake metode anyar kanggo fenotipe remot sing bisa ngotomatisasi lan ngoptimalake pangolahan data sing dirasakake jarak jauh (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Kajaba iku, kinerja sensor IoT sing dipasang ing UAV lan trade-off antarane biaya, tenaga kerja, lan presisi perkiraan asil kudu diteliti ing
masa depan (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Pungkasane, perlu ngembangake metode pangolahan gambar sing efisien sing bisa ngasilake informasi sing dipercaya, nggedhekake efisiensi produksi pertanian, lan nyilikake karya ngitung manual para petani (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Kluster 3. Publikasi ing kluster iki ngrembug macem-macem jinis sistem pencitraan kanggo penginderaan jarak jauh sumber daya pertanian sing digunakake ing platform UAV. Ing babagan iki, pencitraan termal ngidini ngawasi suhu permukaan kanggo nyegah karusakan potong lan ndeteksi stres kekeringan awal (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et al. (2012) negesake manawa panggunaan kamera multispektral lan termal ing papan kasebut
UAV ngaktifake peneliti kanggo njupuk gambar resolusi dhuwur lan netepke status banyu anggur. Iki bisa migunani kanggo ngembangake model penjadwalan banyu novel nggunakake data remote-sensing (Baluja et al., 2012). Amarga saka
kapasitas mbukak winates saka UAVs, Ribeiro-Gomes et al. (2017) dianggep integrasi kamera termal uncooled menyang UAVS kanggo nemtokake kaku banyu ing tetanduran, kang ndadekake UAV jinis iki luwih efisien lan sregep tinimbang tradisional satelit basis remot sensing lan UAV dilengkapi karo digawe adhem kamera termal. Miturut penulis, kamera termal uncooled luwih entheng tinimbang kamera digawe adhem, mbutuhake kalibrasi cocok. Gonzalez-Dugo et al. (2014) nuduhake yen citra termal kanthi efektif ngasilake peta spasial indeks tekanan banyu potong kanggo ngevaluasi status banyu lan ngitung tekanan banyu ing antarane lan ing kebon jeruk. Gonzalez-Dugo et al. (2013) lan Santesteban et al. (2017) nyelidiki panggunaan citra termal UAV resolusi dhuwur kanggo ngira variabilitas status banyu saka kebon komersial lan kebon anggur.
Pencitraan multispektral bisa nyedhiyakake data sing akeh dibandhingake karo gambar RGB (Abang, Ijo, lan Biru) tradisional (Ad˜ ao et al., 2017; Navia et al., 2016). Data spektral iki, bebarengan karo data spasial, bisa mbantu ing klasifikasi, pemetaan, prakiraan, prediksi, lan tujuan deteksi (Berni et al., 2009b). Miturut Candiago et al. (2015), pencitraan multispektral adhedhasar UAV bisa menehi kontribusi gedhe kanggo pambiji pamotongan lan pertanian sing tepat minangka sumber daya sing dipercaya lan efisien. ugi,
Khaliq et al. (2019) nggawe perbandingan antarane satelit lan pencitraan multispektral adhedhasar UAV. Gambar basis UAV ngasilake luwih tepat kanggo njlentrehake variabilitas kebon anggur uga peta vigor kanggo makili kanopi potong. Ing ringkesan, artikel ing kluster iki ngrembug babagan penggabungan sensor pencitraan termal lan multispektral menyang UAV pertanian. Mulane, riset luwih akeh dibutuhake kanggo mangerteni carane pencitraan termal lan multispektral bisa digabungake karo AI
teknik (contone, sinau jero) kanggo ndeteksi stres tanduran (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Wawasan kasebut bakal mbantu njamin deteksi sing luwih efisien lan akurat uga ngawasi pertumbuhan, stres, lan fenologi tanduran (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Kluster 4. Kluster iki kasusun saka pitung makalah sing ngubengi peran penting pencitraan spektral lan pencitraan hiperspektral kanggo ndhukung praktik pertanian. Pencitraan hyperspectral wis ditetepake dhewe minangka metode remote-sensing sing mbisakake penilaian kuantitatif saka sistem bumi (Schaepman et al., 2009). assignment saka proporsi komponen lumahing
ing piksel campuran (Kirsch et al., 2018; Zhao et al., 2022). Ing tembung liya, resolusi spektral sing luwih dhuwur sing diwenehake dening sistem hyperspectral mbisakake estimasi sing luwih akurat saka macem-macem parameter, kayata sifat vegetarian utawa kandungan banyu godhong (Suomalainen et al., 2014). Peneliti ing kluster iki nyelidiki macem-macem aspek sistem kasebut. Antarane liyane, Aasen et al. (2015b) nawakake pendekatan unik kanggo ngasilake informasi hiperspektral telung dimensi saka bobot entheng
kamera snapshot digunakake ing UAV kanggo ngawasi vegetasi. Lucieer et al. (2014) mbahas desain, pangembangan, lan operasi aerial saka UAS hiperspektral novel uga kalibrasi, analisis, lan interpretasi data gambar sing diklumpukake. Pungkasan, Honkavaara et al. (2013b) ngembangake pendekatan pangolahan lengkap kanggo gambar spektral basis interferometer FabryPerot lan nuduhake panggunaan ing prosedur perkiraan biomassa kanggo tetanèn presisi. Jalur potensial ing mangsa ngarep kanggo kluster saiki iki kalebu negesake kebutuhan kanggo perbaikan teknis ing teknologi sensor (Aasen et al., 2015b) uga kabutuhan kanggo nggabungake lan nambah teknologi pelengkap, utamane data gedhe lan analytics (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Sing terakhir utamane asale saka data sing terus berkembang saka macem-macem sensor sing ditindakake ing pertanian cerdas (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Kluster 5. Publikasi ing kluster iki nliti aplikasi 3Dmapping berbasis drone. Nggunakake drone kanggo pemetaan 3D bisa nyuda lapangan kerja sing rumit lan nambah efisiensi kanthi signifikan (Torres-Sanchez ´ et al., 2015). Lima artikel ing kluster utamane fokus ing aplikasi pemantauan tanduran. Contone, kanggo njupuk data telung dimensi babagan area kanopi, dhuwur wit, lan volume makutha, Torres-Sanchez ´ et al. (2015) nggunakake teknologi UAV kanggo ngasilake model lumahing digital lan banjur pendekatan analisis gambar adhedhasar obyek (OBIA). Salajengipun, Zarco-Tejada et al. (2014) ngitung dhuwur wit kanthi nggabungake teknologi UAV lan metode rekonstruksi foto telung dimensi. Jim'enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017) nduduhake proses anyar kanggo pemantauan 3D multi-temporal saka puluhan wit zaitun kanthi nggabungake teknologi UAV kanthi metodologi OBIA sing canggih. Pathways menarik kanggo karya mangsa ing kluster iki kalebu salah siji Ngapikake saiki
metodologi (Zarco-Tejada et al., 2014) kanggo tujuan modeling permukaan digital (Ajayi et al., 2017; Jaud et al., 2016), kayata OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), lan rekonstruksi foto utawa ngembangake metode novel (Díaz-Varela et al., 2015; Torres-S' anchez et al., 2015).
Kluster 6. Kluster iki mbahas peran drone ing pengawasan tetanèn. UAV bisa nglengkapi lan ngatasi kekurangan pencitraan satelit lan pesawat. Contone, padha bisa nyedhiyani resolusi dhuwur cedhak imaging nyata-wektu karo bahan bakar kurang utawa tantangan piloting, asil ing pancet lan nyata-wektu ndjogo lan dandan ing kaputusan-nggawe (S. Herwitz et al., 2004). Kontribusi kunci liyane saka UAV yaiku kemampuan kanggo nyedhiyakake data khusus situs kanggo pertanian presisi utawa pertanian khusus situs minangka resolusi dhuwur, data rinci babagan macem-macem paramèter ngidini para petani mbagi tanah dadi bagean sing homogen lan ngobati kanthi tepat (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Pengawasan pertanian berbasis UAV kasebut bisa ndhukung pemantauan keamanan pangan lan nggawe keputusan (SR Herwitz et al., 2004). Kanggo nerusake riset babagan pengawasan pertanian, ora mung perbaikan ing sensor, UAV, lan teknologi liyane sing gegandhengan lan cara komunikasi lan transfer data sing dibutuhake (Ewing et al., 2020; Shuai et al., 2019), nanging uga nggabungake drone karo macem-macem teknologi kanggo ngoptimalake tugas sing beda-beda ing hubungane karo tetanèn sing cerdas, kayata ngawasi, ngawasi pertanian, lan nggawe keputusan, minangka area riset potensial sing dhuwur (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Ing babagan iki, IoT, WSN, lan data gedhe nawakake kemampuan pelengkap sing menarik (van der Merwe et al., 2020). Biaya implementasine, penghematan biaya, efisiensi energi, lan keamanan data minangka salah sawijining wilayah sing durung diteliti kanggo integrasi kasebut (Masroor et al., 2021).
Negara lan institusi akademik
Langkah pungkasan kalebu investigasi negara asal lan afiliasi akademik penulis. Liwat analisis iki, kita ngarahake luwih ngerti distribusi geografis para sarjana sing nyumbang kanggo aplikasi drone ing pertanian. Wigati dimangerteni macem-macem negara lan institusi akademik. Saka sudut pandang negara, AS, China, India, lan Italia rangking paling dhuwur ing daftar babagan jumlah publikasi (Tabel 7). Saiki
riset babagan drone pertanian umume dipusatake ing negara-negara Amerika Utara lan Asia, utamane amarga keterlibatan sing dhuwur ing aplikasi pertanian presisi. Contone, ing AS, pasar drone pertanian kira-kira 841.9 yuta USD ing taun 2020, kira-kira 30% saka pangsa pasar global (ReportLinker, 2021). Peringkat minangka ekonomi paling gedhe ing donya, China diprediksi bakal nggayuh ukuran pasar kira-kira 2.6 milyar USD ing taun 2027. Negara iki narik kawigaten drone pertanian kanggo ngatasi masalah produktivitas lan entuk asil sing luwih apik, nyuda tenaga kerja, lan input produksi sing luwih murah. Nanging, adopsi teknologi ing China uga didorong dening faktor kayata ukuran populasi lan kabutuhan kanggo nggawe inovasi lan nambah praktik manajemen potong sing wis ana.
Negara paling produktif lan universitas/organisasi sing nyumbang
riset drone-related tetanèn.
Urutan | Negara |
1 | USA |
2 | China |
3 | India |
4 | Italia |
5 | Spanyol |
6 | Jerman |
7 | Brazil |
8 | Australia |
9 | Japan |
10 | Inggris |
Urutan | Universitas/Organisasi |
1 | Akademi Ilmu Pengetahuan Tionghoa |
2 | Kamentrian Pertanian Republik Rakyat China |
3 | Dewan Penyelidikan Ilmiah sing unggul |
4 | Universitas Texas A&M |
5 | China Agricultural University |
6 | Layanan Riset Pertanian USDA |
7 | CSIC - Instituto de Agricultura Sostenible IAS |
8 | Universitas Purdue |
9 | Dewan Penelitian Nasional |
10 | Universitas Pertanian China Kidul |
Saka perspektif universitas lan organisasi, Chinese Academy of Sciences paling dhuwur ing daftar babagan jumlah publikasi, disusul dening Kementerian Pertanian Republik Rakyat China lan Consejo Superior de Investigaciones Científicas. Akademi Ilmu Pengetahuan Cina diwakili dening penulis Liao Xiaohan lan Li Jun; Han Wenting makili Kamentrian Pertanian Republik Rakyat China; lan Consejo Superior de Investigaciones Científicas diwakili dening Lopez-Granados, ´ F. lan Pena, ˜ Jos´e María S. Saka AS, universitas kaya Texas A&M University lan Universitas Purdue nemokake
sebutno. Universitas kanthi jumlah publikasi paling akeh lan sambungane ditampilake ing Gambar 4. Kajaba iku, dhaptar iki kalebu institusi kayata Consiglio Nazionale delle Ricerche lan Consejo Superior de Investigaciones Científicas sing aktif ing riset ilmiah, nanging dudu institusi akademik. .
Pilihan kita kalebu macem-macem jurnal, nyakup meh kabeh data sing kasedhiya. Kaya sing ditampilake ing Tabel 8, Remote Sensing kanthi 258 artikel ana ing ndhuwur, banjur Jurnal Sistem Cerdas lan Robotik: Teori lan Aplikasi kanthi 126 lan Komputer lan Elektronik ing Pertanian kanthi 98 artikel. Nalika Remote Sensing biasane fokus ing aplikasi lan pangembangan drone, Komputer lan Elektronik ing Pertanian utamane kalebu kemajuan ing hardware komputer, piranti lunak, elektronik, lan sistem kontrol ing pertanian. Outlet lintas wilayah, kayata Robotika IEEE lan Surat Otomasi kanthi 87 publikasi lan Akses IEEE kanthi 34 publikasi, uga dadi outlet utama ing lapangan. Limalas outlet paling dhuwur wis nyumbang kanggo literatur kanthi 959 dokumen, yaiku kira-kira 20.40% saka kabeh publikasi. Analisis kutipan jurnal ngidini kita nliti pentinge lan mirip antarane publikasi. Analisis co-citation ngasilake telung klompok, kaya sing ditampilake ing Gambar 5. Kluster abang kasusun saka jurnal kayata Remote Sensing, Computer and Electronics in Agriculture, Sensors,
lan International Journal of Remote Sensing. Kabeh outlet kasebut minangka jurnal sing misuwur banget ing babagan penginderaan jarak jauh lan pertanian presisi. Kluster ijo ngemot jurnal sing gegayutan karo robotika, kayata Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access, lan Drones. Toko iki biasane nerbitake makalah babagan otomatisasi lan migunani kanggo insinyur pertanian. Kluster pungkasan dibentuk dening jurnal sing ana gandhengane karo agronomi lan teknik pertanian, kayata Agronomi lan Jurnal Teknik Pertanian lan Biologi Internasional.
Jurnal 15 paling ndhuwur ing riset sing gegandhengan karo drone pertanian.
Urutan | Journal | Count |
1 | Sensasi adoh | 258 |
2 | Jurnal Sistem Cerdas lan Robotik: Teori lan aplikasi | 126 |
3 | Komputer lan Elektronika ing Pertanian | 98 |
4 | Robotika IEEE lan Surat Otomasi | 87 |
5 | sensor | 73 |
6 | Jurnal Internasional Penginderaan Jauh | 42 |
7 | Pertanian Precision | 41 |
8 | Drone | 40 |
9 | Agronomi | 34 |
10 | Akses IEEE | 34 |
11 | Jurnal Internasional Sistem Robotik Lanjut | 31 |
12 | Jurnal Internasional Teknik Pertanian lan Biologi | 25 |
13 | PLOS ONE | 25 |
14 | Jurnal Robotika Lapangan | 23 |
15 | Teknik Biosistem | 23 |
kesimpulan
Summary
Ing panliten iki, kita ngringkes lan nganalisa riset sing ana babagan drone pertanian. Kanthi nggunakake macem-macem teknik bibliometrik, kita ngupayakake supaya luwih ngerti babagan struktur intelektual riset sing ana gandhengane karo drone pertanian. Ing ringkesan, review kita nawakake sawetara kontribusi kanthi ngenali lan ngrembug tembung kunci ing literatur, ngungkapake kluster kawruh nalika mbentuk komunitas sing padha karo semantik ing bidang drone, njlentrehake riset sadurunge, lan menehi saran arah riset ing mangsa ngarep. Ing ngisor iki, kita njelasake temuan utama review babagan pangembangan drone pertanian:
• Literatur sakabèhé wis berkembang kanthi cepet lan narik kawigatosan sing gedhé sajrone dasawarsa pungkasan, kaya sing dituduhake kanthi mundhake jumlah artikel sawisé taun 2012. Sanajan lapangan kawruh iki durung entuk kadewasan sing lengkap (Barrientos et al., 2011; Maes & Steppe, 2019), sawetara pitakonan isih durung dijawab. Contone, utilitas drone ing tani njero ruangan isih mbukak kanggo debat (Aslan et al., 2022; Krul et al., 2021; Rold'an et al., 2015). Kompleksitas pemandangan lapangan lan kahanan pencitraan sing beda-beda (umpamane, bayangan lan katerangan) bisa nyebabake variasi spektral ing kelas sing luwih dhuwur (Yao et al., 2019). Malah ing fase riset sabanjure, peneliti wis ditantang kanggo nemtokake rencana penerbangan sing optimal miturut skenario tartamtu lan kualitas gambar sing dibutuhake (Soares et al., 2021; Tu et al.,
2020).
• Kita sok dong mirsani yen lapangan wis maju saka ngembangaken sistem UAV efisien kanggo nggabungake teknik AI, kayata learning machine lan learning jero ing desain drones tetanèn (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Riset babagan drone pertanian umume ngrembug babagan penginderaan jarak jauh kanthi njelajah potensi teknologi ing pemantauan lingkungan, manajemen panen, lan manajemen gulma (kluster 1) uga fenotip remot lan estimasi hasil (kluster 2). Sakumpulan studi pengaruh babagan drone pertanian kalebu Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex and Remondino (2014), lan Zhang and Kovacs (2012). Panaliten kasebut ngembangake basis konseptual riset sing gegandhengan karo drone ing konteks pertanian.
• Gegandhengan karo metodologi, kita mirsani sing paling saka riset rampung nganti saiki wis dumadi saka salah siji saka desain sistem, konsep, utawa pasinaon basis review (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Kita uga sok dong mirsani kekurangan metode empiris, kualitatif, lan basis studi kasus ing karya kanggo nyelidiki drone pertanian.
• Bubar, topik sing ana hubungane karo tetanèn presisi, teknik AI, vitikultur presisi, lan penilaian tekanan banyu wis narik kawigaten (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Pemeriksaa kluster riset kanthi teliti ing rong jaman kapisah, 1990–2010 lan 2011–2021, nuduhake kemajuan struktur intelektual domain kasebut. Periode saka 1990 nganti 2010 minangka pambangunan gagasan pusat lan konsep drone, sing jelas saka diskusi babagan desain, pangembangan, lan implementasi UAV. Ing jaman kapindho, fokus riset nggedhekake studi sadurunge, nggawe upaya kanggo sintesis kasus panggunaan UAV ing pertanian. Kita uga nemokake akeh panaliten sing ngrembug aplikasi drone ing tugas pencitraan lan pertanian presisi.
Urutan | Journal | Count |
1 | Sensasi adoh | 258 |
2 | Jurnal Sistem Cerdas lan Robotik: Teori lan | 126 |
aplikasi | ||
3 | Komputer lan Elektronika ing Pertanian | 98 |
4 | Robotika IEEE lan Surat Otomasi | 87 |
5 | sensor | 73 |
6 | Jurnal Internasional Penginderaan Jauh | 42 |
7 | Pertanian Precision | 41 |
8 | Drone | 40 |
9 | Agronomi | 34 |
10 | Akses IEEE | 34 |
11 | Jurnal Internasional Sistem Robotik Lanjut | 31 |
12 | Jurnal Internasional Teknik Pertanian lan Biologi | 25 |
13 | PLOS ONE | 25 |
14 | Jurnal Robotika Lapangan | 23 |
15 | Teknik Biosistem | 22 |
mbek
Tinjauan bibliometrik kita dirancang lan ditindakake kanthi nimbang para sarjana, petani, ahli pertanian, konsultan panen, lan perancang sistem UAV. Kanggo kawruh sing paling apik saka penulis, iki minangka salah sawijining tinjauan asli pisanan sing wis nindakake analisis bibliometrik sing jero babagan
aplikasi drone ing tetanèn. Kita wis nganakake tinjauan lengkap babagan badan kawruh iki, nggunakake analisis kutipan lan co-kutipan publikasi. Usaha kita kanggo nggambarake struktur intelektual riset drone uga menehi wawasan anyar kanggo akademisi. Tinjauan kanthi ati-ati babagan tembung kunci sing digunakake sajrone wektu nuduhake hotspot lan area riset fokus ing literatur sing ana gandhengane karo drone. Salajengipun, kita nampilake dhaptar studi sing paling akeh dikutip kanggo ngenali karya riset sing paling efektif sing wis rampung ing lapangan. Identifikasi artikel lan tembung kunci bisa dadi titik wiwitan sing kuat kanggo nemokake sawetara cara kanggo sinau ing mangsa ngarep.
Sing penting, kita mbukak klompok sing nggolongake karya sing padha lan njlentrehake asil. Pasinaon sing diklasifikasikake ing klompok mbantu ngerteni struktur intelektual riset UAV. Utamane, kita nemokake kekurangan studi sing nyelidiki faktor adopsi drone
lan alangan ing kagiyatan tani (pirsani Tabel 9). Peneliti ing mangsa ngarep bisa ngatasi kesenjangan potensial iki kanthi nindakake penyelidikan empiris sing ngevaluasi faktor adopsi drone ing macem-macem kegiatan tani lan kahanan iklim. Salajengipun, panaliten adhedhasar studi kasus babagan efektifitas drone kudu didhukung kanthi data nyata saka lapangan. Kajaba iku, nglibatake petani lan manajer ing riset akademik bakal nguntungake kanggo kemajuan teoritis lan praktis riset drone. Kita uga bisa ngenali peneliti sing paling misuwur lan kontribusine, sing penting amarga kesadaran babagan karya seminal anyar bisa menehi tuntunan kanggo usaha akademik ing mangsa ngarep.
Tabel 9
alangan adopsi UAV.
Barrier | Description |
Keamanan data | Keamanan siber minangka tantangan utama kanggo implementasine Solusi IoT (Masroor et al., 2021). |
Interoperabilitas lan integrasi | Macem-macem teknologi kayata UAV, WSN, IoT, lsp. kudu Integrasi lan ngirim data kang nambah tingkat kerumitan (Alsamhi et al., 2021; Popescu et al., 2020; Wulan et al., 2018). |
Biaya implementasine | Iki khusus kanggo petani cilik lan kanggo integrasi macem-macem teknologi mutakhir ( Masroor et al., 2021). |
Kawruh pegawe lan keahlian | Pilot drone sing trampil dibutuhake kanggo ngoperasikake UAV. Uga, ngleksanakake macem-macem mutakhir teknologi mbutuhake buruh trampil (YB Huang et al., 2013; Tsouros et al., 2019). |
Engine Power lan pesawat dadi | Drone ora bisa dioperasikake sajrone jam lan tutup wilayah gedhe (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilitas, linuwih, lan maneuverabilitas | Drone ora stabil nalika kondisi cuaca sing ala (Hardin & Hardin, 2010; Laliberte et al., 2007). |
watesan Payload lan kualitas sensor | Drone mung bisa nggawa muatan sing winates kemampuan kanggo ngemot sensor kualitas sing luwih murah (Nebiker dkk., 2008). |
angger-angger | Amarga drone uga mbebayani, ana uga sing abot peraturan ing sawetara wilayah (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Kawruh petani lan kapentingan | Minangka teknologi canggih liyane, drone implementasine sukses perlu expertise lan uga diiringi kahanan sing durung mesthi (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Amarga ana kabutuhan konstan kanggo nggunakake sumber daya sing kasedhiya kanthi efisien kanggo nggedhekake asil, para petani bisa njupuk kauntungan saka drone kanggo mesthekake pemindaian sing cepet, akurat, lan larang regane. Teknologi kasebut bisa nyengkuyung para petani kanggo nemtokake kahanan tetaneman lan netepake status banyu, tahap pematangan, infestasi serangga, lan kabutuhan nutrisi. Kapabilitas remote-sensing drone bisa nyedhiyakake data penting kanggo petani kanggo ngantisipasi masalah ing tahap awal lan kanthi cepet nggawe intervensi sing cocog. Nanging, keuntungan saka teknologi mung bisa diwujudake yen tantangan kasebut ditangani kanthi bener. Ing cahya saka
masalah saiki babagan keamanan data, masalah teknologi sensor (contone, linuwih utawa akurasi pangukuran), kerumitan integrasi, lan biaya implementasine substansial, studi mangsa uga kudu nliti kelayakan teknis, ekonomi, lan operasional kanggo nggabungake drone pertanian lan pemotongan liyane. teknologi pinggiran.
watesan
Sinau kita duwe sawetara watesan. Kaping pisanan, temuan ditemtokake dening publikasi sing dipilih kanggo analisis pungkasan. Tantangan kanggo njupuk kabeh studi sing relevan karo drone pertanian, utamane sing ora diindeks ing database Scopus. Salajengipun, proses pangumpulan data diwatesi ing setelan tembung kunci telusuran, sing bisa uga ora kalebu lan ndadékaké temuan sing ora bisa ditemtokake. Mangkono, pasinaon ing mangsa ngarep kudu menehi perhatian luwih kanggo masalah ndasari pengumpulan data kanggo nggawe
kesimpulan sing luwih dipercaya. Watesan liyane babagan publikasi anyar kanthi jumlah kutipan sing sithik. Analisis bibliometrik bias menyang publikasi sadurunge amarga cenderung nampa kutipan luwih akeh sajrone pirang-pirang taun. Pasinaon anyar mbutuhake wektu tartamtu kanggo narik kawigaten lan nglumpukake kutipan. Akibaté, studi anyar sing nggawa owah-owahan paradigma ora bakal dadi sepuluh karya paling berpengaruh. Watesan iki umum ing pamriksan domain riset sing berkembang kanthi cepet kaya drone pertanian. Nalika kita wis takon Scopus kanggo sinau sastra kanggo karya iki, peneliti mangsa bisa nimbang beda
database, kayata Web of Science lan IEEE Xplore, kanggo nggedhekake cakrawala lan nambah struktur riset.
Pasinaon bibliometrik potensial bisa uga nimbang sumber kawruh penting liyane kayata makalah konferensi, bab, lan buku kanggo ngasilake wawasan novel. Sanajan pemetaan lan nyelidiki publikasi global babagan drone pertanian, panemuan kita ora nuduhake sebab-sebab asil ilmiah saka universitas. Iki mbukak dalan menyang area riset anyar kanthi njelasake kanthi kualitatif kenapa sawetara universitas luwih produktif tinimbang liyane nalika nerangake riset babagan pertanian.
drone. Kajaba iku, pasinaon ing mangsa ngarep bisa menehi wawasan babagan potensial drone kanggo nambah kelestarian tani kanthi sawetara cara kayata pemantauan lingkungan, manajemen potong, lan pemetaan gulma kaya sing dituduhake dening sawetara peneliti (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Amarga analisa teks ora bisa ditindakake amarga akehe makalah sing dipilih, mula perlu ana tinjauan literatur sing sistematis sing nliti
metode riset sing digunakake lan keterlibatan petani ing studi sadurunge. Singkatnya, analisis riset drone kita mbukak hubungan sing ora katon saka badan kawruh iki. Mulane, tinjauan iki mbantu nemokake hubungan antarane publikasi lan njelajah struktur intelektual lapangan riset. Iki uga nggambarake hubungan antarane macem-macem aspek sastra, kayata tembung kunci, afiliasi, lan negara penulis.
Pranyatan Kepentingan Bersaing
Panulis ujar manawa dheweke ora ngerti kepentingan finansial saingan utawa hubungan pribadi sing bisa uga nyebabake pengaruhe sing dilaporake ing makalah iki.
Lampiran 1
TITLE-ABS-KEY (((drone* UTAWA “unmanned aerial vehicle” UTAWA uav* UTAWA “unmanned aircraft system” UTAWA uas UTAWA "pesawat jarak jauh”) LAN (pertanian UTAWA tetanèn UTAWA tani UTAWA petani))) LAN (EXCLUDE (PUBYEAR, 2022)) LAN (LIMIT-TO (BAHASA, "Inggris")).
Cathetan Suku
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Ngasilake informasi hiperspektral 3D kanthi kamera snapshot UAV sing entheng kanggo ngawasi vegetasi: saka
kalibrasi kamera kanggo jaminan kualitas. ISPRS J. Photogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Pangembangan algoritma pangenalan pola kanggo deteksi manuk otomatis saka citra kendaraan aerial tanpa awak.
Survey. Informasi Tanah. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Wireless sensor networks in agriculture: insights from bibliometric analysis. Kelestarian 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Assessment of different methods for shadow detection in high-resolution optical imagery and evaluation of shadow impact on calculation NDVI, dan evapotranspirasi. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hyperspectral imaging: review on UAV-based sensors, data pangolahan lan
aplikasi kanggo tetanèn lan kehutanan. Remote Sensing 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Pencitraan multi-temporal nggunakake kendaraan aerial tanpa awak kanggo ngawasi potong kembang srengenge. Biosis. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generasi model elevasi digital akurat saka UAV angsal gambar tumpang tindih persentase kurang. Int.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Review pendekatan machine learning kanggo biomassa lan retrievals Kelembapan lemah saka data remote sensing. Remote Sensing 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Green internet of things using UAVs in B5G networks: A review of applications
lan strategi. Ad. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones for Sheep Livestock Monitoring. Ing: 20th IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-based high throughput phenotyping in citrus utilizing multispectral imaging and artificial intelligence. Remote Sensing 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Aplikasi berbasis awan kanggo ngolah, nganalisa lan nggambarake data sing diklumpukake UAV kanggo aplikasi pertanian presisi nggunakake intelijen buatan. komputasi. elektron. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data and machine learning with hyperspectral information in agriculture. Akses IEEE 9, 36699–36718. https://doi.org/10.1109/
AKSES.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Review: tliti teknologi Peternakan Ternak ing sistem ternak adhedhasar pangonan. Kewan 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trends on advanced information and communication technologies for
ningkatake produktivitas pertanian: analisis bibliometrik. Agronomi 10 (12), Artikel 12. https://doi.org/10.3390/agronomi10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The flying gator: towards aerial robotics in occam-π. Commun. Arsitek Proses. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Struktur intelektual saka riset prilaku complaining konsumen (CCB): A analisis bibliometric. J. Bisnis Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Survei lengkap babagan studi anyar karo UAV kanggo pertanian presisi ing lapangan terbuka lan omah kaca. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Field Phenotyping kanggo Masa Depan. Ing Annual Plant Reviews online (pp. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Sistem Pesawat Tanpa Awak: Desain, Pangembangan lan Penyebaran UAVS. Ing: Sistem Pesawat Tanpa Awak: Desain UAVS, Pangembangan lan
Penyebaran. John Wiley lan Sons. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. Penginderaan jarak jauh adhedhasar UAV ing stres tanduran mbayangno nggunakake sensor termal resolusi dhuwur kanggo praktik pertanian digital: meta-review. Int. J. Lingkungan. Sci. Technol. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Tani pinter: Kesempatan, tantangan
lan enablers teknologi. 2018 IoT Vertikal lan. Topical Summit on Agriculture -Tuscany (IOT Tuscany) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Learning jero karo labeling data unsupervised kanggo deteksi gulma ing crops baris ing gambar UAV. Remote Sensing 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normatif versus proses konstruktivis sosial ing alokasi kutipan: model analitik jaringan. Am. Sosial. Wahyu 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Assessment of vineyard water status variability by thermal and multispectral
gambar nggunakake kendaraan udara tanpa awak (UAV). Irrig. Sci. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., Pemuliaan generasi sabanjure. Tanduran Sci. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektif babagan panggunaan sistem aerial tanpa awak kanggo ngawasi sapi. Outlook Agric. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Low-weight and UAV-based hyperspectral kamera full-frame
kanggo ngawasi crops: comparison spektral karo pangukuran spectroradiometer portabel. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Aerial remote sensing ing pertanian: Pendekatan praktis kanggo jangkoan wilayah
lan tata dalan kanggo armada robot pangeboman mini. J. Lapangan Rob. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. A survey ing aplikasi saka algoritma path-planning kanggo UAV multi-rotor kanthi presisi
tetanèn. J. Navigasi. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. The state-of-the-art of knowledge-intensive agriculture: review on Applied sensing systems and data analytics. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Pencitraan basis UAV kanggo multi-temporal, model lumahing potong resolusi dhuwur banget kanggo ngawasi variasi wutah potong. Photogrammetrie, Fernerkundung, Geoinformation 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. Estimasi biomassa barley nggunakake model lumahing potong (CSMs) asalé saka UAVbased RGB imaging. Remote Sensing 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Nggabungake dhuwur tanduran adhedhasar UAV saka lumahing potong model,
indeks vegetasi infra merah sing katon, lan cedhak kanggo pemantauan biomassa ing barley. Int. J. Aplikasi Bumi Obs. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´ G., Fereres, E., Villalobos, F., 2009a. Pemetaan konduktansi kanopi lan CWSI ing kebon zaitun nggunakake resolusi dhuwur
citra termal remote sensing. Lingkungan Remote Sens. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Thermal lan narrowband multispektral remote sensing kanggo ngawasi vegetasi saka kendaraan aerial tanpa awak. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things in food safety: Literature review and a bibliometric analysis. Tren Pangan Sci. Technol. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT ing tetanèn: Ngrancang pilot skala gedhe ing Eropah. Komunitas IEEE. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Multi-sensor UAV nelusuri tunas individu lan komunitas seedling ing akurasi milimeter. Drone 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Ngevaluasi gambar multispektral lan indeks vegetasi kanggo aplikasi pertanian tliti saka gambar UAV. Remote Sensing 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Pemantauan indikator pertumbuhan bit gula nggunakake indeks vegetasi jarak dinamis lebar (WDRVI) sing diturunake saka UAV
gambar multispektral. komputasi. elektron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolusi struktur intelektual sastra bisnis kulawarga: studi bibliometrik saka FBR. Bisnis Kulawarga Rev. 20 (2), 141-162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Pemantauan dinamis biomassa beras ing
perawatan nitrogen beda nggunakake UAV entheng karo dual gambar-pigura kamera gambar asli seko. Cara Tanduran 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Securing sustainability in Indian agriculture through civilian UAV: a responsible innovation perspective. Aplikasi SN Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Tanggung jawab pamrentahan babagan inovasi kendaraan udara tanpa awak sipil (UAV) kanggo aplikasi asuransi panen India. J. Tanggung Jawab
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Nglamar pencitraan aerial saluran katon resolusi dhuwur saka kanopi potong kanggo manajemen irigasi presisi. Agric. banyu
Manag. 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. UAV entheng kanthi fotogrametri on-board lan posisi GPS frekuensi tunggal kanggo aplikasi metrologi. ISPRS J. Photogramm. Remote Sens. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Platform IoT berbasis Blockchain kanggo manajemen operasi drone otonom. Ing: Prosiding saka 2nd ACM
MobiCom Workshop on Drone Assisted Wireless Communications for 5G and Beyond, pp. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Cara nulis lan nerbitake karya ilmiah. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapping cynodon dactylon infesting nutupi crops karo prosedur wit-OBIA kaputusan otomatis lan gambar UAV kanggo viticulture tliti. Remote Sensing 12 (1), 56. https://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S' anchez, J., Pena, ˜ JM, Jim'enez-Brenes, FM, Csillik, O., Lopez-'Granados, F., 2018. Algoritma alas acak otomatis-OBIA kanggo pemetaan suket awal antarane lan ing baris potong nggunakake citra UAV. Remote Sensing 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Pangukuran Otomatis Dhuwur Tanduran Genotip Gandum Nggunakake DSM sing Diturunake saka Citra UAV. Prosiding 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Jaringan segmentasi semantik entheng kanggo pemetaan gulma wektu nyata nggunakake kendaraan udara tanpa awak. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-based multispectral remote sensing kanggo tetanèn tliti: comparison antarane kamera beda. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Machine learning lan teknik remote sensing ditrapake kanggo ngira indikator lemah - review. Ekol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Citra UAV udhara resolusi dhuwur kanggo netepake parameter mahkota wit zaitun nggunakake foto 3D
reconstruction: aplikasi ing trials breeding. Remote Sensing 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Manajemen kapasitas bandara: review lan analisis bibliometrik. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Nggunakake citra RapidEye kanggo ngenali variabilitas ing lapangan wutah lan ngasilaken ing Ontario, Kanada. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Aplikasi drone pertanian lan iot kanggo mangerteni rantai pasokan pangan sajrone pasca COVID-19. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Informatika Pertanian: Otomasi Nggunakake IoT lan Pembelajaran Mesin. Wiley, kaca 67–87. van Eck, N., Waltman, L., 2009. Survei piranti lunak: VOSviewer, program komputer kanggo pemetaan bibliometrik. Scientometrics 84 (2), 523-538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Ringkesan Internet of Things (IoT) lan analytics data ing pertanian: keuntungan lan tantangan.
IEEE Internet Things J. 5 (5), 3758–3773.
Enciso, J., Avila, CA, Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J., Maeda, M., Chavez, JC, 2019. Validasi agronomis UAV lan lapangan
pangukuran kanggo varieties tomat. komputasi. elektron. Agric. 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. High resolution multispectral and thermal remote sensing-based water stress assessment in
subsurface irigasi grapevines. Remote Sensing 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Utilizing hyperspectral remote sensing for soil gradation. Remote Sensing 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Evaluasi multiskala saka reflektansi permukaan multispektral berbasis drone lan indeks vegetasi ing kondisi operasional. Remote Sensing 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Study of wireless communication technologies on Internet of Things for precision agriculture. Wireless Pers. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Teori biaya transaksi ing riset bisnis internasional: studi bibliometrik sajrone telung dekade. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Kemajuan ing tetanèn tliti ing Australia kidul-wétan. I. metodologi regresi kanggo simulasi
variasi spasial ing panenan sereal nggunakake asil paddock sajarah petani lan indeks vegetasi beda normal. Tanduran Pasture Sci. 60 (9), 844–858.
Floreano, D., Kayu, RJ, 2015. Ilmu, teknologi lan masa depan drone otonom cilik. Alam 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet of things for the future of smart agriculture: a comprehensive survey of emerging technologies. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., Juarez Lopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Segmentasi tanduran ara saka gambar aerial nggunakake jaringan encoder-decoder convolutional jero. Remote Sensing 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. tantangan UAV kanggo netepake tekanan banyu kanggo
tetanèn lestari. Agric. Banyu Manag. 153, 9–19. https://doi.org/10.1016/j. agwat.2015.01.020.
García-Tejero, IF, Rubio, AE, Vinuela, ˜ I., Hern´ andez, A., Guti´errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur´ an-Zuazo, VH, 2018. Thermal imaging ing tanduran
tingkat kanggo netepke status crop-banyu ing wit almond (cv. Guara) ing strategi irigasi defisit. Agric. Banyu Manag. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Reflektansi permukaan lan pangukuran spektroskopi fluoresensi suninduced nggunakake UAS hyperspectral cilik. Remote Sensing 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇ sparovi'c, M., Zrinjski, M., Barkovi'c, Đ., Radoˇcaj, D., 2020. Cara otomatis kanggo
pemetaan ganja ing lapangan gandum adhedhasar citra UAV. komputasi. elektron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Precision tetanèn lan pangan keamanan. Ilmu 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Gabungan model spektral lan spasial saka asil jagung adhedhasar gambar aerial lan model permukaan potong sing dipikolehi karo sistem pesawat tanpa awak. Remote Sensing 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Desain sustainable kanggo pangguna: review literatur lan analisis bibliometrik. lingkungan. Sci. polutan. Res. 27 (24), 29824–29836. https://doi. org / 10.1007 / s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generasi permukaan respon spektraltemporal kanthi nggabungake satelit multispektral lan hiperspektral
Citra UAV kanggo aplikasi pertanian presisi. IEEE J. Sel. Ndhuwur. Appl. Bumi Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Pertanian adhedhasar IoT minangka awan lan layanan data gedhe: wiwitan India digital. J. Org. lan Komputasi Pangguna Akhir. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Co-citation analysis and the search for invisible colleges: a methodological evaluation. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a: 1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Jumlah digital tanduran jagung dening Unmanned Aerial Vehicles (UAV). Remote Sensing 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. A Rotary-wing unmanned air vehicle for aquatic weed surveillance and
manajemen. J. Intel. Sistem Robotik: Teori. Appl. 57 (1–4), 467–484. https://doi. org / 10.1007 / s10846-009-9371-5.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Assessing akurasi mozaik saka unmanned aerial vehicle (UAV) perumpamaan kanggo tujuan pertanian presisi ing gandum. presisi. Agric. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. Field phenotyping of water stress at tree scale by UAV-sensid imagery : kaweruh anyar kanggo
akuisisi termal lan kalibrasi. presisi. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Aplikasi lan watesan nggunakake indeks stres banyu potong minangka indikator defisit banyu ing kebon jeruk. Agric. Kanggo. Meteorol. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Nggunakake citra termal UAV resolusi dhuwur kanggo
netepake variabilitas ing status banyu limang spesies wit woh ing kebon komersial. presisi. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Literasi finansial: Tinjauan sistematis lan analisis bibliometrik. Int. J. Studi Konsumen 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Potensi fotogrametri uav murah ing kehutanan lan pertanian. Arsip Internasional Photogrammetry, Remote Sensing lan Ilmu Informasi Spasial - Arsip ISPRS 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. Evaluasi korélasi resolusi dhuwur
NDVI kanthi tingkat aplikasi pupuk lan asil panen pari lan gandum nggunakake UAV cilik. Remote Sensing 11 (2), 112.
Gundolf, K., Filser, M., 2013. Riset Manajemen lan agama: analisis kutipan. J. Bus. Etika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simulasi CFD lan verifikasi eksperimen spasial lan distribusi temporal saka
aliran udara downwash saka quad-rotor tetanèn UAV ing hover. komputasi. elektron. Agric. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz´ alez P´erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Poland, J., 2016.
Aplikasi sistem aerial tanpa awak kanggo phenotyping throughput dhuwur saka pembibitan gandum gedhe. Metode Tanduran 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ onen, ¨I., 2013. Pencitraan spektral saka UAV ing kondisi iluminasi sing beda-beda. . Ing GG Bill R. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences-ISPRS Archives (Vol. 40, Issue 1W2, pp. 189-194). International Society for Photogrammetry and Remote Sensing. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L. Teknik ngevaluasi kanggo pemetaan vegetasi pulo saka udara tanpa awak
gambar kendaraan (UAV): Klasifikasi piksel, interpretasi visual lan pendekatan machine learning. Int. J. Aplikasi Bumi Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Tani cerdas liwat kepemimpinan sing tanggung jawab ing bangladesh: kemungkinan, kesempatan, lan liya-liyane.
Kelestarian 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Small-scale remotely piloted vehicles in environmental research. Kompas Geografi 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Kendaraan aerial unmanned skala cilik ing penginderaan jarak jauh lingkungan: tantangan lan kesempatan. GISci. Remote Sens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: teknologi lan aplikasi, (1st ed. 2021 edition). Springer.
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.
Pencitraan saka kendaraan aerial tanpa awak: pengawasan pertanian lan dhukungan keputusan. komputasi. elektron. Agric. 44 (1), 49–61. https://doi.org/10.1016/j.
kompag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, High throughput field phenotyping dhuwur tanduran gandum lan tingkat wutah ing uji coba plot lapangan nggunakake UAV adhedhasar remote sensing. Remote Sensing 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. Pengolahan lan penilaian saka spektrometri, citra stereoskopik diklumpukake nggunakake kamera spektral UAV entheng kanggo tetanèn tliti. Remote Sensing 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Low-altitude unmanned aerial vehiclesbased internet of things services: survey komprehensif lan perspektif mangsa. IEEE Internet Things J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., Roberts, J., 2005. Gabungan optik-aliran lan stereo basis pandhu arah canyons kutha kanggo UAV. Ing: 2005 IEEE/RSJ
International Conference on Intelligent Robots and Systems, pp. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Platform pertanian IoT Kreatif kanggo komputasi awan awan. Nyonggo. komputasi. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. A fully convolutional network for weed mapping of unmanned aerial vehicle ( UAV) gambar. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Deep learning versus Object-based Image Analysis (OBIA) ing pemetaan gulma citra UAV. Int. J.
Remote Sens. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Kalibrasi warna jero kanggo citra UAV ing pemantauan potong
nggunakake transfer gaya semantik kanthi perhatian lokal menyang global. Int. J. Aplikasi Bumi Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Pangembangan lan prospek teknologi kendaraan udara tanpa awak kanggo produksi pertanian
manajemen. Int. J. Agric. biol. Eng. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Pangembangan sistem semprotan kanggo platform kendaraan aerial tanpa awak. Appl. Eng. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Akuisisi foto digital NIR-ijo-biru saka
pesawat tanpa awak kanggo ngawasi potong. Remote Sensing 2 (1), 290–305. https://doi. org / 10.3390 / rs2010290. Inoue, Y., 2020. Penginderaan terpencil berbasis satelit lan drone kanggo tanduran lan lemah kanggo pertanian cerdas - review. Sci Lemah. Tanduran Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandeh, F., Ray, B., Moore, S., Kadel, R., 2021. A review of applications and communication technologies for Internet of Things (IoT) and
Unmanned Aerial Vehicle (UAV) adhedhasar pertanian cerdas lestari. Kelestarian 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Nemtokake akurasi model lumahing digital resolusi dhuwur sing diitung dening
PhotoScan® lan MicMac® ing kahanan survey sub-optimal. Remote Sensing 8 (6), https://doi.org/10.3390/rs8060465.
Jim'enez-Brenes, FM, Lopez-Granados, ´ F., Castro, AI, Torres-S' anchez, J., Serrano, N., Pena, ˜ JM, 2017. Quantifying pruning impacts on olive tree architecture and annual pertumbuhan kanopi kanthi nggunakake pemodelan 3D adhedhasar UAV. Metode Tanduran 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Perkiraan kapadhetan tanduran tanduran gandum nalika muncul saka citra UAV sing dhuwur banget. Sens Jarak Jauh.
lingkungan. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sistem pemantauan produk pertanian sing didhukung dening komputasi awan. Komputasi Kluster. 22 (4), 8929–8938.
Ju, C., & Putra, HI 2018a. Evaluasi kinerja sawetara sistem UAV kanggo penginderaan jarak jauh ing pertanian. Prosiding Lokakarya babagan Visi Robot lan Tindakan ing Pertanian ing Konferensi Internasional IEEE babagan Robotika lan Otomasi (ICRA), Brisbane, Australia, 21–26.
Ju, C., Putra, HI, 2018b. Multiple sistem UAV kanggo aplikasi pertanian: kontrol, implementasine, lan evaluasi. Elektronika 7 (9), 162. https://doi.org/10.3390/
elektronika7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. The potential of remote sensing and artificial intelligence as tools to improve the
ketahanan sistem produksi pertanian. Curr. Opin. Bioteknol. 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. Teknik kepanduan panen sing luwih apik sing nggabungake pencitraan multispektral sing dibantu kendaraan udara tanpa awak dadi praktik kepanduan konvensional kanggo hawar batang gummy ing semangka. Tanduran Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Kemajuan ing riset media sosial: kepungkur, saiki lan mangsa ngarep. ngabari. Syst. Ngarep. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: jaringan deteksi penyakit anggur adhedhasar gambar multispektral lan peta ambane. Remote Sensing 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Perbandingan citra multispektral berbasis satelit lan UAV kanggo kebon anggur
penilaian variabilitas. Remote Sensing 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain enabled optimized provenance system for food industry 4.0 using advanced deep learning. Sensor 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Deteksi penyakit tanduran adhedhasar gambar: saka sinau mesin klasik nganti lelungan sinau jero. Wireless Commun. Komputer seluler. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. A novel semi-supervised framework kanggo klasifikasi potong / gulma adhedhasar UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Ringkesan aplikasi saiki lan potensial saka penginderaan jarak jauh termal ing pertanian presisi. komputasi. elektron.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolution of Internet of Things (IoT) lan pengaruh sing signifikan ing bidang Pertanian Presisi. komputasi. elektron. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Employee engagement for sustainable organizations: keyword analysis using social network analysis and burst
pendekatan deteksi. Kelestarian 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrasi saka terrestrial lan drone-borne
metode sensing hiperspektral lan fotogrametri kanggo pemetaan eksplorasi lan pemantauan pertambangan. Remote Sensing 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Etungan tanduran jagung nggunakake deep learning lan gambar UAV. IEEE Geosci. Sens Jarak Jauh Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automated machine learning for highthroughput image-based plant phenotyping. Remote Sensing 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Tren teknologi modern ing pangembangan ekosistem UAV kargo. J. Fisik. Conf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Visual SLAM kanggo ternak njero ruangan lan tani nggunakake drone cilik karo kamera monocular: studi kelayakan.
Drone 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Survey of drones for agriculture automation saka tanduran kanggo
panen. Ing: INES 2018 - Konferensi Internasional IEEE kaping 22 babagan Sistem Teknik Cerdas, pp. 000353-358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Tampilan lan tantangan kerangka UAV IoT: kanggo nglindhungi drone minangka "Barang". Sensor 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Tata cara pangolahan lan klasifikasi gambar kanggo analisis citra sub-desimeter sing dipikolehi karo pesawat tanpa awak liwat arid.
dharatan. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Kendaraan aerial tanpa awak kanggo pemetaan lan pemantauan rangeland: perbandingan rong sistem. Prosiding Konferensi Tahunan ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Alur kerja open source kanggo pemetaan gulma ing padang rumput asli
nggunakake kendaraan aerial tanpa awak: Nggunakake Rumex obtusifolius minangka studi kasus. Eur. J.Remote Sens. 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Adoption, untung, lan nggawe luwih apik nggunakake data tani tliti.
Kertas kerja. Universitas Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crops in small plots. Sensor 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Desain pertanian cerdas adhedhasar data gedhe lan Internet. Int. J. Distribusi. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Perkiraan jarak jauh saka dhuwur kanopi lan biomas jagung ing ndhuwur lemah nggunakake gambar stereo resolusi dhuwur saka a sistem kendaraan aerial tanpa awak sing murah. Ekol. Ind. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Machine learning ing pertanian: review. Sensor 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Remote, phenotyping aerial sifat jagung kanthi pendekatan multi-sensor seluler. Cara tanduran 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Deteksi lan ngitung panicle sorgum nggunakake gambar sistem aerial tanpa awak lan sinau jero. Ngarep. Tanduran Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things monitoring system of modern eco-agriculture based on cloud computing. Akses IEEE 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Deteksi gulma kanggo manajemen gulma khusus situs: pemetaan lan pendekatan wektu nyata. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´ F., Torres-Sanchez, ´ J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Pemantauan awal adhedhasar obyek saka suket suket ing potong suket nggunakake citra UAV resolusi dhuwur. Agron. Nyonggo. Dev. 36 (4), 1–12
Lopez-Granados, ´ F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Pemetaan suket musim awal ing kembang srengenge nggunakake teknologi UAV: variabilitas peta perawatan herbisida nglawan ambang ganja. presisi. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS - spektroskopi imaging saka sistem pesawat tanpa awak multirotor. J. Lapangan Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Terrestrial laser scanning of palawija tetanèn. Ing JJ
Chen J. Maas H–G. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences-ISPRS Archives (Vol. 37, pp. 563-566).
International Society for Photogrammetry and Remote Sensing. 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. Tinjauan klasifikasi gambar tutupan tanah adhedhasar obyek sing diawasi. ISPRS J. Photogramm. Remote Sens. 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektif kanggo penginderaan jarak jauh karo kendaraan udara tanpa awak ing pertanian presisi. Tren Tanduran Sci. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Unmanned aerial system (UAS)-based phenotyping of soybean using multi-sensor data fusion and extreme learning machine. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Pemantauan potong nggunakake fusi data satelit/UAV lan pembelajaran mesin. Remote Sensing 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Malta, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Ing nggunakake sistem pangeboman tanpa awak kanggo
ngawasi lingkungan. Remote Sensing 10 (4), 641.
Marinko, RA, 1998. Kutipan kanggo jurnal studi wanita ing disertasi, 1989 lan The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Manajemen sumber daya ing jaringan nirkabel sing dibantu UAV: perspektif optimasi. Jaringan Ad Hoc. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Aplikasi praktis saka platform UAV multisensor adhedhasar gambar multispektral, termal lan resolusi dhuwur RGB kanthi presisi.
panen anggur. Pertanian 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Ngluwihi indeks NDVI tradisional minangka faktor kunci kanggo mainstream nggunakake UAV ing viticulture tliti. Sci. Rep. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 Intercomparison saka UAV, pesawat
lan platform penginderaan jarak jauh satelit kanggo viticulture presisi. Remote Sensing 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV and machine learning based refinement of a satellite-driven vegetation index for precision
tetanèn. Sensor 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Pemetaan penulis ing ruang intelektual: gambaran teknis. J. Am. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Pemodelan erosi pertanian: ngevaluasi perkiraan erosi skala lapangan USLE lan WEPP nggunakake data seri wektu UAV. lingkungan. Model. Piranti lunak 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Klasifikasi komunitas padang rumput asli dataran rendah nggunakake Citra Hyperspectral Unmanned Aircraft System (UAS) ing
Tasmania midlands. Drone 3 (1), 5.
Messina, G., Modica, G., 2020. Aplikasi citra termal UAV ing tetanèn tliti: negara seni lan prospek riset mangsa ngarep. Remote Sensing 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Sinau bibliografi babagan data gedhe: konsep, tren lan tantangan. Business Process Manag. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Perbaikan potong nggunakake dataset siklus urip sing diduweni ing kondisi lapangan. Ngarep. Tanduran Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Tinjauan babagan aplikasi sistem drone ing pertanian presisi. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Variabilitas spasial klorofil lan kandungan nitrogen beras saka citra hiperspektral. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT and agriculture data analysis for smart farm. komputasi. elektron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Penginderaan jarak jauh lan profil pantulan ing entomologi. Annu. Pdt. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Pemetaan multispektral ing tetanèn: mozaik terrain nggunakake UAV quadcopter otonom. Int. Conf.
Sistem Pesawat Tanpa Awak. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Internet of drone things (Iodt): bayangan masa depan drone cerdas. Adv. Intell. Syst. komputasi. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Sensor multispektral bobot entheng kanggo mikro UAV-kesempatan kanggo sensing remot udhara resolusi dhuwur banget. Int. Arch. Photogramm. Remote Sens Spat. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Muncul aplikasi UAV ing tetanèn. Ing: 2019 7th International Conference on Robot Intelligence Technology and
Aplikasi (RiTA), pp. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. The intellectual structure of the strategic management field: an author co-citation analysis. strategi. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Identifikasi otomatis lan ngawasi penyakit tanduran nggunakake kendaraan aerial tanpa awak: review. Remote Sensing 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV kanggo aplikasi pemetaan 3D: review. Appl. Geomatika 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Estimasi evapotranspirasi karo UAV cilik ing tetanèn presisi. Sensor 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrik, Analisis Kutipan lan Analisis Co-Citation. Tintingan Sastra 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, sensors, and data processing in agroforestry: review menyang aplikasi praktis. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, US, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. A review on drone-based data solutions for cereal crops. Drone 4 (3), 1–29. https://doi.org/10.3390/
drone4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Estimasi lenga lan protein isi wijen nggunakake pangolahan gambar lan jaringan syaraf tiruan. J. Am. lenga
Kimiawan Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S'anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Pemetaan gulma ing sawah jagung awal musim nggunakake analisis basis obyek saka
Gambar kendaraan udara tanpa awak (UAV). PLoS ONE 8 (10), e77151.
P'erez-Ortiz, M., Pena, ˜ JM, Guti'errez, PA, Torres-S' anchez, J., Herv' as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Sistem semi-diawasi kanggo pemetaan gulma ing tanduran kembang srengenge nggunakake kendaraan aerial tanpa awak lan metode deteksi baris potong. Appl. Soft Comput. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Piranti IoT sing larang regane minangka sumber data sing bisa dipercaya kanggo sistem manajemen banyu berbasis blockchain ing pertanian presisi. komputasi. elektron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Sistem UAV-WSN canggih kanggo ngawasi cerdas ing pertanian presisi. Sensor 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Aplikasi Blockchain ing ranté pasokan, transportasi lan logistik: review sistematis babagan literatur. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Kendaraan aerial tanpa awak sing fleksibel kanggo pertanian presisi.
presisi. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliografi statistik utawa bibliometrik. J. Dokumen. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Kecocokan saka kendaraan aerial tanpa awak (UAV) kanggo evaluasi lapangan lan tanduran eksperimen. Tetanèn 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Drone pertanian: terobosan modern ing pertanian presisi. J. Statistika. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. A kompilasi aplikasi UAV kanggo tetanèn tliti. komputasi. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Application of big data analytics and artificial intelligence in agronomic research. Indian J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. A bibliometric analysis on the use of unmanned aerial vehicles in agricultural and forestry studies. Int. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Potensi panggunaan sistem pesawat tanpa awak cilik (UAS) ing riset gulma. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Apa indeks vegetasi sing diturunake saka kamera kelas konsumen sing dipasang ing
UAV cukup dipercaya kanggo netepake plot eksperimen? Eur. J. Agron. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Digitalization in food supply chains: a bibliometric review and key-route main path
analisis. Kelestarian 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drones kanggo manajemen rantai pasokan lan logistik: review lan agenda riset. Int. J. Logistik. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Teknologi Blockchain ing logistik lan manajemen rantai pasokan: tinjauan bibliometrik. Logistik 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Drone kamanungsan: review lan agenda riset. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Riset Blockchain ing perawatan kesehatan: review bibliometrik lan tren riset saiki. J. saka Data, Inf. lan
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things research in supply chain management and logistics: a bibliometric analysis. internet
saka Bab 12, 100318.
ReportLinker, 2021. Pasar Drone Pertanian Global Tekan US $ 15.2 Milyar ing Kamar Warta TaunGlobeNewswire. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Taun-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Kalibrasi lan optimalisasi kamera termal uncooled saka
proses fotogrametri kanggo aplikasi UAV ing tetanèn. Sensor (Swiss) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Kemajuan ing riset perhotelan: "Saka Rodney Dangerfield kanggo Aretha Franklin". Int. J. Kontemporer. rumah sakit. Manag. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Sistem sensori adhedhasar mini-UAV kanggo ngukur variabel lingkungan ing omah kaca. Sensor 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV kelas konsumen sing digunakake kanggo ndeteksi lan nganalisa pola distribusi spasial gulma pungkasan ing lapangan bawang bombay komersial. presisi. Agric. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Unmanned sistem kamera spektral aerial vehicle (UAV) kanggo aplikasi alas lan pertanian. Terusake. SPIE – Int. Soc. Opt. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analysis of barriers to implement drone logistics. Int. J. Logistik. Res. Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, drone berbasis IOT kanggo perbaikan kualitas potong ing lapangan pertanian. Ing SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Computing lan Komunikasi Workshop lan Konferensi taunan, CCWC 2018 (Vols. 2018-Januari, pp. 612-615). Institut
saka Electrical lan Electronics Engineers Inc. doi: 10.1109 / CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: a novel and efficient LED based communication for precision agriculture. Konf. IEEE Info. Commun. Technol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Eksperimen penerbangan UAV ditrapake kanggo penginderaan jarak jauh saka wilayah vegetasi. Remote Sensing 6 (11), 11051–11081. https://doi.org/10.3390/rs61111051.
Sankaran, S., Khot, LR, Espinoza, CZ, Jarolmasjed, S., Sathuvalli, VR, Vandemark, GJ, Miklas, PN, Carter, AH, Pumphrey, MO, Knowles, NRN, Pavek, MJ, 2015.
Sistem pencitraan aerial kanthi dhuwur lan resolusi dhuwur kanggo fenotipe potong baris lan lapangan: review. Eur. J. Agron. 70, 112–123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Pencitraan termal basis UAV resolusi dhuwur kanggo ngira
variabilitas instan lan musiman status banyu tanduran ing kebon anggur. Agric. Banyu Manag. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Ngluwihi analisis kutipan: Model kanggo pambiji dampak riset. J. Med. Pustaka Assoc. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Earth system science related imaging spectroscopy-an assessment. Lingkungan Remote Sens. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Ngawasi paramèter agronomis panen gandum mangsa kanthi UAV murah
gambaran. Remote Sensing 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Pangembangan lan aplikasi saka kendaraan aerial tanpa awak otonom kanggo sampling aerobiologis sing tepat ing ndhuwur
lapangan tetanen. J. Lapangan Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Ngaktifake pertanian presisi liwat sensing sing dipasang kanthi intelijen buatan. IEEE Trans. Instrumen. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Unmanned Aerial Vehicles (UAV): survey babagan aplikasi sipil lan tantangan riset utama. Akses IEEE 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Big data driven agriculture: big data analytics in plant breeding, genomics, and use of remote sensing
teknologi kanggo ningkatake produktivitas panen. Fenomena Tanduran J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Analisis Perbandingan lan Implikasi UAV lan AI ing Investigasi Forensik. Ing: Prosiding - 2019 Amity International
Konferensi babagan Artificial Intelligence. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Peran intelijen buatan ing manajemen rantai pasokan: pemetaan wilayah. Int. J.
Prod. Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Kendaraan aerial tanpa awak kanggo phenotyping high-throughput lan riset agronomis. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Njupuk heterogenitas tegakan jagung ing zona stabilitas asil nggunakake Aerial Tanpa Awak
Kendaraan (UAV). Sensor 19 (20), 4446. https://doi.org/10.3390/s19204446.
Cilik, H., 1973. Co-kutipan ing literatur ilmiah: ukuran anyar hubungan antarane rong dokumen. J. Am. Soc. Info. Sci. 24 (4), 265–269.
Cilik, H., Rorvig, ME, Lunin, LF, 1999. Visualisasi ilmu kanthi pemetaan kutipan. J. Am. Soc. Info. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Cattle counting in the wild with geolocation aerial images in large pasture areas. komputasi. elektron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Pendekatan kanggo optimalisasi rute ing aplikasi pertanian presisi nggunakake UAV. Drone 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Implementing precision agriculture in the 21st century. J. Agric. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Assessment kekeringan gandum kanthi citra penginderaan jarak jauh nggunakake kendaraan udara tanpa awak. Ing 2018 Konferensi Kontrol Cina (CCC) kaping 37.
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Pemantauan karat kuning gandum kanthi sinau saka citra udara UAV multispektral.
komputasi. elektron. Agric. 155, 157–166. https://doi.org/10.1016/j. kompag.2018.10.017.
Su, Y., Wang, X., 2021. Inovasi manajemen ekonomi pertanian ing proses mbangun pertanian cerdas kanthi data gedhe. Komputasi sing lestari. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Ngevaluasi sensitivitas sistem aerial infra merah termal tanpa awak kanggo ndeteksi tekanan banyu ing kanopi katun. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integrasi indeks vegetasi berbasis RGB, model permukaan potong lan pendekatan analisis gambar adhedhasar obyek kanggo estimasi asil tebu nggunakake kendaraan udara tanpa awak. komputasi. elektron. Agric. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Suomalainen, J., Anders, N., Iqbal, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. A light-weight hyperspectral mapping system for
kendaraan aerial tanpa awak-asil pisanan. Ing: 2013 Lokakarya kaping 5 babagan Gambar Hyperspectral lan Pemrosesan Sinyal: Evolusi ing Penginderaan Jauh (WHISPERS), pp. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. A hyperspectral entheng
sistem pemetaan lan rantai pangolahan fotogrametri kanggo kendaraan udara tanpa awak. Remote Sensing 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Advance control strategies using image processing, UAV and AI in agriculture: A review. Donya J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Information Processing using citations to investigate journal influence in accounting. Inf. Proses. Ngatur. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. A survey ing jaringan 5G lan impact ing tetanèn: tantangan lan kesempatan. komputasi.
elektron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Data-driven decision making in precision agriculture: the rise of big data in agricultural systems. J. Agric. Info Pangan.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Perkiraan asil lan dhuwur tanduran gandum mangsa nggunakake UAV- adhedhasar gambar hyperspectral.
Sensor 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Sampling aerobiologis terkoordinasi saka patogen tanduran ing atmosfer ngisor nggunakake rong kendaraan aerial tanpa awak otonom. J. Lapangan Rob. 27 (3), 335–343. https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020. Deteksi lan klasifikasi hama kedelai nggunakake deep learning
karo gambar UAV. komputasi. elektron. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use of Uas for Assessing Agricultural Systems in AN Wetland in Tanzania in the— Lan WetSeason kanggo Pertanian Sustainable lan Nyediakake Kebenaran Ground kanggo Data Terra-Sar X. Ing: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, pp. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrik kanggo webometrics. J. Informasi. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Metode basis obyek otomatis kanggo ambang optimal ing gambar UAV: aplikasi kanggo deteksi vegetasi ing tanduran herbaceous. komputasi. elektron. Agric. 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. High-throughput 3-D monitoring of agricultural-tree plantations with Teknologi Unmanned Aerial Vehicle (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Pemetaan multi-temporal saka fraksi vegetasi ing sawah gandum awal musim nggunakake gambar saka UAV. komputasi. elektron. Agric. 103, 104–113. https://doi.org/10.1016/j. kompag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Tinjauan babagan aplikasi berbasis UAV kanggo pertanian presisi. Informasi (Swiss) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Ngoptimalake rencana penerbangan drone kanggo ngukur struktur tanduran wit hortikultura. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things ing tetanèn, kemajuan anyar lan tantangan mangsa. Biosis. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometric mapping of computer science research in Mexico. Scientometrics 105 (1), 97-114.
UN., 2019. Prospek populasi dunia 2019. https://population.un.org/wpp/ (Diakses tanggal 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Karakterisasi sawah dening sistem sensor hiperspektral miniatur UAVmounted. IEEE J. Sel. Ndhuwur. Appl. Bumi Obs.
Remote Sens. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Drones in
tetanèn. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Unmanned Aerial Vehicles (UAV) ing pertanian presisi: aplikasi lan tantangan. Energies 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Pemetaan lan klasifikasi habitat segara sing sensitif ekologis nggunakake Aerial Tanpa Awak.
Citra Kendaraan (UAV) lan Analisis Gambar Berbasis Objek (OBIA). Remote Sensing 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Cheron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Indeks area ijo saka sistem aerial tanpa awak liwat gandum lan rapeseed crops . Lingkungan Remote Sens. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. Nganggo papat sensor berbasis UAV optik liwat padang rumput: tantangan lan
watesan. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet of underground things in precision agriculture: architecture and technology aspect. Jaringan Ad Hoc. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Kecerdasan buatan sing tanggung jawab minangka bahan rahasia kanggo kesehatan digital: analisis bibliometrik, wawasan, lan arah riset.
Info. Syst. Ngarep. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Analisis bibliometrik tren riset penginderaan jauh ing pemantauan pertumbuhan potong: Studi kasus ing China. Remote Sensing 11 (7). https://doi.org/10.3390/rs11070809.
Putih, HD, Griffith, BC, 1981. Pengarang cocitation: A ukuran sastra saka struktur intelektual. J. Am. Soc. Info. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Pangembangan sistem penginderaan jarak jauh pertanian murah adhedhasar kendaraan udara tanpa awak (UAV) otonom. Biosis. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Tinjauan babagan sifat phenotyping high-throughput tanduran nggunakake sensor basis UAV. komputasi. elektron. Agric. 178, 105731 https://doi.org/10.1016/j.
kompag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Kendaraan udara tanpa awak kanggo aplikasi penginderaan jarak jauh-review. Remote Sensing 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Obah wong nelusuri lan trek palsu mbusak karo infrared termal imaging dening multirotor. Drone 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. A comparison of crop parameters estimation using images saka UAV-dipasang
sensor hyperspectral snapshot lan kamera digital definisi dhuwur. Remote Sensing 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Perkiraan gandum mangsa ing ndhuwur-lemah biomas nggunakake kendaraan aerial tanpa awak- adhedhasar snapshot
sensor hyperspectral lan dhuwur potong model apik. Remote Sensing 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Nggunakake kendaraan aerial tanpa awak sing entheng kanggo ngawasi pemulihan alas tropis. biol.
Konservasi. 186, 287–295. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 2019.
Platform IoT pertanian cerdas adhedhasar komputasi pinggiran lan awan. Biosis. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Kuantifikasi dhuwur wit nggunakake citra resolusi dhuwur banget sing dipikolehi saka aerial tanpa awak.
kendaraan (UAV) lan cara rekonstruksi foto 3D otomatis. Eur. J. Agron. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Fenotipe berbasis gambar saka intensitas ngembang ing panen musim dingin. Sensor 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Aplikasi saka sistem aerial unmanned cilik kanggo tetanèn tliti: review. presisi. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Pemetaan tekanan banyu jagung adhedhasar UAV multispectral remote sensing. Remote Sensing 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz´ alez-Moreno, P., Ma, H., Ye, H., Sobeih , T., 2019. Pendekatan basis learning jero kanggo karat kuning otomatis
deteksi penyakit saka gambar UAV hyperspectral resolusi dhuwur. Remote Sensing 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Deteksi lan diskriminasi penyakit lan stres serangga tanduran teh nggunakake pencitraan hyperspectral digabungake karo analisis wavelet. komputasi. elektron. Agric. 193, 106717 https://doi.org/10.1016/j. kompag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Adaptasi domain adversarial dipandu entropi kanggo segmentasi semantik gambar aerial. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Deteksi fenologi beras liwat analisis seri wektu spektral adhedhasar lemah data indeks. Sawah Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Desain sistem seeding bocor pertanian presisi adhedhasar sensor nirkabel. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analisis owah-owahan dhuwur tanduran jagung lodge nggunakake data UAV-LiDAR. Pertanian 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Jagung-IAS: Piranti lunak analisis gambar jagung nggunakake sinau jero kanggo phenotyping tanduran high-throughput . Cara tanduran 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. Prediksi asil gandum ing beras nggunakake vegetasi multi-temporal
indeks saka citra multispektral lan digital basis UAV. ISPRS J. Photogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulasi teknologi inti sistem greenhousemonitoring adhedhasar jaringan sensor nirkabel. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Assessment for crop water stress with infrared thermal imagery in precision agriculture: review
lan prospek mangsa kanggo aplikasi sinau jero. komputasi. elektron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.