Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Departamento de Administración y Derecho, Facultad de Economía, Universidad de Roma Tor Vergata, Via Columbia, 2, Roma 00133, Italia
- b Departamento de Administración de Empresas, Facultad de Administración, Universidad Kharazmi, 1599964511 Teherán, Irán
- c Facultad de Ciencias de Bizerta, Universidad de Cartago, Zarzouna, 7021 Bizerta, Túnez
- d Escuela de Administración Internacional, Universidad Modul de Viena, Am Kahlenberg 1, 1190 Viena, Austria
INFORMACIÓN DEL ARTÍCULO | RESUMEN |
Palabras clave: Drones UAV Agricultura de precisión Internet de las Cosas bibliometria | Los drones, también llamados vehículos aéreos no tripulados (UAV), han experimentado un notable desarrollo en las últimas décadas. En agricultura, han cambiado las prácticas agrícolas al ofrecer a los agricultores ahorros sustanciales en costos, mayor eficiencia operativa y mejor rentabilidad. En las últimas décadas, el tema de los drones agrícolas ha atrajo una notable atención académica. Por lo tanto, realizamos una revisión exhaustiva basada en la bibliometría. para resumir y estructurar la literatura académica existente y revelar las tendencias y puntos críticos de investigación actuales. Nosotros aplicar técnicas bibliométricas y analizar la literatura en torno a los drones agrícolas para resumir y evaluar investigaciones previas. Nuestro análisis indica que la teledetección, la agricultura de precisión, el aprendizaje profundo, el aprendizaje automático y el Internet de las cosas son temas críticos relacionados con los drones agrícolas. la co-cita El análisis revela seis amplios grupos de investigación en la literatura. Este estudio es uno de los primeros intentos de resumir la investigación con drones en la agricultura y sugerir futuras líneas de investigación. |
Introducción
La agricultura representa la principal fuente de alimentos del mundo (Friha et al., 2021), y ha estado enfrentando severos desafíos debido a la
la creciente demanda de productos alimenticios, la inocuidad de los alimentos y las preocupaciones de seguridad, así como los llamados a la protección del medio ambiente, la preservación del agua y
sostenibilidad (Inoue, 2020). Se prevé que este desarrollo continúe ya que se estima que la población mundial alcanzará los 9.7 millones para 2050.
(2019). Dado que la agricultura constituye el ejemplo más destacado de consumo de agua a nivel mundial, se espera que la demanda de alimentos y agua
el consumo aumentará dramáticamente en el futuro previsible. Además, el creciente consumo de fertilizantes y plaguicidas
junto con la intensificación de las actividades agrícolas podría conducir a futuros desafíos ambientales. Del mismo modo, la tierra cultivable es limitada y la
número de agricultores está disminuyendo en todo el mundo. Estos desafíos acentúan la necesidad de soluciones agrícolas innovadoras y sostenibles (Elijah
et al., 2018; Friha et al., 2021; Inoué, 2020; Tzounis et al., 2017).
La incorporación de nuevas tecnologías se ha identificado como una solución prometedora para abordar estos desafíos. Agricultura inteligente (Brewster et al.,
2017; Tang et al., 2021) y la agricultura de precisión (Feng et al., 2019; Khanna & Kaur, 2019) han surgido como resultado de tales debates. los
La primera es una noción general para adoptar tecnologías de la información y la comunicación (TIC) y otras innovaciones de vanguardia en las actividades agrícolas para aumentar la eficiencia y la eficacia (Haque et al., 2021). Este último se centra en la gestión específica del sitio en la que la tierra se divide en
partes homogéneas, y cada parte recibe la cantidad exacta de insumos agrícolas para la optimización del rendimiento de los cultivos mediante tecnologías novedosas (Feng et al., 2019; Khanna & Kaur, 2019). Las tecnologías destacadas que han atraído la atención de los académicos en este campo incluyen redes de sensores inalámbricos (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Internet de las cosas (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
técnicas de inteligencia artificial (IA), incluido el aprendizaje automático y el aprendizaje profundo (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), tecnologías informáticas (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki
et al., 2019) y blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Además de las tecnologías mencionadas, la teledetección ha sido considerada una herramienta tecnológica con alto potencial para mejorar
Agricultura inteligente y de precisión. Los satélites, los aviones tripulados por humanos y los drones son tecnologías populares de detección remota (Tsouros et al., 2019).
Los drones, conocidos popularmente como vehículos aéreos no tripulados (UAV), sistemas de aeronaves no tripuladas (UAS) y aeronaves pilotadas a distancia, son de
gran importancia ya que tienen múltiples ventajas en comparación con otras tecnologías de teledetección. Por ejemplo, los drones pueden entregar
imágenes de alta calidad y alta resolución en días nublados (Manfreda et al., 2018). Asimismo, su disponibilidad y velocidad de transferencia constituyen otros
beneficios (Radoglou-Grammatikis et al., 2020). En comparación con las aeronaves, los drones son muy rentables y fáciles de configurar y mantener (Tsouros et al., 2019). A pesar de que inicialmente se utilizaron principalmente con fines militares, los drones pueden beneficiar numerosas aplicaciones civiles, por ejemplo, en la gestión de la cadena de suministro (A. Rejeb, Rejeb, et al., 2021a), con fines humanitarios (A. Rejeb, Rejeb, et al., 2021c), agricultura inteligente, topografía y cartografía, documentación del patrimonio cultural, gestión de desastres y conservación de bosques y vida silvestre (Panday, Pratihast, et al., 2020). En la agricultura, existen múltiples áreas de aplicación de los drones, ya que pueden integrarse con tecnologías novedosas, capacidades informáticas y sensores integrados para respaldar la gestión de cultivos (por ejemplo, mapeo, monitoreo, riego, diagnóstico de plantas) (H. Huang et al., 2021) , reducción de desastres, sistemas de alerta temprana, conservación de la vida silvestre y la silvicultura, por nombrar algunos (Negash et al., 2019). De manera similar, los drones podrían aprovecharse en varias actividades agrícolas, incluido el monitoreo de cultivos y crecimiento, la estimación del rendimiento, la evaluación del estrés hídrico y la detección de malezas, plagas y enfermedades (Inoue, 2020; Panday, Pratihast, et al., 2020). Los drones no solo se pueden usar con fines de monitoreo, estimación y detección en función de sus datos sensoriales, sino también para el riego de precisión y el manejo preciso de malezas, plagas y enfermedades. En otras palabras, los drones pueden rociar agua y pesticidas en cantidades precisas según los datos ambientales. Los beneficios de los drones en la agricultura se resumen en la Tabla 1.
Principales beneficios de los drones en la agricultura.
Beneficio | Referencia (s) |
Mejora temporal y espacial resoluciones de detección | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Facilitar la agricultura de precisión | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Clasificación y exploración de cultivos | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana y Dutta, 2016) |
Uso de fertilizante | (L. Deng et al., 2018; Guan et al., 2019) |
Seguimiento de la sequía | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Estimación de biomasa | (Bendig et al., 2014) |
Estimación de rendimiento | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Reducción de desastres | (Negash et al., 2019) |
Conservación de la vida silvestre y silvicultura | (Negash et al., 2019; Panday, Pratihast, et al., 2020). |
Evaluación del estrés hídrico | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Plagas, malas hierbas y enfermedades detección | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Por otro lado, los drones también enfrentan limitaciones. Participación del piloto, potencia del motor, estabilidad y confiabilidad, calidad de los sensores debido a la carga útil
las limitaciones de peso, los costos de implementación y la regulación de la aviación se encuentran entre ellos (C. Zhang & Kovacs, 2012). Comparamos las deficiencias
de las tres tecnologías móviles de teledetección en la Tabla 2. Otras tecnologías de teledetección, como los sensores de suelo, están más allá del enfoque de este estudio.
Deficiencias de varias tecnologías de teledetección móvil.
Teledetección tecnologías | Deficiencias | Referencias |
Dron (UAV) | participación del piloto; imágenes' calidad (promedio); costos de implementación (promedio); estabilidad, maniobrabilidad y fiabilidad; Estandarización; potencia del motor; poder limitado fuentes (duración de la batería); duración limitada del vuelo, colisión y ciberataques; limitado peso de la carga útil; grandes conjuntos de datos y procesamiento de datos limitado capacidades; falta de regulación; falta de experiencia, alta entrada barreras para el acceso a drones agrícolas; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardín, 2010; Hardin & Jensen, 2011; Lagkas et al., 2018; Laliberté et al., 2007; Laliberté & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; puri et al., 2017; Velusamy et al., 2022; C. Zhang y Kovacs, 2012). |
Satélite | Cobertura satelital periódica, resolución espectral limitada; vulnerabilidad a problemas de visibilidad (p. ej., nubes); Indisponibilidad y baja velocidad de transferencia; orientación y viñeteado efectos datos espaciales costosos recopilación; entrega lenta de datos tiempo para los usuarios finales | (Aboutalebi et al., 2019; Cen et al., 2019; Chen y otros, 2019; Nansen y Elliot, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
Aeronave | Altos costos de adopción; configuración complicada; costos de mantenimiento; falta de disponibilidad de confiable aviones, geometría de la imágenes; datos no regulares adquisición; falta de flexibilidad; accidentes mortales; datos del sensor variaciones debidas a vibraciones; problemas de georreferenciación | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev y Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Como tecnología multidisciplinar y polivalente en la agricultura, los drones han sido investigados desde diversas perspectivas. Por ejemplo, los académicos han examinado las aplicaciones de los drones en la agricultura (Kulbacki et al., 2018; Mogili & Deepak, 2018), su contribución a la agricultura de precisión (Puri et al., 2017; Tsouros et al., 2019), su complementariedad con otros tecnologías de punta (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), y las posibilidades de mejorar sus capacidades de navegación y detección (Bareth et al. , 2015; Suomalainen et al., 2014). Dado que la investigación sobre aplicaciones de drones en la agricultura se ha vuelto predominante (Khan et al., 2021), es necesario resumir la literatura existente y revelar la estructura intelectual del dominio. Además, como un campo de alta tecnología con mejoras continuas, se deben realizar revisiones estructuradas para resumir periódicamente la literatura existente e identificar brechas de investigación importantes. A
Hasta la fecha, existen pocas revisiones que discutan las aplicaciones de los drones en el sector agrícola. Por ejemplo, Mogili y Deepak (2018) revisaron brevemente las implicaciones de los drones para el monitoreo de cultivos y la fumigación con pesticidas. Inoue (2020) realiza una revisión del uso de satélites y drones en la teledetección en la agricultura. El autor explora los desafíos tecnológicos de adoptar la agricultura inteligente y las contribuciones de los satélites y los drones basándose en estudios de casos y mejores prácticas. Tsuros et al. (2019) resumen diferentes tipos de drones y sus principales aplicaciones en la agricultura, destacando varios métodos de adquisición y procesamiento de datos. Más recientemente, Aslan et al. (2022) realizó una revisión exhaustiva de las aplicaciones de UAV en actividades agrícolas y subrayó la relevancia de la localización y el mapeo simultáneos para un UAV en el invernadero. Díaz-González et al. (2022) revisaron estudios recientes de producción de rendimiento de cultivos basados en diferentes técnicas de aprendizaje automático y control remoto.
sistemas de detección. Sus hallazgos indicaron que los UAV son útiles para estimar los indicadores del suelo y superan a los sistemas satelitales en términos de resolución espacial, temporalidad de la información y flexibilidad. Basiri et al. (2022) realizó una revisión exhaustiva de los diversos enfoques y métodos para superar los desafíos de planificación de rutas para UAV multirotor en el contexto de la agricultura de precisión. Además, Awais et al. (2022) resumió la aplicación de datos de teledetección de UAV en cultivos para estimar el estado del agua y proporcionó una síntesis detallada de la capacidad prospectiva de la teledetección de UAV para la aplicación de estrés por desperdicio. Finalmente, Aquilani et al. (2022) revisaron las tecnologías de agricultura de previsión aplicadas en los sistemas ganaderos basados en pastos y dedujeron que la detección remota habilitada por los UAV es ventajosa para la evaluación de la biomasa y la gestión del rebaño.
Además, recientemente se han informado esfuerzos para utilizar vehículos aéreos no tripulados en el seguimiento, seguimiento y reunión de ganado.
Aunque estas revisiones arrojan información nueva e importante, no se puede encontrar en la literatura ninguna revisión completa y actualizada basada en bibliometría, lo que presenta una clara brecha de conocimiento. Además, se ha afirmado que cuando la producción académica crece en un dominio científico, se vuelve vital para los investigadores emplear enfoques de revisión cuantitativa para comprender la estructura del conocimiento del dominio (Rivera & Pizam, 2015). Del mismo modo, Ferreira et al. (2014) argumentaron que a medida que los campos de investigación maduran y se vuelven intrincados, los académicos deberían tratar de dar sentido ocasionalmente al conocimiento generado y acumulado para revelar nuevas contribuciones, capturar tradiciones y tendencias de investigación, identificar qué temas se estudian y profundizar en la estructura del conocimiento de el campo y las posibles direcciones de investigación. Si bien Raparelli y Bajocco (2019) realizaron un análisis bibliométrico para examinar el dominio del conocimiento de las aplicaciones de drones en la agricultura y la silvicultura, su estudio solo considera la investigación académica publicada entre 1995 y 2017, que no refleja la dinámica de esta área de rápido movimiento. Además, los autores no intentaron identificar las contribuciones más influyentes en el campo, agrupar la literatura y evaluar la estructura intelectual mediante el análisis de citas conjuntas. Como resultado, es necesario resumir la literatura para revelar los focos de investigación actuales, las tendencias y los puntos críticos.
Para llenar este vacío de conocimiento, aprovechamos la metodología cuantitativa y los métodos bibliométricos rigurosos para examinar el estado actual de la investigación en la intersección de los drones y la agricultura. Argumentamos que el estudio actual hace varias contribuciones a la literatura existente al examinar una tecnología emergente que es muy necesaria en la agricultura, ya que ofrece un tremendo potencial para alterar varios aspectos en este sector. La necesidad de un análisis bibliométrico de los drones agrícolas se intuye aún más dado el conocimiento disperso y fragmentado sobre los drones en el contexto de la agricultura. De manera similar, se requiere agrupar sistemáticamente la literatura relacionada con los drones agrícolas, considerando los estudios más influyentes que construyen la base de este campo de investigación. El mérito en el análisis también incluye la clarificación de los principales temas de investigación representados en la literatura. Teniendo en cuenta el potencial de transformación de la tecnología, postulamos que un análisis de red en profundidad produce ideas novedosas al determinar trabajos influyentes y revelar temas relacionados con el potencial de los drones para la agricultura.
Por lo tanto, nos esforzamos por lograr los siguientes objetivos de investigación:
- Identificación de publicaciones influyentes con contribuciones destacadas a las aplicaciones de drones en el campo de la agricultura.
- Agrupación de la literatura, identificación de focos de investigación y mapeo de los principales estudios de 'estructura intelectual' basados en la similitud semántica mediante el uso de análisis de cocitación.
- Comprensión de la evolución de los vínculos y las redes de citas a lo largo del tiempo entre varias publicaciones en el campo e identificación de futuras direcciones de investigación y temas candentes.
El resto del documento está estructurado de la siguiente manera: la sección 2 describe la metodología y los pasos de recopilación de datos; la sección 3 proporciona los resultados de los análisis; y la sección 4 analiza los hallazgos y concluye con las contribuciones de la investigación, las implicaciones y las direcciones futuras.
Metodología
En este estudio de investigación actual, llevamos a cabo un análisis bibliométrico para explorar las aplicaciones de drones en la agricultura. Este enfoque cuantitativo revela la estructura intelectual del dominio del conocimiento (Arora & Chakraborty, 2021) y el estado actual, los temas candentes y las futuras direcciones de investigación que se pueden investigar aplicando este método (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Generalmente, un análisis bibliométrico examina la literatura existente para resumir y descubrir patrones ocultos de comunicación escrita y la evolución de la disciplina basada en estadísticas y métodos matemáticos, y se aplica a grandes conjuntos de datos (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Mediante el uso de la bibliometría, aspiramos a comprender mejor los paradigmas existentes y los focos de investigación que contribuyen al dominio basado en la similitud (Thelwall, 2008). La bibliometría proporciona nuevos conocimientos respaldados por la fuerza cuantitativa objetiva de la metodología (Casillas & Acedo, 2007). Numerosos académicos han realizado previamente estudios bibliométricos en dominios relacionados, incluida la agricultura, la teledetección y la transformación digital (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Análisis de citas
El análisis de citas revela varias ideas sobre un campo de investigación determinado. En primer lugar, ayuda a revelar los autores y publicaciones más influyentes que contribuyen a un campo de investigación determinado y tienen un impacto significativo (Gundolf & Filser, 2013). En segundo lugar, se puede descubrir el flujo de conocimiento y los vínculos de comunicación entre los autores. Finalmente, al rastrear los vínculos entre las obras citadas y las citadas, se pueden explorar los cambios y la evolución de un dominio de conocimiento a lo largo del tiempo (Pournader
et al., 2020). Un alto número de citas de una publicación refleja su relevancia y contribuciones sustanciales al dominio de investigación (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). El análisis de citas de publicaciones también ayuda a identificar trabajos relevantes y hacer un seguimiento de su popularidad y progreso a lo largo del tiempo.
Análisis de citas conjuntas de documentos
El análisis de citas conjuntas es un método valioso para explorar las relaciones entre publicaciones y representar la estructura intelectual de un campo (Nerur et al., 2008). En otras palabras, al identificar las publicaciones más citadas y sus conexiones, el método agrupa las publicaciones en distintos grupos de investigación en los que las publicaciones de un grupo comparten regularmente ideas similares (McCain, 1990; Small, 1973). Es crucial mencionar que la similitud no significa que los hallazgos de las publicaciones sean
cohesivos y de acuerdo entre sí; las publicaciones pertenecen al mismo grupo debido a la similitud del tema, pero pueden tener puntos de vista contradictorios.
Recogida y análisis de datos
Siguiendo la metodología propuesta por White y Griffith (1981), realizamos una búsqueda exhaustiva de artículos de revistas para cubrir todo el dominio de investigación de las aplicaciones de drones en la agricultura, siguiendo los siguientes cinco pasos:
- El primer paso fue la recopilación de datos. Scopus fue seleccionado como una de las bases de datos más completas y confiables con resultados estandarizados. Se recuperaron los metadatos de publicaciones relacionadas con todas las aplicaciones de drones en agricultura. Luego analizamos los artículos seleccionados, eliminando del análisis los artículos fuera de tema.
- Analizamos la literatura e identificamos las palabras clave más importantes utilizadas en el área de investigación.
- Usando el análisis de citas, exploramos la conexión entre los autores y los documentos para revelar patrones de citas subyacentes. También identificamos a los autores y publicaciones más influyentes con contribuciones significativas al campo de los drones agrícolas.
- Realizamos un análisis de cocitación para agrupar publicaciones similares en grupos.
- Finalmente, analizamos las conexiones y vínculos entre países, instituciones y revistas para representar la red de colaboración.
Identificación de los términos de búsqueda apropiados
Aplicamos las siguientes cadenas de búsqueda para la agregación de datos: (dron* O “vehículo aéreo no tripulado” O uav* O “sistema de aeronave no tripulada” O uas O “aeronave pilotada a distancia”) Y (agrícola O agricultura O ganadería O agricultor). La búsqueda se realizó en septiembre de 2021. Los drones tienen varias designaciones, incluidos UAV, UAS y aeronaves pilotadas a distancia (Sah et al., 2021). Los términos de búsqueda específicos relacionados con la agricultura se identificaron con base en el estudio de Abdollahi et al. (2021). En aras de la claridad y la transparencia, la consulta exacta que utilizamos se proporciona en el Apéndice 1. Después de un proceso de limpieza de datos, creamos un archivo de texto que luego se cargó en BibExcel, una herramienta común para el análisis de citas y co-citas. Esta herramienta también ofrece una interacción simple con otro software y ofrece un grado significativo de libertad en el manejo y análisis de datos. Se utilizó VOSviewer versión 1.6.16 para visualizar los hallazgos y generar las redes bibliométricas (Eck & Waltman, 2009). VOSviewer ofrece una variedad de visualizaciones intuitivas, particularmente para analizar mapas bibliométricos (Geng et al., 2020). Además, ayuda a proporcionar resultados visuales sencillos que ayudan a comprender mejor los resultados (Abdollahi et al., 2021). Aplicando las cadenas de búsqueda como se indicó anteriormente, recopilamos y almacenamos todas las publicaciones relevantes. Los primeros resultados de búsqueda arrojaron un total de 5,085 documentos. Para garantizar la calidad de la muestra seleccionada, solo se consideraron en la investigación artículos de revistas revisados por pares, lo que resultó en la exclusión de otros tipos de documentos, como libros, capítulos, actas de congresos y notas editoriales. Durante un proceso de selección, se filtraron las publicaciones irrelevantes (es decir, más allá del alcance de este trabajo), redundantes (es decir, duplicados que se originaron en una doble indexación) y publicaciones que no hablan inglés. Este proceso resultó en la inclusión de 4,700 documentos en el análisis final.
Hallazgos y discusión
Para comenzar, analizamos los desarrollos en la producción de publicaciones en la literatura actual sobre drones agrícolas. La distribución temporal de la investigación académica se muestra en la Fig. 1. Vemos un rápido aumento en las publicaciones desde el año 2011 (30 publicaciones) en adelante; por lo tanto, decidimos dividir el período de análisis en dos etapas diferentes. Nos referimos al período entre 1990 y 2010 como la etapa de construcción, que tenía aproximadamente siete artículos publicados anualmente. El período posterior a 2010 se ha denominado la etapa de crecimiento, ya que la investigación sobre aplicaciones de drones en la agricultura fue testigo de un aumento exponencial durante este período. Después de 2010, el creciente número de publicaciones confirma el creciente interés entre los investigadores, lo que también refleja que los drones se han aplicado a la teledetección y se han utilizado en agricultura de precisión (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). En concreto, el número de publicaciones pasó de 108 en 2013 a 498 en 2018 y alcanzó un máximo de 1,275 en 2020. Entre enero y mediados de septiembre de 935 se publicaron un total de 2021 artículos. Posteriormente, optamos por centrar más nuestro análisis en la etapa de crecimiento. ya que este período refleja las sutilezas más recientes e importantes de los drones agrícolas.
Análisis de palabras clave
Las palabras clave que los autores seleccionan para una publicación tienen un impacto crucial en cómo se representa el artículo y cómo se comunica dentro de las comunidades científicas. Identifican los temas clave de la investigación y determinan su potencial para prosperar o fracasar (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). El análisis de palabras clave, una herramienta para revelar tendencias y direcciones de investigación más amplias, se refiere a la compilación de las palabras clave de todas las publicaciones relacionadas en un dominio (Dixit & Jakhar, 2021). En el estudio actual, dividimos las palabras clave agregadas en dos conjuntos (es decir, hasta 2010 y 2011-2021) para explorar los temas más populares. Al hacer esto, podemos rastrear las palabras clave cruciales en ambos conjuntos y asegurarnos de que capturamos todos los datos necesarios. Para cada conjunto, las diez palabras clave principales se presentan en la Tabla 3. Eliminamos las inconsistencias al fusionar palabras clave semánticamente idénticas, como "dron" y "drones" o, de manera similar, "Internet de las cosas" e "IoT".
La Tabla 3 muestra que "vehículo aéreo no tripulado" es una palabra clave más utilizada en comparación con "dron" y "sistema aéreo no tripulado" en ambos períodos de tiempo. Además, la "detección remota", la "agricultura de precisión" y la "agricultura" ocupan un lugar destacado en ambos períodos. En el primer período, la “agricultura de precisión” ocupó el quinto lugar, y ocupó el segundo lugar en el segundo período, lo que ilustra cómo los drones se están volviendo cada vez más importantes para lograr la agricultura de precisión, ya que pueden monitorear,
prácticas de detección y estimación más rápidas, económicas y fáciles de realizar en comparación con otros sistemas terrestres y de detección remota. Además, pueden rociar la cantidad precisa de insumos (p. ej., agua o pesticidas) cuando sea necesario (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Lista de palabras clave más utilizadas.
Rango | 1990-2010 | Nº de ocurrencias | 2011-2021 | Nº de ocurrencias |
1 | antena no tripulada vehículo | 28 | no tripulado vehículo aereo | 1628 |
2 | teledetección | 7 | precisión agricultura | 489 |
3 | agricultura | 4 | teledetección | 399 |
4 | aerotransportado | 4 | zángano | 374 |
5 | precisión agricultura | 4 | no tripulado sistema aéreo | 271 |
6 | antena no tripulada | 4 | agricultura | 177 |
7 | hiperespectral sensor | 3 | deep learning | 151 |
8 | neurales artificiales telecomunicaciones | 2 | máquina aprendizaje | 149 |
9 | vuelo autónomo | 2 | vegetación Home | 142 |
10 | Café | 2 | Internet de Cosas | 124 |
Otra característica interesante es la presencia de tecnologías complementarias. En la primera etapa, "Sensor hiperespectral" y "redes neuronales artificiales" (ANN) se encuentran entre las diez palabras clave principales. La imagen hiperespectral revolucionó la imagen tradicional al recopilar una gran cantidad de imágenes en varias longitudes de onda. Al hacerlo, los sensores pueden recopilar simultáneamente mejor información espacial y espectral en comparación con imágenes multiespectrales, espectroscopia e imágenes RGB (Adao ˜ et al.,
2017). La ocurrencia de “ANN” en la primera etapa y “aprendizaje profundo” (DL) y “aprendizaje automático” (ML) en la segunda implica que la mayoría de los trabajos publicados se centraron en el examen del potencial de las técnicas de IA para drones. agricultura basada. Aunque los drones son capaces de volar de forma autónoma, aún requieren la participación de un piloto, lo que implica un bajo nivel de inteligencia del dispositivo. Sin embargo, este problema se puede resolver gracias al avance de las técnicas de IA, que pueden proporcionar una mejor conciencia situacional y un apoyo autónomo para la toma de decisiones. Equipados con IA, los drones pueden evitar colisiones durante la navegación, mejorar la gestión del suelo y los cultivos (Inoue, 2020) y reducir el trabajo y el estrés de los seres humanos (BK Sharma et al., 2019).
Debido a su flexibilidad y capacidad para manejar grandes cantidades de datos no lineales, las técnicas de IA son métodos adecuados para analizar los datos transmitidos por drones y otros sistemas terrestres y de detección remota para la predicción y la toma de decisiones (Ali et al., 2015; Inoué, 2020). Además, la presencia de "IoT" en el segundo período indica su papel emergente en la agricultura. IoT está revolucionando la agricultura al interconectar otras tecnologías, incluidos drones, ML, DL, WSN y big data. Uno de los beneficios clave de implementar IoT es su capacidad para fusionar de manera eficiente y efectiva varias tareas (adquisición de datos, análisis y procesamiento de datos, toma de decisiones e implementación) casi en tiempo real (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Además, los drones se consideran herramientas eficientes para capturar los datos necesarios para calcular el vigor y las propiedades de la vegetación (Candiago et al., 2015). Las figuras 2a y 2b ilustran las redes de co-ocurrencia de palabras clave para ambos períodos de tiempo.
Autores influyentes
En esta sección, determinamos los autores influyentes y examinamos cómo las redes de citas de autores pueden visualizar y organizar la literatura actual. La figura 3 muestra la superposición cronológica de todos los investigadores con el mayor número de citas. La escala de colores refleja la variación anual de las citas de los autores. Examinamos la estructura de citas de los investigadores que publicaron estudios sobre drones agrícolas utilizando un umbral de un mínimo de 50 citas y diez publicaciones. Fuera de
De 12,891 autores, solo 115 cumplían esta condición. La Tabla 4 enumera los diez autores más influyentes, ordenados por el número máximo de citas. López-Granados F. encabeza la lista con 1,963 citas, seguido de Zarco-Tejada PJ con 1,909 citas.
Lista de los autores más citados.
Clasificación | Autor | Citaciones |
1 | López-Granados´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Peña ˜ JM | 1,644 |
4 | Torres-S´ anchez j. | 1,576 |
5 | Ferreres E | 1,339 |
6 | Remondino F. | 1,235 |
7 | Bolten A | 1,160 |
8 | bareth g | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Cuando se trata de publicaciones individuales, el artículo de Zhang y Kovacs (2012) ha sido el estudio más citado publicado en Precision Agriculture. Aquí, los autores revisaron la aplicación de UAS en agricultura de precisión. Los hallazgos de su investigación sugieren que existe la necesidad de avanzar en el diseño de la plataforma, la producción, la estandarización de la georreferenciación de imágenes y el flujo de trabajo de recuperación de información para proporcionar a los agricultores productos finales confiables. Además, recomiendan involucrar más al agricultor, especialmente en la planificación del campo, la captura de imágenes, así como la interpretación y el análisis de datos. Es importante destacar que este estudio fue uno de los primeros en mostrar la importancia de los UAV en el mapeo de campo, el mapeo de vigor, la medición del contenido químico, el monitoreo del estrés de la vegetación y la evaluación de los efectos de los fertilizantes en el crecimiento de las plantas. Los desafíos relacionados con la tecnología también incluyen costos prohibitivos, capacidad de sensores, estabilidad y confiabilidad de la plataforma, falta de estandarización y procedimientos consistentes para analizar cantidades masivas de datos.
Análisis de citas
El análisis de citas representa el estudio de la influencia de los artículos, aunque propenso a los flujos (p. ej., sesgo de citas, autocitas) se considera uno de los instrumentos estándar para la evaluación del impacto (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Las citas también reflejan la importancia y vitalidad de las contribuciones de los artículos a la literatura sobre un tema específico (R. Sharma et al., 2022). Realizamos un análisis de citas para determinar los estudios más influyentes sobre drones agrícolas y resumimos los contenidos. La Tabla 5 presenta la lista de los quince artículos más influyentes para los períodos 1990-2010 y 2011-2021. Los artículos de Berni et al. (2009)b y Austin (2010) han sido los más citados durante 1990 y 2010, con 831 y 498 citas, respectivamente. Bernie et al. (2009)b ilustró el potencial para desarrollar productos de teledetección cuantitativa a través de un UAV basado en helicóptero equipado con sensores de imágenes multiespectrales térmicas y de banda estrecha asequibles. En comparación con los sensores aéreos tripulados tradicionales, un sistema UAV de bajo costo para la agricultura puede lograr estimaciones comparables de los parámetros biofísicos de los cultivos, si no mejores. El costo asequible y la flexibilidad operativa, junto con las altas resoluciones espectrales, espaciales y temporales disponibles en un tiempo de respuesta rápido, hacen que los UAV sean adecuados para una variedad de aplicaciones que requieren una gestión de tiempo crítico, incluida la programación de riego y la agricultura de precisión. El artículo de Berni et al. (2009)b es muy citado porque integró efectivamente una plataforma de ala rotatoria no tripulada y sensores digitales y térmicos con los mecanismos de calibración necesarios para aplicaciones agrícolas. La segunda publicación más citada es un libro escrito por Austin (2010), quien analizó los UAV desde las perspectivas de diseño, desarrollo y despliegue. En la agricultura, los vehículos aéreos no tripulados respaldan el control de cultivos mediante la detección temprana de enfermedades a través de los cambios de color de los cultivos, lo que facilita la siembra y fumigación de cultivos, y el control y manejo de rebaños.
Los estudios de Sullivan et al. (2007), Lumme et al. (2008), y Gokto ¨ ǧan et al. (2010) completan la lista de los quince artículos más citados. Estos artículos ilustran el desarrollo de sistemas basados en UAV para apoyar la agricultura. Ofrecen soluciones a varios problemas, como el monitoreo y escaneo de cultivos, la vigilancia y el manejo de malezas y el apoyo a la toma de decisiones. También sugieren y discuten la capacidad de los UAV para aumentar la eficiencia del muestreo y ayudar a los agricultores a diseñar métodos precisos y efectivos.
estrategias de siembra. Berni escribió dos artículos (Berni et al., 2009b; Berni et al., 2009a), lo que subraya su impacto significativo en la investigación relacionada con los drones agrícolas. El artículo de Zarco-Tejada et al. (2014) ha sido uno de los estudios pioneros para ilustrar la necesidad de utilizar imágenes UAV de bajo costo en la cuantificación de la altura de los árboles.
Lista de publicaciones más citadas.
Rango | De 1990 a 2010 | De 2011 a 2021 | ||
Documento | Citación | Documento | Citación | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang y Kovacs, 2012). | 967 |
2 | (Austin, 2010) | 498 | (Nex y Remondino, 2014). | 893 |
3 | (Caza et al., 2010) | 331 | (Floreano & Madera, 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 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer¨ 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 | (Anuncio ao et al., 2017) | 335 |
10 | (Schmale III et al., 2008). | 119 | (Honkavara et al., 2013a) | 331 |
11 | (Abd-Elrahman et al., 2005). | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang y 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 |
En el segundo período (2011-2021), las investigaciones de Zhang y Kovacs (2012) y Nex y Remondino (2014) dieron como resultado las publicaciones más citadas. Zhang y Kovacs (2012) argumentan que la agricultura de precisión podría beneficiarse de la implementación de técnicas y sensores geoespaciales, como sistemas de información geográfica, GPS y sensores remotos, para capturar variaciones en el campo y manejarlas empleando estrategias alternativas. Como un cambio de juego en la agricultura de precisión, la adopción de drones ha anunciado una nueva era en la detección remota, simplificando la observación aérea, capturando datos de crecimiento de cultivos, condiciones del suelo y áreas de fumigación. La revisión de Zhang y Kovacs (2012) es fundamental, ya que ofrece información sobre los vehículos aéreos no tripulados al revelar los usos existentes y los desafíos de estos dispositivos en el monitoreo ambiental y la agricultura de precisión, como las limitaciones de la plataforma y la cámara, los desafíos del procesamiento de datos, la participación de los agricultores y las regulaciones de aviación. . El segundo
El estudio más citado de Nex y Remondino (2014) revisó el estado del arte de los UAV para capturar, procesar y analizar imágenes de la Tierra.
Su trabajo también presentó una descripción general de varias plataformas, aplicaciones y casos de uso de UAV, mostrando los avances más recientes en el procesamiento de imágenes de UAV. En agricultura, los agricultores podrían usar UAV para tomar decisiones efectivas para lograr ahorros de costos y tiempo, recibir un registro rápido y preciso de los daños y anticipar posibles problemas. A diferencia de las plataformas aéreas convencionales, los vehículos aéreos no tripulados pueden reducir los gastos operativos y disminuir el peligro de acceso a lugares difíciles, al mismo tiempo que conservan un potencial de alta precisión. Su artículo resume varias ventajas de los UAV, particularmente en términos de precisión y resolución.
Entre las trece publicaciones restantes más citadas entre 2011 y 2021, notamos una mayor concentración en la investigación relacionada con aplicaciones de drones en misiones de imágenes (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , agricultura de precisión (Candiago et al., 2015; Honkavaara et al., 2013a), viticultura de precisión (Matese et al., 2015), evaluación del estrés hídrico (Gago et al., 2015) y monitoreo de la vegetación (Aasen et al. , 2015a). En los primeros años, los investigadores se centraron
más sobre el desarrollo de sistemas basados en UAV de bajo costo, livianos y precisos para la agricultura; la investigación más reciente se ha centrado más en las revisiones de las aplicaciones de UAV para la agricultura y la topografía de campo. En resumen, este análisis revela que las publicaciones influyentes en su mayoría han proporcionado revisiones de estudios previos para evaluar el estado científico y tecnológico actual de los UAV y han desarrollado sistemas UAV para apoyar la agricultura de precisión. Curiosamente, no encontramos estudios que emplearan empírica
metodologías o estudios de casos descriptivos, lo que constituye un importante vacío de conocimiento y requiere más investigación sobre este tema.
Análisis de citas conjuntas
Según Gmür (2006), el análisis de cocitación identifica publicaciones similares y las agrupa. Un examen cuidadoso de un grupo puede revelar un campo común de investigación entre las publicaciones. Investigamos la cocitación de la literatura relacionada con los drones agrícolas para ilustrar áreas temáticas relacionadas y detectar los patrones intelectuales de las publicaciones. En este sentido, Small (1973) recomendó el uso del análisis de cocitación para estudiar las investigaciones más influyentes y seminales.
dentro de una disciplina. Para limitar el conjunto a los artículos más seminales (Goyal & Kumar, 2021), establecimos un umbral de cocitación de 25, lo que significa que dos artículos deben haber sido citados juntos en las listas de referencias de 25 o más publicaciones diferentes. El agrupamiento también se realizó con un tamaño de clúster mínimo de 1 y sin ningún método para fusionar clústeres más pequeños con otros más grandes. Como resultado, se generaron seis clusters basados en la similitud de estudios y su estructura intelectual. La Tabla 6 muestra la distribución de las publicaciones en cada clúster.
Grupo 1: este grupo contiene dieciocho documentos publicados después de Las publicaciones de este grupo analizan el papel de los drones en el apoyo al monitoreo ambiental, el manejo de cultivos y el manejo de malezas. Por ejemplo, Manfreda et al. (2018) brindan una descripción general de la investigación actual y las implementaciones de UAV en el monitoreo de ecosistemas agrícolas naturales y argumentan que la tecnología ofrece un enorme potencial para mejorar drásticamente el monitoreo ambiental y reducir
la brecha existente entre la observación de campo y la teledetección convencional aérea y espacial. Esto se puede hacer ofreciendo una nueva capacidad para mejorar la recuperación temporal y la percepción espacial de grandes áreas de una manera asequible. Los UAV pueden detectar constantemente el entorno y enviar los datos resultantes a entidades inteligentes centralizadas/descentralizadas que controlan los sensores para identificar posibles problemas, como la falta de enfermedades o la detección de agua (Padua ´ et al., 2017). Adao ˜ et al. (2017) postulan que los UAV son ideales para evaluar las condiciones de las plantas al capturar un gran volumen de datos sin procesar relacionados con el estado del agua, la estimación de la biomasa y la evaluación del vigor. Los sensores montados en UAV también podrían implementarse rápidamente en condiciones ambientales adecuadas para permitir la captura oportuna de datos de detección remota (Von Bueren et al., 2015). Por medio de los vehículos aéreos no tripulados, los agricultores pueden llevar a cabo actividades de cultivo en interiores mediante la adquisición de mediciones desde prácticamente cualquier lugar en el espacio tridimensional de los entornos de cultivo en interiores (por ejemplo, invernaderos), asegurando así el control del clima local y el monitoreo de las plantas (Roldan ´ et al. ., 2015). En el contexto de la precisión.
agricultura, las decisiones de manejo de cultivos requieren datos de cultivos precisos y confiables con una resolución temporal y espacial adecuada (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Por ello, Agüera Vega et al. (2015) utilizaron un sistema de sensores multiespectrales montado en UAV para adquirir imágenes de un cultivo de girasol durante la temporada de crecimiento. Del mismo modo, Huang et al. (2009) señalan que la teledetección basada en UAV podría facilitar la medición de cultivos y suelos a partir de los datos espectrales recopilados. Verger et al. (2014) desarrollaron y probaron una técnica para estimar un índice de área verde (GAI) a partir de mediciones de reflectancia de UAV en aplicaciones de agricultura de precisión, centrándose en cultivos de trigo y colza. Por lo tanto, los drones brindan nuevas posibilidades para recuperar información sobre el estado de los cultivos con visitas frecuentes y alta resolución espacial (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Agrupación de publicaciones influyentes sobre drones agrícolas.
Médico | tema amplio | Referencias |
1 | Monitoreo ambiental, cultivo gestión, manejo de malas hierbas | (Anuncio ao et al., 2017; aguera vega et al., 2015; de Castro et al., 2018; Gómez-Cand´on´ et al., 2014; YB Huang et al., 2013; Kanal et al., 2017; López-Granados, ´ 2011; Manfreda et al., 2018; PAGS Adua et al., 2017; Peña ˜ et al., 2013; Pérez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S´ Anchez et al., 2014; Torres-Sánchez, ´ López-Granados, ´ & Peña, ˜ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Zhang y Kovacs, 2012) |
2 | Fenotipado remoto, rendimiento estimación, modelo de superficie de cultivo, conteo de plantas | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gandinger ¨ & 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 y otros, 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Imágenes térmicas para agua, imágenes multiespectrales | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; candiago et al., 2015; Gago et al., 2015; González-Dugo et al., 2013, 2014; Grenzdorffer¨ et al., 2008; Jaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013). |
4 | Imagen hipersectral, espectral imágenes | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; lucier et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | Aplicaciones de mapeo 3D | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí et al., 2014; Torres-S´ anchez, López- ´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Vigilancia agrícola | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang y Tian, 2011) |
Además, los drones son útiles para tareas agrícolas desafiantes, incluido el mapeo de malezas. Las imágenes captadas por los dispositivos han demostrado su utilidad para la detección temprana de malas hierbas en los campos (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados´ et al., 2016; Rozenberg et al., 2021). Al respecto, de Castro et al. (2018) postulan que la combinación de imágenes UAV y análisis de imágenes basado en objetos (OBIA) ha permitido a los profesionales superar el problema de la automatización de la detección temprana en cultivos de pastizales de temporada temprana, lo que es un gran paso adelante en la investigación de malezas. Asimismo, Peña ˜ et al. (2013) señalan que el uso de imágenes de resolución espacial ultra alta de UAV junto con un procedimiento OBIA permite generar mapas de malezas en cultivos tempranos de maíz que podrían usarse para planificar la implementación de medidas de control de malezas en temporada. una tarea más allá de la capacidad de las imágenes satelitales y aéreas tradicionales. En comparación con la clasificación de imágenes o los algoritmos de detección de objetos, las técnicas de segmentación semántica son más efectivas en las tareas de mapeo de malezas (J. Deng et al., 2020), lo que permite a los agricultores detectar las condiciones del campo, mitigar las pérdidas y mejorar los rendimientos durante la temporada de crecimiento (Ramesh et al., 2020). La segmentación semántica basada en el aprendizaje profundo también puede proporcionar una medición precisa de la cubierta vegetal a partir de imágenes aéreas de alta resolución (Ramesh et al., 2020; A. Zheng et al., 2022). A pesar de su potencial para el control remoto
Al detectar la clasificación de píxeles, las técnicas de segmentación semántica requieren un cálculo significativo y una memoria GPU prohibitivamente alta (J. Deng et al., 2020).
Basado en aprendizaje automático y UAV, P´erez-Ortiz et al. (2015) sugirieron un enfoque de mapeo de malezas para proporcionar estrategias de control de malezas específicas del sitio cuando los agricultores adoptan el control de malezas temprano después de la emergencia. Finalmente, Rasmussen et al. (2013) destacó que los drones brindan detección económica con una gran flexibilidad de resolución espacial. En general, las publicaciones de este grupo se centran en explorar el potencial de los vehículos aéreos no tripulados para respaldar la detección remota, el monitoreo de cultivos y el mapeo de malezas. Se necesita más investigación en profundidad para investigar más a fondo cómo las aplicaciones de drones en el monitoreo ambiental, el manejo de cultivos y el mapeo de malezas pueden lograr una agricultura más sostenible (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J . Su, Liu, et al., 2018) y abordar los problemas de gobernanza de esta tecnología en las aplicaciones de seguros de cosechas (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Los investigadores deben concentrarse en validar las mediciones recopiladas por UAV con técnicas de procesamiento eficientes para mejorar la calidad final de los datos procesados (Manfreda et al., 2018). Además, se necesita el desarrollo de algoritmos apropiados que reconozcan los píxeles que muestran las malas hierbas en las imágenes digitales y eliminen el fondo irrelevante durante el mapeo de malas hierbas con UAV (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-´ Granados et al., 2016). Se agradece la investigación adicional sobre la adopción de técnicas de segmentación semántica en el reconocimiento de plantas, la clasificación de hojas y el mapeo de enfermedades (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Grupo 2. Las publicaciones de este grupo se centraron en varios aspectos de los drones agrícolas. En relación con el fenotipado remoto, Sankaran et al. (2015) revisaron el potencial del uso de imágenes aéreas de alta resolución y baja altitud con vehículos aéreos no tripulados para el fenotipado rápido de cultivos en el campo y argumentan que, en comparación con las plataformas de detección terrestres, los vehículos aéreos no tripulados pequeños con sensores adecuados ofrecen varias ventajas. , como un acceso más fácil al campo, datos de alta resolución, recopilación de datos eficiente,
evaluaciones rápidas de las condiciones de crecimiento del campo y bajos costos operativos. Sin embargo, los autores también señalan que la aplicación efectiva de UAV para fenotipado de campo se basa en dos elementos fundamentales, a saber, características de UAV (p. ej., seguridad, estabilidad, posicionamiento, autonomía) y características del sensor (p. ej., resolución, peso, longitudes de onda espectrales, campo de vista). Haghighattalab et al. (2016) propusieron una tubería de procesamiento de imágenes semiautomática para recuperar datos a nivel de parcela de imágenes de UAV y acelerar el proceso de reproducción. Holman et al. (2016) desarrollaron un alto
rendimiento del sistema de fenotipado de campo y destacó que el UAV es capaz de recopilar datos fenotípicos de calidad, voluminosos y basados en el campo, y que el dispositivo es efectivo para áreas grandes y en diferentes ubicaciones de campo.
Dado que la estimación del rendimiento es una información increíblemente vital, especialmente cuando está disponible a tiempo, existe la posibilidad de que los UAV proporcionen todas las mediciones de campo y adquieran datos de alta calidad de manera eficiente (Daakir et al., 2017; Demir et al., 2018). ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). En este sentido, Jin et al. (2017) aprovecharon las imágenes de alta resolución obtenidas por UAV a altitudes muy bajas para desarrollar y evaluar un método para estimar la densidad de plantas de trigo en la etapa de emergencia. Según los autores, los UAV superan las limitaciones de los sistemas móviles equipados con cámaras y representan un método no invasivo para estimar la densidad de plantas en los cultivos, lo que permite a los agricultores lograr el alto rendimiento necesario para el fenotipado de campo independientemente de la transitabilidad del suelo. Li et al. (2016) recolectó cientos de imágenes estéreo con una resolución extremadamente alta utilizando un sistema basado en UAV para estimar los parámetros del maíz, incluida la altura del dosel y la biomasa sobre el suelo. Finalmente, Yue et al. (2017) encontraron que la altura del cultivo determinada a partir de UAV podría mejorar la estimación de la biomasa aérea (AGB).
Un enfoque para monitorear el crecimiento de los cultivos es la idea de desarrollar modelos de superficie de cultivo (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Varios estudios destacaron la viabilidad de las imágenes tomadas desde UAV para capturar la altura de las plantas y monitorear su crecimiento. Por ejemplo, Bendig et al. (2013) describieron el desarrollo de modelos de superficie de cultivos multitemporales con una resolución muy alta de menos de 0.05 m utilizando UAV. Su objetivo era detectar cultivos
la variabilidad del crecimiento y su dependencia del tratamiento del cultivo, el cultivar y el estrés. Bendig et al. (2014) utilizaron vehículos aéreos no tripulados para estimar la biomasa fresca y seca en función de la altura de la planta extraída de los modelos de superficie de cultivo y descubrieron que, a diferencia de las plataformas aéreas y el escaneo láser terrestre, las imágenes de alta resolución de los vehículos aéreos no tripulados pueden aumentar significativamente la precisión del modelado de la altura de la planta para diferentes tipos de crecimiento. etapas En la misma línea, Geipel et al. (2014) utilizaron vehículos aéreos no tripulados en su investigación para adquirir imágenes
conjuntos de datos para la predicción del rendimiento del grano de maíz en tres fases de crecimiento diferentes, desde principios hasta la mitad de la temporada, y concluyó que la combinación de modelos espectrales y espaciales basados en imágenes aéreas y modelos de superficie de cultivo es un método adecuado para predecir el rendimiento del maíz en la mitad de la temporada. Finalmente, Gnadinger ¨ y Schmidhalter (2017) examinaron la utilidad de los UAV en el fenotipado de precisión y destacaron que el uso de esta tecnología podría mejorar la gestión agrícola y permitir la experimentación de campo con fines agronómicos y de mejoramiento. En general, observamos que las publicaciones del grupo 2 se centran en las principales ventajas de los UAV en operaciones remotas.
fenotipado, estimación de rendimiento, modelado de superficie de cultivos y conteo de plantas. Los estudios futuros pueden profundizar más mediante el desarrollo de nuevos métodos para el fenotipado remoto que pueden automatizar y optimizar el procesamiento de datos de detección remota (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Además, el rendimiento de los sensores IoT montados en vehículos aéreos no tripulados y la compensación entre sus costos, mano de obra y precisión de la estimación del rendimiento deben investigarse en el futuro.
futuro (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). En última instancia, existe la necesidad de desarrollar métodos eficientes de procesamiento de imágenes que puedan generar información confiable, maximizar la eficiencia en la producción agrícola y minimizar el trabajo de conteo manual de los agricultores (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Grupo 3. Las publicaciones de este grupo analizan los diferentes tipos de sistemas de imágenes para la detección remota de recursos agrícolas utilizados en plataformas UAV. En este sentido, la termografía permite monitorear las temperaturas superficiales para prevenir daños en los cultivos y detectar tempranamente el estrés por sequía (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et al. (2012) afirmaron que el uso de cámaras multiespectrales y térmicas a bordo del
El UAV permitió a los investigadores obtener imágenes de alta resolución y evaluar el estado del agua de la vid. Esto podría ser útil para desarrollar nuevos modelos de programación del agua utilizando datos de teledetección (Baluja et al., 2012). debido a la
capacidad de carga limitada de los UAV, Ribeiro-Gomes et al. (2017) consideraron la integración de cámaras térmicas no refrigeradas en UAVS para determinar el estrés hídrico en las plantas, lo que hace que este tipo de UAV sea más eficiente y viable que la teledetección tradicional basada en satélites y los UAV equipados con cámaras térmicas refrigeradas. Según los autores, las cámaras térmicas sin refrigeración son más ligeras que las cámaras refrigeradas y requieren una calibración adecuada. González-Dugo et al. (2014) demostraron que las imágenes térmicas generan efectivamente mapas espaciales de los índices de estrés hídrico de los cultivos para evaluar el estado del agua y cuantificar el estrés hídrico entre y dentro de los huertos de cítricos. González-Dugo et al. (2013) y Santesteban et al. (2017) investigaron el uso de imágenes térmicas UAV de alta resolución para estimar la variabilidad del estado del agua de un huerto comercial y un viñedo.
Las imágenes multiespectrales podrían proporcionar datos masivos en comparación con las imágenes RGB (rojo, verde y azul) tradicionales (Ad˜ ao et al., 2017; Navia et al., 2016). Estos datos espectrales, junto con los datos espaciales, podrían ayudar en la clasificación, el mapeo, el pronóstico, la predicción y la detección (Berni et al., 2009b). Según Candiago et al. (2015), las imágenes multiespectrales basadas en UAV podrían contribuir enormemente a la evaluación de cultivos y la agricultura precisa como un recurso confiable y eficiente. También,
Khaliq et al. (2019) hizo una comparación entre imágenes multiespectrales basadas en satélites y UAV. Las imágenes basadas en UAV dieron como resultado una descripción más precisa de la variabilidad de los viñedos, así como mapas de vigor para representar las copas de los cultivos. En pocas palabras, los artículos de este grupo analizan la incorporación de sensores de imágenes térmicas y multiespectrales en los vehículos aéreos no tripulados agrícolas. En consecuencia, se necesita más investigación para comprender cómo se pueden integrar las imágenes térmicas y multiespectrales con la IA.
técnicas (por ejemplo, aprendizaje profundo) para detectar el estrés de las plantas (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Estos conocimientos ayudarán a garantizar una detección más eficiente y precisa, así como un control del crecimiento, el estrés y la fenología de las plantas (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Grupo 4. Este grupo consta de siete documentos que giran en torno al papel crucial de las imágenes espectrales y las imágenes hiperespectrales en el apoyo a las prácticas agrícolas. Las imágenes hiperespectrales se han establecido como un método de detección remota que permite la evaluación cuantitativa del sistema terrestre (Schaepman et al., 2009). Para ser más precisos, permite la identificación de materiales superficiales, la cuantificación de concentraciones (relativa) y la asignación de proporciones de los componentes de la superficie
dentro de píxeles mixtos (Kirsch et al., 2018; Zhao et al., 2022). En otras palabras, la mayor resolución espectral proporcionada por los sistemas hiperespectrales permite estimaciones más precisas de varios parámetros, como las propiedades vegetarianas o el contenido de agua de las hojas (Suomalainen et al., 2014). Los investigadores de este grupo investigaron varios aspectos de dichos sistemas. Entre otros, Aasen et al. (2015b) ofrecieron un enfoque único para obtener información hiperespectral tridimensional a partir de
Cámaras instantáneas utilizadas en vehículos aéreos no tripulados para el seguimiento de la vegetación. Lucier et al. (2014) analizaron el diseño, el desarrollo y las operaciones aéreas de un novedoso UAS hiperespectral, así como la calibración, el análisis y la interpretación de los datos de imagen recopilados con él. Finalmente, Honkavaara et al. (2013b) desarrollaron un enfoque de procesamiento integral para imágenes espectrales basadas en el interferómetro FabryPerot y demostraron su uso en un procedimiento de estimación de biomasa para la agricultura de precisión. Las posibles vías futuras para este grupo actual incluyen enfatizar la necesidad de mejoras técnicas en las tecnologías de sensores (Aasen et al., 2015b), así como la necesidad de incorporar y mejorar tecnologías complementarias, específicamente big data y análisis (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Este último se deriva principalmente de los datos cada vez mayores generados por varios sensores implementados en la agricultura inteligente (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Grupo 5. Las publicaciones de este grupo examinaron las aplicaciones de mapeo 3D basadas en drones. El uso de drones para el mapeo 3D podría aliviar el complejo trabajo de campo y aumentar sustancialmente la eficiencia (Torres-Sanchez ´ et al., 2015). Los cinco artículos del grupo se centraron principalmente en las aplicaciones de monitorización de plantas. Por ejemplo, para obtener datos tridimensionales sobre el área del dosel, la altura de los árboles y el volumen de la copa, Torres-Sanchez ´ et al. (2015) utilizaron tecnología UAV para generar modelos de superficie digitales y luego enfoques de análisis de imágenes basados en objetos (OBIA). Además, Zarco-Tejada et al. (2014) cuantificaron la altura de los árboles mediante la integración de tecnología UAV y métodos de fotorreconstrucción tridimensional. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017) demostraron un nuevo proceso para el monitoreo 3D multitemporal de docenas de olivos mediante la integración de la tecnología UAV con la metodología OBIA avanzada. Los caminos interesantes para trabajos futuros en este grupo incluyen ya sea mejorar
(Zarco-Tejada et al., 2014) con fines de modelado digital de superficies (Ajayi et al., 2017; Jaud et al., 2016), como OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), y foto-reconstrucción o desarrollo de métodos novedosos (Díaz-Varela et al., 2015; Torres-S´anchez et al., 2015).
Grupo 6. Este grupo analiza el papel de los drones en la vigilancia agrícola. Los UAV podrían complementar y superar las deficiencias de las imágenes satelitales y de aeronaves. Por ejemplo, podrían proporcionar imágenes de alta resolución casi en tiempo real con menos combustible o desafíos de pilotaje, lo que resultaría en una vigilancia constante y en tiempo real y mejoras en la toma de decisiones (S. Herwitz et al., 2004). Otra contribución clave de los UAV es su capacidad para proporcionar datos específicos del sitio para la agricultura de precisión o la agricultura específica del sitio, ya que sus datos detallados de alta resolución sobre varios parámetros permiten a los agricultores dividir la tierra en partes homogéneas y tratarlas en consecuencia (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Tal vigilancia agrícola basada en UAV puede apoyar el monitoreo de la seguridad alimentaria y la toma de decisiones (SR Herwitz et al., 2004). Para avanzar en la investigación en vigilancia agrícola, no solo se necesitan mejoras en sensores, vehículos aéreos no tripulados y otras tecnologías relacionadas y sus métodos de comunicación y transferencia de datos (Ewing et al., 2020; Shuai et al., 2019), sino también integrar drones con diversos Las tecnologías para optimizar diferentes tareas en relación con la agricultura inteligente, como el monitoreo, la vigilancia agrícola y la toma de decisiones, es un área de investigación de alto potencial (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). En este sentido, IoT, WSN y big data ofrecen capacidades complementarias interesantes (van der Merwe et al., 2020). Los costos de implementación, el ahorro de costos, la eficiencia energética y la seguridad de los datos se encuentran entre las áreas poco investigadas para dicha integración (Masroor et al., 2021).
Países e instituciones académicas
El paso final incluyó la investigación del país de origen y las afiliaciones académicas de los autores. A través de este análisis, nuestro objetivo es comprender mejor la distribución geográfica de los académicos que contribuyen a las aplicaciones de los drones en la agricultura. Es de destacar la diversidad de países e instituciones académicas. Desde la perspectiva de un país, EE. UU., China, India e Italia se ubican en la parte superior de la lista en términos de número de publicaciones (Tabla 7). La corriente
La investigación sobre drones agrícolas se centra en gran medida en los países de América del Norte y Asia, principalmente debido a su alto compromiso con las aplicaciones de agricultura de precisión. Por ejemplo, en EE. UU., el mercado de drones agrícolas se estimó en 841.9 millones de USD en el año 2020, lo que representa aproximadamente el 30 % de la cuota de mercado mundial (ReportLinker, 2021). Clasificada como la economía más grande del mundo, se prevé que China alcance un tamaño de mercado aproximado de 2.6 millones de dólares en el año 2027. Este país está solicitando drones agrícolas para superar los problemas de productividad y lograr mejores rendimientos, alivio del trabajo y menores insumos de producción. Sin embargo, la adopción de la tecnología en China también está impulsada por factores como el tamaño de la población y la necesidad de innovar y mejorar las prácticas de manejo de cultivos existentes.
Principales países y universidades/organizaciones más productivas que contribuyen a
investigación relacionada con drones agrícolas.
Rango | Países |
1 | Estados Unidos de America |
2 | China |
3 | India |
4 | Italia |
5 | España |
6 | Alemania |
7 | Brasil |
8 | Australia |
9 | Japón |
10 | Reino Unido |
Rango | Universidades/ Organizaciones |
1 | Academia China de Ciencias |
2 | Ministerio de Agricultura de la República Popular China |
3 | Consejo Superior de Investigaciones Científicas |
4 | Universidad Texas A & M |
5 | Universidad de Agricultura de China |
6 | Servicio de Investigación Agrícola del USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Consejo Nacional de Investigación |
10 | Universidad de Agricultura del Sur de China |
Desde una perspectiva universitaria y organizativa, la Academia de Ciencias de China encabeza la lista en cuanto a número de publicaciones, seguida por el Ministerio de Agricultura de la República Popular China y el Consejo Superior de Investigaciones Científicas. La Academia China de Ciencias está representada por los autores Liao Xiaohan y Li Jun; Han Wenting representa al Ministerio de Agricultura de la República Popular China; y el Consejo Superior de Investigaciones Científicas está representado por Lopez-Granados, ´ F. y Pena, ˜ Jos´e María S. Desde EE. UU., universidades como Texas A&M University y Purdue University encuentran su
mencion. Las universidades con el mayor número de publicaciones y sus conexiones se muestran en la Fig. 4. Además, esta lista incluye instituciones como el Consiglio Nazionale delle Ricerche y el Consejo Superior de Investigaciones Científicas que están activos en la investigación científica, pero no son instituciones académicas. .
Nuestra selección incluyó una amplia variedad de revistas, abarcando prácticamente todos los datos disponibles. Como se muestra en la Tabla 8, Remote Sensing con 258 artículos ocupa el primer lugar, seguido por Journal of Intelligent and Robotic Systems: Theory and Applications con 126 y Computers and Electronics in Agriculture con 98 artículos. Mientras que la teledetección se centra principalmente en la aplicación y el desarrollo de drones, la informática y la electrónica en la agricultura cubre principalmente los avances en hardware, software, electrónica y sistemas de control informáticos en la agricultura. Los puntos de venta de áreas cruzadas, como IEEE Robotics and Automation Letters con 87 publicaciones e IEEE Access con 34 publicaciones, también son puntos de venta de primer nivel en el campo. Los quince principales medios han contribuido a la literatura con 959 documentos, lo que representa aproximadamente el 20.40% de todas las publicaciones. Un análisis de cocitación de revistas nos permite examinar la importancia y la similitud entre las publicaciones. El análisis de citas conjuntas produce tres grupos, como se muestra en la Fig. 5. El grupo rojo consta de revistas como Remote Sensing, Computer and Electronics in Agriculture, Sensors,
y la Revista Internacional de Percepción Remota. Todos estos medios son revistas de gran reputación en las áreas de teledetección y agricultura de precisión. El grupo verde contiene revistas que tratan sobre robótica, como Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access y Drones. Estos puntos de venta en su mayoría publican artículos sobre automatización y son útiles para los ingenieros agrícolas. El grupo final está formado por revistas relacionadas con la agronomía y la ingeniería agrícola, como Agronomy e International Journal of Agricultural and Biological Engineering.
Las 15 mejores revistas en investigación relacionada con drones agrícolas.
Rango | Revista | Contar |
1 | Teledetección | 258 |
2 | Revista de Sistemas Inteligentes y Robóticos: Teoría y Aplicaciones | 126 |
3 | Informática y Electrónica en la Agricultura | 98 |
4 | Cartas de robótica y automatización de IEEE | 87 |
5 | Sensores | 73 |
6 | Revista Internacional de Teledetección | 42 |
7 | Agricultura de precisión | 41 |
8 | Drones | 40 |
9 | Agronomía | 34 |
10 | IEEE Access | 34 |
11 | Revista internacional de sistemas robóticos avanzados | 31 |
12 | Revista Internacional de Ingeniería Agrícola y Biológica | 25 |
13 | PLoS ONE | 25 |
14 | Revista de robótica de campo | 23 |
15 | Ingeniería de Biosistemas | 23 |
Conclusión
Resumen
En este estudio, resumimos y analizamos la investigación existente sobre drones agrícolas. Aplicando varias técnicas bibliométricas, nos esforzamos por obtener una mejor comprensión de la estructura intelectual de la investigación relacionada con los drones agrícolas. En resumen, nuestra revisión ofrece varias contribuciones al identificar y discutir palabras clave en la literatura, revelar grupos de conocimiento mientras se forman comunidades semánticamente similares en el campo de los drones, esbozar investigaciones anteriores y sugerir direcciones de investigación futuras. A continuación, describimos los principales hallazgos de la revisión sobre el desarrollo de drones agrícolas:
• La literatura en general ha crecido rápidamente y atraído una enorme atención durante la última década, como lo indica el aumento en el número de artículos después de 2012. Si bien este campo de conocimiento aún no ha alcanzado su plena madurez (Barrientos et al., 2011; Maes & Steppe, 2019), aún quedan varias preguntas sin respuesta. Por ejemplo, la utilidad de los drones en la agricultura de interior sigue abierta a debate (Aslan et al., 2022; Krul et al., 2021; Rold´an et al., 2015). La complejidad de las escenas de los campos y las diferentes circunstancias de la imagen (p. ej., sombras e iluminación) podrían dar como resultado una mayor variación espectral en clase (Yao et al., 2019). Incluso en las últimas fases de investigación, los investigadores se han enfrentado al desafío de determinar planes de vuelo óptimos de acuerdo con escenarios particulares y la calidad de imagen requerida (Soares et al., 2021; Tu et al.,
2020).
• Notamos que el campo ha progresado desde el desarrollo de sistemas UAV eficientes hasta la incorporación de técnicas de IA, como el aprendizaje automático y el aprendizaje profundo en el diseño de drones agrícolas (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• La investigación sobre drones agrícolas discutió predominantemente la detección remota al explorar los potenciales de la tecnología en el monitoreo ambiental, manejo de cultivos y manejo de malezas (grupo 1), así como también fenotipado remoto y estimación de rendimiento (grupo 2). Un conjunto de estudios influyentes sobre drones agrícolas incluyen Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex y Remondino (2014) y Zhang y Kovacs (2012). Estos estudios desarrollaron la base conceptual de la investigación relacionada con los drones en el contexto de la agricultura.
• En relación con la metodología, observamos que la mayor parte de la investigación realizada hasta el momento se había compuesto de estudios de diseño de sistemas, conceptuales o basados en revisiones (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). También notamos una falta de métodos empíricos, cualitativos y basados en estudios de casos en el trabajo en la investigación de drones agrícolas.
• Recientemente, los temas relacionados con la agricultura de precisión, las técnicas de IA, la viticultura de precisión y la evaluación del estrés hídrico han llamado mucho la atención (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Un examen cuidadoso de los grupos de investigación en dos eras separadas, 1990–2010 y 2011–2021, revela el progreso de la estructura intelectual del dominio. El período de 1990 a 2010 constituyó la construcción de las nociones centrales y los conceptos de drones, lo cual es obvio a partir de la discusión sobre el diseño, desarrollo e implementación de UAV. En la segunda era, el enfoque de investigación se expande sobre estudios previos, haciendo un esfuerzo por sintetizar los casos de uso de UAV en la agricultura. También encontramos numerosos estudios que analizan las aplicaciones de drones en tareas de generación de imágenes y agricultura de precisión.
Rango | Revista | Contar |
1 | Teledetección | 258 |
2 | Revista de Sistemas Inteligentes y Robóticos: Teoría y | 126 |
Aplicaciones | ||
3 | Informática y Electrónica en la Agricultura | 98 |
4 | Cartas de robótica y automatización de IEEE | 87 |
5 | Sensores | 73 |
6 | Revista Internacional de Teledetección | 42 |
7 | Agricultura de precisión | 41 |
8 | Drones | 40 |
9 | Agronomía | 34 |
10 | IEEE Access | 34 |
11 | Revista internacional de sistemas robóticos avanzados | 31 |
12 | Revista Internacional de Ingeniería Agrícola y Biológica | 25 |
13 | PLoS ONE | 25 |
14 | Revista de robótica de campo | 23 |
15 | Ingeniería de Biosistemas | 22 |
Implicaciones
Nuestra revisión bibliométrica fue diseñada y realizada teniendo en cuenta a académicos, agricultores, expertos agrícolas, consultores de cultivos y diseñadores de sistemas UAV. Según el leal saber y entender de los autores, esta es una de las primeras revisiones originales que ha realizado un análisis bibliométrico en profundidad de
aplicaciones de drones en la agricultura. Hemos llevado a cabo una revisión exhaustiva de este cuerpo de conocimiento, empleando análisis de citas y co-citas de publicaciones. Nuestros intentos de describir la estructura intelectual de la investigación con drones también ofrecen nuevos conocimientos para los académicos. Una revisión cuidadosa de las palabras clave utilizadas a lo largo del tiempo revela los puntos críticos y las áreas focales de investigación en la literatura relacionada con los drones. Además, presentamos una lista de los estudios más citados para identificar los trabajos de investigación más impactantes realizados en el campo. En consecuencia, la identificación de artículos y palabras clave podría proporcionar un sólido punto de partida para descubrir varias vías para futuros estudios.
Es importante destacar que revelamos grupos que clasifican trabajos comparables y elaboramos los resultados. Los estudios clasificados en grupos ayudan a comprender la estructura intelectual de la investigación de UAV. En particular, descubrimos una escasez de estudios que investiguen los factores de adopción de los drones.
y barreras en las actividades agrícolas (ver Cuadro 9). Los futuros investigadores podrían abordar esta brecha potencial mediante la realización de investigaciones empíricas que evalúen los factores de adopción de drones en diferentes actividades agrícolas y condiciones climáticas. Además, la investigación basada en estudios de casos sobre la eficacia de los drones debe respaldarse con datos reales del campo. Además, involucrar a agricultores y administradores en la investigación académica sería ventajoso para el avance teórico y práctico de la investigación con drones. También pudimos identificar a los investigadores más destacados y sus contribuciones, lo cual es valioso porque el conocimiento de trabajos seminales recientes puede ofrecer alguna orientación para futuros esfuerzos académicos.
Tabla 9
Barreras de adopción de UAV.
Barrera | Descripción |
Seguridad de los datos | La ciberseguridad es un gran desafío para implementar Soluciones IoT (Masroor et al., 2021). |
Interoperabilidad y integración | Diversas tecnologías como UAV, WSN, IoT, etc. deben integrarse y transmitir datos que aumentar el nivel de complejidad (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Costos de implementacion | Este es específicamente el caso de los pequeños agricultores y de integrando diversas tecnologías de vanguardia ( Masroor et al., 2021). |
conocimiento laboral y Experiencia | Se necesitan pilotos de drones calificados para operar UAV. Además, la implementación de varios de vanguardia tecnologías requiere trabajadores calificados (YB Huang et al., 2013; Tsouros et al., 2019). |
Potencia del motor y vuelo duración | Los drones no se pueden operar durante largas horas y cubren grandes áreas (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Estabilidad, fiabilidad y maniobrabilidad | Los drones no son estables durante las malas condiciones climáticas (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Limitaciones de carga útil y calidad de los sensores | Los drones solo pueden transportar cargas limitadas. capacidad de cargar sensores de menor calidad (Nebiker et al., 2008). |
Regulación | Como los drones también pueden ser peligrosos, existen graves regulaciones en algunas áreas (Hardin & Jensen, 2011; Laliberté & Rango, 2011). |
conocimiento de los agricultores y intereses | Como otras tecnologías de punta, los drones la implementación exitosa necesita experiencia y también acompañado de incertidumbres (Fisher et al., 2009; Lambert y otros, 2004; Stafford, 2000). |
Dado que existe una necesidad constante de utilizar de manera eficiente los recursos disponibles para maximizar los rendimientos, los agricultores pueden aprovechar los drones para garantizar un escaneo rápido, preciso y rentable de sus campos. La tecnología puede ayudar a los agricultores a determinar la condición de sus cultivos y evaluar el estado del agua, la etapa de maduración, las infestaciones de insectos y las necesidades nutricionales. Las capacidades de detección remota de los drones pueden proporcionar a los agricultores datos cruciales para anticipar problemas en una etapa temprana y realizar intervenciones adecuadas de inmediato. Sin embargo, los beneficios de la tecnología solo se pueden realizar si los desafíos se abordan adecuadamente. a la luz de la
problemas actuales con respecto a la seguridad de los datos, problemas de tecnología de sensores (por ejemplo, la confiabilidad o precisión de las mediciones), complejidad de integración y costos de implementación sustanciales, los estudios futuros también deben examinar la viabilidad técnica, económica y operativa de integrar drones agrícolas y otros drones de corte. tecnologías de punta.
Limitaciones
Nuestro estudio tiene varias limitaciones. En primer lugar, los hallazgos están determinados por las publicaciones seleccionadas para el análisis final. Es un desafío capturar todos los estudios relevantes relacionados con los drones agrícolas, particularmente aquellos que no están indexados en la base de datos de Scopus. Además, el proceso de recopilación de datos se limita a la configuración de palabras clave de búsqueda, que pueden no ser inclusivas y dar lugar a hallazgos no concluyentes. Por lo tanto, los estudios futuros deben prestar más atención al tema subyacente de la recopilación de datos para hacer
conclusiones más fiables. Otra limitación se refiere a las nuevas publicaciones con un bajo número de citas. El análisis bibliométrico está sesgado hacia publicaciones anteriores, ya que tienden a recibir más citas a lo largo de los años. Los estudios recientes necesitan una cierta cantidad de tiempo para llamar la atención y acumular citas. En consecuencia, los estudios recientes que aportan un cambio de paradigma no se ubicarían entre los diez trabajos más influyentes. Esta limitación prevalece en el examen de dominios de investigación que emergen rápidamente, como los drones agrícolas. Como hemos consultado a Scopus para estudiar la literatura de este trabajo, los futuros investigadores podrían considerar diferentes
bases de datos, como Web of Science e IEEE Xplore, para ampliar el horizonte y mejorar la estructura de investigación.
Los estudios bibliométricos potenciales pueden considerar otras fuentes de conocimiento vitales, como documentos de conferencias, capítulos y libros, para generar conocimientos novedosos. A pesar de mapear e investigar publicaciones globales sobre drones agrícolas, nuestros hallazgos no revelaron las razones detrás de los resultados académicos de las universidades. Esto allana el camino hacia una nueva área de investigación al explicar cualitativamente por qué algunas universidades son más productivas que otras cuando se trata de investigación sobre agricultura.
drones Además, los estudios futuros podrían brindar información sobre el potencial de los drones para aumentar la sostenibilidad agrícola de varias maneras, como el monitoreo ambiental, el manejo de cultivos y el mapeo de malezas, como lo indican varios investigadores (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Dado que el análisis textual no fue posible debido a la gran cantidad de artículos seleccionados, existe la necesidad de revisiones sistemáticas de la literatura que examinen la
métodos de investigación utilizados y la participación de los agricultores en estudios previos. En resumen, nuestro análisis de la investigación con drones expone los vínculos invisibles de este cuerpo de conocimiento. Por lo tanto, esta revisión ayuda a descubrir las relaciones entre las publicaciones y explora la estructura intelectual del campo de investigación. También describe los vínculos entre los diversos aspectos de la literatura, como las palabras clave de los autores, las afiliaciones y los países.
Declaración de intereses en competencia
Los autores declaran que no tienen intereses económicos en competencia o relaciones personales que puedan haber influido en el trabajo informado en este documento.
Apéndice 1
TITLE-ABS-KEY (((dron* O “vehículo aéreo no tripulado” O uav* O “sistema de aeronave no tripulada” O uas O “aeronave pilotada a distancia”) Y (agrícola O agricultura O ganadería O agricultor))) Y (EXCLUIR (PUBYEAR, 2022)) Y (LIMITADO A (IDIOMA, “Inglés”)).
Referencias
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Generación de información hiperespectral 3D con cámaras instantáneas de UAV livianos para el monitoreo de la vegetación: de
Calibración de cámaras para aseguramiento de la calidad. ISPRS J. Photogramm. Sensores remotos 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Desarrollo de un algoritmo de reconocimiento de patrones para la detección automática de aves a partir de imágenes de vehículos aéreos no tripulados.
Encuesta. Informe de la tierra. ciencia 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Redes de sensores inalámbricos en la agricultura: conocimientos del análisis bibliométrico. Sostenibilidad 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Evaluación de diferentes métodos para la detección de sombras en imágenes ópticas de alta resolución y evaluación del impacto de las sombras en el cálculo de NDVI y evapotranspiración. Riego ciencia 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. Imágenes hiperespectrales: una revisión de sensores basados en UAV, datos procesamiento y
aplicaciones para la agricultura y la silvicultura. Teledetección 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Imágenes multitemporales usando un vehículo aéreo no tripulado para monitorear un cultivo de girasol. biosist. Ing.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. La generación de modelos de elevación digitales precisos a partir de UAV adquirió un bajo porcentaje de imágenes superpuestas. En t.
J. Sensores remotos 38 (8–10), 3113–3134. https://doi.org/10.1080/01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Revisión de enfoques de aprendizaje automático para la recuperación de biomasa y humedad del suelo a partir de datos de teledetección. Detección remota 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Internet verde de las cosas usando UAV en redes B5G: una revisión de las aplicaciones
y estrategias Anuncio. Hoc. Neto. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones para el seguimiento del ganado ovino. En: 20th IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Fenotipado de alto rendimiento basado en UAV en cítricos utilizando imágenes multiespectrales e inteligencia artificial. Teledetección 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: aplicación basada en la nube para procesar, analizar y visualizar datos recopilados por UAV para aplicaciones de agricultura de precisión que utilizan inteligencia artificial. computar Electrón. agricola 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data y aprendizaje automático con información hiperespectral en la agricultura. Acceso IEEE 9, 36699–36718. https://doi.org/10.1109/
ACCESO.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Revisión: tecnologías de ganadería de precisión en sistemas ganaderos basados en pastos. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Tendencias en tecnologías avanzadas de información y comunicación para
mejorando la productividad agrícola: un análisis bibliométrico. Agronomía 10 (12), artículo 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. El caimán volador: hacia la robótica aérea en occam-π. común Arquitecto de procesos. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Estructura intelectual de la investigación del comportamiento de quejas del consumidor (CCB): un análisis bibliométrico. J. Negocio Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Un estudio exhaustivo de los estudios recientes con UAV para agricultura de precisión en campos abiertos e invernaderos. aplicación ciencia 12 (3), 1047. https://doi.org/10.3390/
aplicación12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. y Wells, DM (2018). Fenotipado de campo para el futuro. En Annual Plant Reviews en línea (págs. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Sistemas de aeronaves no tripuladas: diseño, desarrollo e implementación de UAVS. En: Sistemas de aeronaves no tripuladas: diseño, desarrollo y desarrollo de UAVS
Despliegue. John Wiley e hijos. 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. Sensores remotos basados en vehículos aéreos no tripulados en el estrés de las plantas. Imagine el uso de sensores térmicos de alta resolución para prácticas de agricultura digital: una meta-revisión. En t. J. Medio Ambiente. ciencia Tecnología 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. Agricultura inteligente: Oportunidades, desafíos
y habilitadores tecnológicos. 2018 IoT Vertical y. Cumbre Temática sobre Agricultura - Toscana (IOT Toscana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Aprendizaje profundo con etiquetado de datos no supervisado para la detección de malas hierbas en cultivos lineales en imágenes de UAV. Teledetección 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Procesos constructivistas normativos versus sociales en la asignación de citas: un modelo analítico de redes. Soy. Sociol. Rev. 63 (6), 829–846. https://doi.
org / 10.2307 / 2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Evaluación de la variabilidad del estado hídrico del viñedo por métodos térmicos y multiespectrales.
imágenes utilizando un vehículo aéreo no tripulado (UAV). Riego ciencia 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.,Cría de próxima generación. ciencia de las plantas 242, 3–13. https://doi.org/10.1016/j.
plantasci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspectivas sobre el uso de sistemas aéreos no tripulados para monitorear ganado. Perspectiva Agrícola. 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. Hiperespectral de bajo peso y basado en UAV cámaras de fotograma completo
para el seguimiento de cultivos: Comparación espectral con medidas de espectrorradiómetro portátil. Fotogrametría, Fernerkundung, Geoinformación 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., Teledetección aérea en agricultura: un enfoque práctico para la cobertura de área
y planificación de rutas para flotas de mini robots aéreos. J. Campo 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. Una encuesta sobre la aplicación de algoritmos de planificación de rutas para UAV multirotor en precisión
agricultura. J.Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. El estado del arte de la agricultura intensiva en conocimiento: una revisión de los sistemas de detección aplicados y el análisis de datos. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Imágenes basadas en UAV para modelos de superficie de cultivos multitemporales de muy alta resolución para monitorear la variabilidad del crecimiento de los cultivos. 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. Estimación de la biomasa de cebada utilizando modelos de superficie de cultivo (CSM) derivados de imágenes RGB basadas en UAV. Detección remota 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Combinación de la altura de la planta basada en UAV desde la superficie del cultivo modelos,
índices de vegetación visible e infrarrojo cercano para el seguimiento de la biomasa en la cebada. En t. Aplicación J. Observación de la Tierra 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. Mapeo de la conductancia del dosel y CWSI en olivares usando alta resolución
Imágenes térmicas de teledetección. Sensores Remotos Entorno. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suárez, ´ L., Fereres, E., 2009b. Teledetección térmica y multiespectral de banda estrecha para el seguimiento de la vegetación desde un vehículo aéreo no tripulado. Trans. IEEE. Geosci. Sensores remotos 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet de las cosas en la seguridad alimentaria: revisión de literatura y análisis bibliométrico. Tendencias Ciencias de la alimentación. Tecnología 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 en la agricultura: diseño de un proyecto piloto a gran escala en toda Europa. Común IEEE. revista 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Seguimiento de UAV multisensor de plántulas individuales y comunidades de plántulas con precisión milimétrica. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Evaluación de imágenes multiespectrales e índices de vegetación para aplicaciones de agricultura de precisión a partir de imágenes de UAV. Detección remota 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Monitoreo de los indicadores de crecimiento de la remolacha azucarera utilizando el índice de vegetación de amplio rango dinámico (WDRVI) derivado de UAV
imágenes multiespectrales. computar Electrón. agricola 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolución de la estructura intelectual de la literatura de la empresa familiar: un estudio bibliométrico de FBR. Empresa familiar 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. Monitoreo dinámico de la biomasa de arroz bajo
diferentes tratamientos de nitrógeno utilizando un UAV ligero con cámaras instantáneas de marco de imagen dual. Métodos de plantas 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Garantizar la sostenibilidad en la agricultura india a través de vehículos aéreos no tripulados civiles: una perspectiva de innovación responsable. SN Apl. ciencia 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Gobernanza responsable de las innovaciones de vehículos aéreos no tripulados (UAV) civiles para aplicaciones de seguros de cosechas en la India. J. Responsable
Tecnología 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Aplicación de imágenes aéreas de canal visible de alta resolución del dosel de cultivos a la gestión de riego de precisión. agricola Agua
Administrar 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 ligero con fotogrametría a bordo y posicionamiento GPS de frecuencia única para aplicaciones de metrología. ISPRS J. Photogramm. Sensores remotos 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Plataforma IoT basada en blockchain para la gestión autónoma de operaciones con drones. En: Actas de la 2da ACM
Taller de MobiCom sobre comunicaciones inalámbricas asistidas por drones para 5G y más allá, págs. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Cómo escribir y publicar un artículo científico. Prensa de la Universidad de Cambridge. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapping cynodon dactylon infesting cultivos de cobertura con un árbol de decisión automático-procedimiento OBIA e imágenes UAV para viticultura de precisión. Teledetección 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. An automatic random forest-OBIA algoritmo para mapeo temprano de malezas entre y dentro de las hileras de cultivos utilizando imágenes de UAV. Teledetección 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Medición automatizada de la altura de la planta de genotipos de trigo mediante un DSM derivado de imágenes de vehículos aéreos no tripulados. Procedimientos 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Red de segmentación semántica ligera para el mapeo de malezas en tiempo real utilizando vehículos aéreos no tripulados. aplicación ciencia 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Detección remota multiespectral basada en UAV para agricultura de precisión: una comparación entre diferentes cámaras. ISPRS J. Photogramm. Sensores remotos 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Técnicas de aprendizaje automático y teledetección aplicadas para estimar indicadores de suelo – revisión. Ecol. 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. Imágenes aéreas de UAV de alta resolución para evaluar los parámetros de la copa del olivo utilizando fotografías en 3D
reconstrucción: aplicación en ensayos de mejoramiento. Detección remota 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Gestión de la capacidad aeroportuaria: revisión y análisis bibliométrico. J. Transporte Aéreo Administrar 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.
Uso de imágenes RapidEye para identificar la variabilidad dentro del campo del crecimiento y el rendimiento de los cultivos en Ontario, Canadá. Agricultura de Precisión. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Aplicación de drones agrícolas e iot para comprender la cadena de suministro de alimentos durante la etapa posterior a la COVID-19. En: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Informática agrícola: automatización mediante el uso de IoT y aprendizaje automático. Wiley, págs. 67–87. van Eck, N., Waltman, L., 2009. Encuesta de software: VOSviewer, un programa informático para el mapeo bibliométrico. Cienciometría 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Una descripción general de Internet de las cosas (IoT) y análisis de datos en la agricultura: beneficios y desafíos.
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. Validación de agronomía UAV y campo
Medidas para variedades de tomate. computar Electrón. agricola 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Evaluación del estrés hídrico basada en sensores remotos térmicos y multiespectrales de alta resolución en
vides con riego subterráneo. Teledetección 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Utilización de sensores remotos hiperespectrales para la gradación del suelo. Teledetección 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. Evaluación multiescala de índices de vegetación y reflectancia superficial multiespectral basados en drones en condiciones operativas. Detección remota 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Estudio de tecnologías de comunicación inalámbrica en Internet de las Cosas para agricultura de precisión. Inalámbrico Pers. común 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. La teoría de los costos de transacción en la investigación empresarial internacional: un estudio bibliométrico durante tres décadas. Cienciometría 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Avances en la agricultura de precisión en el sureste de Australia. I. una metodología de regresión para simular
variación espacial en los rendimientos de cereales utilizando los rendimientos históricos de los potreros de los agricultores y el índice de vegetación de diferencia normalizada. Cultivo Pasto Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Ciencia, tecnología y el futuro de los pequeños drones autónomos. Naturaleza 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet de las cosas para el futuro de la agricultura inteligente: un estudio exhaustivo de las tecnologías emergentes. IEEE CAA J. Autom. Sínica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Segmentación de higueras a partir de imágenes aéreas utilizando una red de codificador-decodificador convolucional profundo. Teledetección 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. El desafío de los UAV para evaluar el estrés hídrico en
Agricultura sostenible. agricola Gestión de agua 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. Imágenes térmicas en la planta
para evaluar el estado hídrico del cultivo en almendros (cv. Guara) bajo estrategias de riego deficitario. agricola Gestión de agua 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Mediciones de espectroscopía de fluorescencia inducida por el sol y reflectancia superficial utilizando un UAS hiperespectral pequeño. Teledetección 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. An automatic method for
mapeo de malezas en campos de avena basado en imágenes de UAV. computar Electrón. agricola
Gebbers, R., Adamchuk, VI, 2010. Agricultura de precisión y seguridad alimentaria. Ciencia 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Modelado espectral y espacial combinado del rendimiento del maíz basado en imágenes aéreas y modelos de superficie de cultivo adquiridos con un sistema de aeronave no tripulada. Detección remota 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Diseño sostenible para usuarios: revisión de literatura y análisis bibliométrico. Reinar. ciencia contaminar Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generación de superficies de respuesta espectral-temporal mediante la combinación de satélites multiespectrales e hiperespectrales.
Imágenes de UAV para aplicaciones de agricultura de precisión. IEEE J. Sel. Parte superior. aplicación Observación de la Tierra Sensor remoto 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Agricultura basada en IoT como servicio de nube y big data: el comienzo de la India digital. J. Org. y computación de usuario final. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Análisis de cocitación y búsqueda de colegios invisibles: una evaluación metodológica. Cienciometría 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Conteos digitales de plantas de maíz por Vehículos Aéreos No Tripulados (UAVs). Teledetección 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Un vehículo aéreo no tripulado de ala giratoria para la vigilancia de malezas acuáticas y
administración. J. Intel. Sistema Robótico: Teor. aplicación 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. Evaluación de la precisión de los mosaicos a partir de imágenes de vehículos aéreos no tripulados (UAV) para fines de agricultura de precisión en trigo. Resumen. agricola 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. Fenotipado de campo del estrés hídrico a escala de árbol mediante imágenes detectadas por UAV : nuevos conocimientos para
adquisición térmica y calibración. Resumen. agricola 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Aplicabilidad y limitaciones del uso del índice de estrés hídrico del cultivo como indicador de déficit hídrico en huertos de cítricos. agricola Para. 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. Uso de imágenes térmicas UAV de alta resolución para
evaluar la variabilidad en el estado del agua de cinco especies de árboles frutales dentro de un huerto comercial. Resumen. agricola 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Educación financiera: una revisión sistemática y un análisis bibliométrico. En t. J. Estudios del Consumidor 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. El potencial fotogramétrico de los vehículos aéreos no tripulados de bajo costo en la silvicultura y la agricultura. Archivos internacionales de fotogrametría, teledetección y ciencias de la información espacial - Archivos ISPRS 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerID=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Evaluación de la correlación de alta resolución
NDVI con nivel de aplicación de fertilizantes y rendimiento de cultivos de arroz y trigo usando UAV pequeños. Teledetección 11 (2), 112.
Gundolf, K., Filser, M., 2013. Investigación administrativa y religión: un análisis de citas. J. Autobús. Ética 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simulación CFD y verificación experimental del espacio y distribuciones temporales de
el flujo de aire descendente de un UAV agrícola de cuatro rotores en vuelo estacionario. computar Electrón. agricola 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. , Polonia, J., 2016.
Aplicación de sistemas aéreos no tripulados para el fenotipado de alto rendimiento de grandes viveros de cultivo de trigo. Métodos de plantas 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L. y Pol ¨ onen, ¨I., 2013. Imágenes espectrales de vehículos aéreos no tripulados en diversas condiciones de iluminación . En GG Bill R. (Ed.), Archivos Internacionales de Fotogrametría, Detección Remota y Ciencias de la Información Espacial—Archivos ISPRS (Vol. 40, Edición 1W2, págs. 189–194). Sociedad Internacional de Fotogrametría y Teledetección. 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. Técnicas de evaluación para el mapeo de la vegetación insular desde antenas no tripuladas
Imágenes de vehículos (UAV): clasificación de píxeles, interpretación visual y enfoques de aprendizaje automático. En t. Aplicación J. Observación de la Tierra Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Agricultura inteligente a través de un liderazgo responsable en Bangladesh: posibilidades, oportunidades y más allá.
Sostenibilidad 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Vehículos pilotados a distancia a pequeña escala en la investigación medioambiental. Brújula de geografía 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Vehículos aéreos no tripulados a pequeña escala en la teledetección ambiental: desafíos y oportunidades. GISci. Sensores remotos 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Internet agrícola de las cosas: tecnologías y aplicaciones (1.ª ed., edición de 2021). Saltador.
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.
Imágenes desde un vehículo aéreo no tripulado: vigilancia agrícola y apoyo a la decisión. computar Electrón. agricola 44 (1), 49–61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Fenotipado de campo de alto rendimiento de la altura de la planta de trigo y la tasa de crecimiento en ensayos de parcelas de campo utilizando sensores remotos basados en UAV. Teledetección 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. Procesamiento y evaluación de imágenes estereoscópicas espectrométricas recopiladas con una cámara espectral UAV liviana para agricultura de precisión. Detección remota 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Servicios de internet de las cosas basados en vehículos aéreos no tripulados de baja altitud: encuesta integral y perspectivas futuras. 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. Flujo óptico combinado y navegación estéreo de cañones urbanos para un UAV. En: 2005 IEEE/RSJ
Conferencia internacional sobre robots y sistemas inteligentes, págs. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Una plataforma de agricultura de IoT creativa para computación en la niebla en la nube. Sostener. computar información sist. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Una red completamente convolucional para el mapeo de malezas de vehículos aéreos no tripulados ( UAV) imágenes. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Aprendizaje profundo versus análisis de imágenes basado en objetos (OBIA) en el mapeo de malezas de imágenes de UAV. En t. j
Sensores remotos 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. Calibración de color profundo para imágenes de UAV en el monitoreo de cultivos
utilizando la transferencia de estilo semántico con atención local a global. En t. Aplicación J. Observación de la Tierra Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Desarrollo y perspectivas de tecnologías de vehículos aéreos no tripulados para la producción agrícola
administración. En t. J. Agric. Biol. Ing. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Desarrollo de un sistema de aspersión para una plataforma de vehículos aéreos no tripulados. aplicación Ing. agricola 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Adquisición de fotografías digitales NIR-verde-azul de
aviones no tripulados para el seguimiento de cultivos. Detección remota 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Detección remota de cultivos y suelos basada en satélites y drones para la agricultura inteligente: una revisión. Ciencia del suelo Nutrición vegetal. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Una revisión de las aplicaciones y tecnologías de comunicación para Internet de las cosas (IoT) y
Agricultura inteligente sostenible basada en vehículos aéreos no tripulados (UAV). Sostenibilidad 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Evaluación de la precisión de los modelos de superficie digitales de alta resolución calculados por
PhotoScan® y MicMac® en condiciones de estudio subóptimas. Teledetección 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. Cuantificando los impactos de la poda en la arquitectura del olivo y crecimiento del dosel mediante el uso de modelos 3D basados en UAV. Métodos de plantas 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Estimaciones de la densidad de plantas de cultivos de trigo al emerger a partir de imágenes de UAV de muy baja altitud. Sensores remotos
Reinar. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sistema de monitoreo de productos agrícolas respaldado por computación en la nube. Cómputo de clúster. 22 (4), 8929–8938.
Ju, C. e hijo, HI 2018a. Evaluación del desempeño de múltiples sistemas UAV para teledetección en agricultura. Actas del Taller sobre visión y acción robótica en la agricultura en la Conferencia internacional IEEE sobre robótica y automatización (ICRA), Brisbane, Australia, 21–26.
Ju, C., Hijo, Hola, 2018b. Múltiples sistemas UAV para aplicaciones agrícolas: control, implementación y evaluación. Electrónica 7 (9), 162. https://doi.org/10.3390/
electrónica7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. El potencial de la teledetección y la inteligencia artificial como herramientas para mejorar la
resiliencia de los sistemas de producción agrícola. actual Opinión Biotecnología. 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. Una técnica mejorada de exploración de cultivos que incorpora imágenes multiespectrales de cultivos asistidas por vehículos aéreos no tripulados en la práctica de exploración convencional para el tizón gomoso del tallo en la sandía. Planta Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Avances en la investigación de redes sociales: pasado, presente y futuro. Informar. sist. Frente. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: red de detección de enfermedades de la vid basada en imágenes multiespectrales y mapa de profundidad. Teledetección 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Comparación de imágenes multiespectrales basadas en satélites y UAV para viñedos
evaluación de la variabilidad. Teledetección 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain permitió un sistema de procedencia optimizado para la industria alimentaria 4.0 utilizando aprendizaje profundo avanzado. Sensores 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Detección de enfermedades de las plantas basada en imágenes: del aprendizaje automático clásico al aprendizaje profundo. Comun Inalámbrico Cómputo móvil. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Un nuevo marco semisupervisado para la clasificación de cultivos/malezas basada en UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Una descripción general de las aplicaciones actuales y potenciales de la teledetección térmica en la agricultura de precisión. computar Electrón.
agricola 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolución de Internet de las cosas (IoT) y su impacto significativo en el campo de la agricultura de precisión. computar Electrón. agricola 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Compromiso de los empleados para organizaciones sostenibles: análisis de palabras clave mediante análisis de redes sociales y explosión
enfoque de detección. Sostenibilidad 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integración de terrestres y drones
métodos de detección hiperespectrales y fotogramétricos para mapeo de exploración y monitoreo minero. Teledetección 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Recuento de plantas de maíz mediante aprendizaje profundo e imágenes de UAV. IEEE Geosci. Sensor remoto Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Aprendizaje automático automatizado para el fenotipado de plantas basado en imágenes de alto rendimiento. Teledetección 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Tendencias tecnológicas modernas en el desarrollo del ecosistema de UAV de carga. J. física. 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 para ganadería y agricultura de interior utilizando un pequeño dron con una cámara monocular: un estudio de viabilidad.
Drones 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. Estudio de drones para la automatización agrícola desde la siembra hasta
cosecha. En: INES 2018 - IEEE 22nd International Conference on Intelligent Engineering Systems, pp. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Puntos de vista y desafíos del marco UAV IoT: hacia la protección de los drones como "cosas". Sensores 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Procedimientos de procesamiento y clasificación de imágenes para el análisis de imágenes subdecimétricas adquiridas con un avión no tripulado sobre zonas áridas.
pastizales GISci. Sensor remoto 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Vehículos aéreos no tripulados para el mapeo y monitoreo de pastizales: una comparación de dos sistemas. Actas de la conferencia anual de ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Un flujo de trabajo de código abierto para el mapeo de malezas en pastizales nativos
Uso de vehículos aéreos no tripulados: uso de Rumex obtusifolius como estudio de caso. 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. Adopción, rentabilidad y mejor uso de los datos de agricultura de precisión.
Hoja de trabajo. Universidad de Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Evaluación de imágenes de vehículos aéreos no tripulados para el monitoreo cuantitativo de cultivos de trigo en pequeñas parcelas. Sensores 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Diseño de agricultura inteligente basada en big data e Internet de las cosas. En t. J. Distrib. Sens. Red. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Estimación remota de la altura del dosel y la biomasa aérea del maíz utilizando imágenes estéreo de alta resolución de un sistema de vehículos aéreos no tripulados de bajo costo. Ecol. 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. Aprendizaje automático en la agricultura: una revisión. Sensores 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Fenotipificación remota y aérea de rasgos de maíz con un enfoque móvil de sensores múltiples. Plant Methods 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Detección y conteo de panículas de sorgo utilizando imágenes de sistemas aéreos no tripulados y aprendizaje profundo. Frente. ciencia de las plantas 11
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Sistema de monitoreo de Internet de las cosas de la agricultura ecológica moderna basado en computación en la nube. Acceso IEEE 7, 37050–37058.
López-Granados, ´ F., 2011. Detección de malezas para el manejo de malezas en sitios específicos: mapeo y enfoques en tiempo real. Res. de malezas 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. Monitoreo temprano basado en objetos de una maleza en un cultivo de pasto utilizando imágenes de UAV de alta resolución. Agron. Sostener. desarrollo 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. Mapeo de malezas de temporada temprana en girasol usando tecnología UAV: variabilidad de los mapas de tratamiento con herbicidas contra los umbrales de malezas. Resumen. agricola 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS: espectroscopia de imágenes de un sistema de avión no tripulado multirrotor. J. Campo 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. y Kleemola, J., 2008. Escaneo láser terrestre de cultivos agricolas. en jj
Chen J. Maas HG. (Ed.), Archivos internacionales de fotogrametría, teledetección y ciencias de la información espacial: archivos ISPRS (vol. 37, págs. 563–566).
Sociedad Internacional de Fotogrametría y Teledetección. 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. Una revisión de la clasificación supervisada de imágenes de cobertura terrestre basada en objetos. ISPRS J. Photogramm. Sensor remoto 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspectivas para la teledetección con vehículos aéreos no tripulados en agricultura de precisión. Tendencias Plant 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.
Fenotipado de soja basado en sistemas aéreos no tripulados (UAS) utilizando fusión de datos multisensor y máquina de aprendizaje extremo. ISPRS J. Photogramm. Sensores remotos 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.
Monitoreo de cultivos usando fusión de datos satelitales/UAV y aprendizaje automático. Teledetección 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G. ., Müllerova, ´J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Sobre el uso de sistemas aéreos no tripulados para
monitoreo ambiental. Detección remota 10 (4), 641.
Marinko, RA, 1998. Citas de revistas de estudios de la mujer en disertaciones, 1989 y The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Gestión de recursos en redes inalámbricas asistidas por UAV: una perspectiva de optimización. Red ad hoc 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Aplicaciones prácticas de una plataforma UAV multisensor basada en imágenes multiespectrales, térmicas y RGB de alta resolución en precisión
viticultura. Agricultura 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Más allá del índice NDVI tradicional como factor clave para generalizar el uso de UAV en la viticultura de precisión. ciencia 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 Intercomparación de UAV, aviones
y plataformas de teledetección satelital para viticultura de precisión. Detección remota 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Refinamiento basado en UAV y aprendizaje automático de un índice de vegetación basado en satélites para precisión
agricultura. Sensores 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Mapeo de autores en el espacio intelectual: una descripción técnica. Mermelada. Soc. información ciencia 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Modelado de erosión agrícola: evaluación de estimaciones de erosión a escala de campo USLE y WEPP utilizando datos de series temporales de UAV. Reinar. modelo Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Clasificación de comunidades de pastizales nativos de tierras bajas utilizando imágenes hiperespectrales del sistema de aeronaves no tripuladas (UAS) en el
Tierras medias de Tasmania. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. Aplicaciones de imágenes térmicas UAV en agricultura de precisión: estado del arte y perspectivas de investigación futuras. Teledetección 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Un estudio bibliográfico sobre big data: conceptos, tendencias y desafíos. Gestión de Procesos de Negocio J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Mejora de cultivos utilizando conjuntos de datos del ciclo de vida adquiridos en condiciones de campo. Frente. ciencia de las plantas 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Revisión sobre la aplicación de sistemas de drones en agricultura de precisión. Cómputo de procedimientos. ciencia 133, 502–509.
Moharana, S., Dutta, S., 2016. Variabilidad espacial del contenido de clorofila y nitrógeno del arroz a partir de imágenes hiperespectrales. ISPRS J. Photogramm. Sensores remotos 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT y análisis de datos agrícolas para granjas inteligentes. computar Electrón. agricola 156, 467–474.
Nansen, C., Elliott, N., 2016. Detección remota y perfiles de reflectancia en entomología. año Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Mapeo multiespectral en agricultura: mosaico de terreno usando un UAV cuadricóptero autónomo. En t. Conf.
Sistema de aviones no tripulados. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Internet de las cosas con drones (Iodt): visión futura de los drones inteligentes. Adv. Intel. sist. computar 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Un sensor multiespectral liviano para micro UAV: oportunidades para la detección remota aerotransportada de muy alta resolución. En t. Arco. Fotograma. Escupida de sensores remotos. información Ciencia 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Aplicaciones emergentes de UAV en la agricultura. En: 2019 7th International Conference on Robot Intelligence Technology and
Aplicaciones (RiTA), págs. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. La estructura intelectual del campo de la gestión estratégica: un análisis de cocitación de autores. Estrateg. Administrar J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Identificación automática y seguimiento de enfermedades de las plantas mediante vehículos aéreos no tripulados: una revisión. Teledetección 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV para aplicaciones de mapeo 3D: una revisión. aplicación Geomática 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Estimación de la evapotranspiración con UAV pequeños en agricultura de precisión. Sensores 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometría, análisis de citas y análisis de citas conjuntas. Una revisión de la literatura 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, sensores y procesamiento de datos en agroforestería: una revisión hacia aplicaciones prácticas. En t. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, EE. UU., Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Una revisión de las soluciones de datos basadas en drones para cultivos de cereales. Drones 4 (3), 1–29. https://doi.org/10.3390/
drones4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Estimación del contenido de aceite y proteínas de las semillas de sésamo mediante el procesamiento de imágenes y una red neuronal artificial. Mermelada. Aceite
Sociedad de Químicos 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O. Mapeo de malezas en campos de maíz tempranos mediante análisis basado en objetos de
Imágenes de vehículos aéreos no tripulados (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. Un sistema semi-supervisado para el mapeo de malezas en cultivos de girasol usando vehículos aéreos no tripulados y un método de detección de hileras de cultivo. aplicación Cómputo suave. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Dispositivos IoT rentables como fuentes de datos confiables para un sistema de gestión de agua basado en blockchain en agricultura de precisión. computar Electrón. agricola 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Sistema avanzado UAV-WSN para monitoreo inteligente en agricultura de precisión. Sensores 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Aplicaciones de blockchain en cadenas de suministro, transporte y logística: una revisión sistemática de la literatura. En t. J.Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Un vehículo aéreo no tripulado flexible para la agricultura de precisión.
Resumen. agricola 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliografía estadística o bibliometría. J. Documento. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. La idoneidad de un vehículo aéreo no tripulado (UAV) para la evaluación de campos y cultivos experimentales. Agricultura 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Drones agrícolas: un avance moderno en la agricultura de precisión. J. Estadísticas. Administrar sist. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Una compilación de aplicaciones de UAV para agricultura de precisión. computar Neto. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Aplicación de análisis de big data e inteligencia artificial en la investigación agronómica. Indio J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Un análisis bibliométrico sobre el uso de vehículos aéreos no tripulados en estudios agrícolas y forestales. En t. J. Sensor remoto 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., García-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Usos potenciales de pequeños sistemas de aviones no tripulados (UAS) en la investigación de malezas. Res. de malezas 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., son índices de vegetación derivados de cámaras de consumo montadas en
¿UAV suficientemente confiables para evaluar parcelas experimentales? 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. Digitalización en las cadenas de suministro de alimentos: una revisión bibliométrica y una ruta principal de ruta clave
análisis. Sostenibilidad 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drones para la gestión y logística de la cadena de suministro: una agenda de revisión e investigación. En t. J. Logista. Res. aplicación
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Tecnologías blockchain en logística y gestión de la cadena de suministro: una revisión bibliométrica. Logística 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Drones humanitarios: una agenda de revisión e investigación. Internet de las cosas 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Investigación de blockchain en el cuidado de la salud: una revisión bibliométrica y tendencias de investigación actuales. J. de Datos, Inf. y
Administrar 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Investigación de Internet de las cosas en la gestión y logística de la cadena de suministro: un análisis bibliométrico. Internet
de las cosas 12, 100318.
ReportLinker, 2021. El mercado mundial de drones agrícolas alcanzará los 15.2 2021 millones de USD al añoGlobeNewswire News Room. https://www.globenewswire.com/news-release/08/10/2277986/0/15/en/Global-Agriculture-Drones-Market-to-Reach-US-2-2027-Billion-by-the- Año-XNUMX.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T.,Moreno, MA, 2017. Calibración de cámara térmica no refrigerada y optimización de la
proceso de fotogrametría para aplicaciones de UAV en agricultura. Sensores (Suiza) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Avances en la investigación hotelera: “De Rodney Dangerfield a Aretha Franklin”. En t. J. Contemporáneo. Hospital. Administrar 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. Sistema sensorial basado en mini-UAV para medir variables ambientales en invernaderos. Sensores 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV de grado de consumo utilizado para detectar y analizar patrones de distribución espacial de malas hierbas al final de la temporada en campos comerciales de cebolla. Resumen. agricola 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. sistema de cámara espectral operado por vehículo aéreo (UAV) para aplicaciones forestales y agrícolas. Proceder. SPIE – Int. Soc. Optar. Ing. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Análisis de barreras para implementar logística de drones. En t. J. Logista. Res. aplicación 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP y Saha, HN, dron basado en IOT para mejorar la calidad de los cultivos en el campo agrícola. en SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-Enero, pp. 612–615). Instituto
de Ingenieros Eléctricos y Electrónicos Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: una comunicación basada en LED novedosa y eficiente para la agricultura de precisión. Conferencia IEEE información común Tecnología 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Experimentos de vuelo de UAV aplicados a la teledetección de áreas con vegetación. Detección remota 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.
Sistemas de imágenes aéreas de baja altitud y alta resolución para el fenotipado de cultivos en hileras y campos: una revisión. 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. Imágenes térmicas basadas en UAV de alta resolución para estimar la
Variabilidad instantánea y estacional del estado hídrico de las plantas dentro de un viñedo. agricola Gestión de agua 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Más allá del análisis de citas: un modelo para evaluar el impacto de la investigación. J.Med. Biblioteca Asociada : 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. Espectroscopia de imágenes relacionadas con la ciencia del sistema terrestre: una evaluación. Sensores Remotos Entorno. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Monitoreo de parámetros agronómicos de cultivos de trigo de invierno con UAV de bajo costo
imágenes. Teledetección 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Desarrollo y aplicación de un vehículo aéreo no tripulado autónomo para muestreo aerobiológico preciso arriba
campos agrícolas. J. Campo Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Habilitación de la agricultura de precisión a través de la detección integrada con inteligencia artificial. Trans. IEEE. instrumento medida 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Vehículos aéreos no tripulados (UAV): una encuesta sobre aplicaciones civiles y desafíos clave de investigación. acceso ieee 7,
48572–48634. https://doi.org/10.1109/ACCESO.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Agricultura impulsada por big data: análisis de big data en fitomejoramiento, genómica y el uso de sensores remotos
tecnologías para mejorar la productividad de los cultivos. Plant Phenome J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Análisis comparativo e implicaciones de UAV e IA en investigaciones forenses. En: Actas – 2019 Amity International
Conferencia sobre Inteligencia Artificial. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. El papel de la inteligencia artificial en la gestión de la cadena de suministro: mapeo del territorio. En t. j
Pinchar. 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. Vehículos aéreos no tripulados para fenotipado de alto rendimiento e investigación agronómica. Más uno
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Captura de la heterogeneidad de los rodales de maíz en las zonas de estabilidad de rendimiento mediante el uso de antenas no tripuladas
Vehículos (UAV). Sensores 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Co-citación en la literatura científica: una nueva medida de la relación entre dos documentos. Mermelada. Soc. información ciencia 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualización de la ciencia mediante el mapeo de citas. Mermelada. Soc. información ciencia 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Conteo de ganado en libertad con imágenes aéreas geolocalizadas en grandes áreas de pasto. computar Electrón. agricola 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Un enfoque para la optimización de rutas en aplicaciones de agricultura de precisión utilizando UAV. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Implementación de la agricultura de precisión en el siglo XXI. J. Agric. Ing. Res. 21 (76), 3–267.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Evaluación de la sequía de trigo mediante imágenes de teledetección utilizando un vehículo aéreo no tripulado. En 2018, 37.a Conferencia de Control de China (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Monitoreo de la roya amarilla del trigo mediante el aprendizaje de imágenes aéreas multiespectrales de UAV.
computar Electrón. agricola 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Innovación de la gestión económica agrícola en el proceso de construcción de una agricultura inteligente mediante big data. Computación Sostenible. información sist. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Evaluación de la sensibilidad de un sistema aéreo infrarrojo térmico no tripulado para detectar el estrés hídrico en un dosel de algodón. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integración del índice de vegetación basado en RGB, el modelo de superficie de cultivo y el enfoque de análisis de imágenes basado en objetos para la estimación del rendimiento de la caña de azúcar utilizando un vehículo aéreo no tripulado. computar Electrón. agricola 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. Un sistema de mapeo hiperespectral liviano para
vehículos aéreos no tripulados: los primeros resultados. En: 2013 5.º Taller sobre procesamiento de señales e imágenes hiperespectrales: Evolución en la teledetección (WHISPERS), págs. 1–4. https://doi.org/10.1109/SUSURROS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Un hiperespectral ligero
sistema de mapeo y cadena de procesamiento fotogramétrico para vehículos aéreos no tripulados. Detección remota 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Estrategias de control avanzadas utilizando procesamiento de imágenes, UAV e IA en la agricultura: una revisión. Mundo J. Ing. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Procesamiento de información usando citas para investigar la influencia de las revistas en la contabilidad. información Proceso. Administrar. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Una encuesta sobre la red 5G y su impacto en la agricultura: desafíos y oportunidades. computar
Electrón. agricola 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Toma de decisiones basada en datos en la agricultura de precisión: el auge de los grandes datos en los sistemas agrícolas. J. Agric. Información de alimentos.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Estimación del rendimiento y la altura de la planta del trigo de invierno utilizando UAV- imágenes hiperespectrales basadas.
Sensores 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Muestreo aerobiológico coordinado de un patógeno vegetal en la atmósfera inferior utilizando dos vehículos aéreos autónomos no tripulados. J. Campo 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. Detección y clasificación de plagas de soja mediante aprendizaje profundo
con imágenes de UAV. computar Electrón. agricola 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use of Uas for Assessing Agriculture Systems in AN Wetland in Tanzania in the— Y WetSeason para la agricultura sostenible y Proporcionar datos reales para Terra-Sar X Data. En: ISPRS – Archivos internacionales de fotogrametría, teledetección y ciencias de la información espacial, págs. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. De la bibliometría a la webometría. J. Información. ciencia 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Un método automático basado en objetos para la umbralización óptima en imágenes UAV: aplicación para la detección de vegetación en cultivos herbáceos. computar Electrón. agricola 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. Monitoreo tridimensional de alto rendimiento de plantaciones de árboles agrícolas con Tecnología de vehículos aéreos no tripulados (UAV). PLoS ONE 3 (10), e6.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Mapeo multitemporal de la fracción de vegetación en campos de trigo tempranos usando imágenes de UAV. computar Electrón. agricola 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Una revisión de las aplicaciones basadas en UAV para la agricultura de precisión. Información (Suiza) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimización de la planificación de vuelos de drones para medir la estructura de cultivos de árboles hortícolas. ISPRS J. Photogramm.
Sensores remotos 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet de las cosas en la agricultura, avances recientes y desafíos futuros. biosist. Ing. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Mapeo cienciométrico de la investigación en informática en México. Cienciometría 105 (1), 97–114.
ONU., 2019. Perspectivas de la población mundial 2019. https://population.un.org/wpp/ (Consultado el 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Caracterización de arrozales mediante un sistema de sensor hiperespectral en miniatura montado en UAV. IEEE J. Sel. Parte superior. aplicación Observación de la Tierra
Sensores remotos 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 en
agricultura. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Vehículos aéreos no tripulados (UAV) en agricultura de precisión: aplicaciones y desafíos. Energías 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Mapeo y clasificación de hábitats marinos ecológicamente sensibles utilizando aviones no tripulados
Imágenes de vehículos (UAV) y análisis de imágenes basado en objetos (OBIA). Teledetección 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Índice de área verde de un sistema aéreo no tripulado sobre cultivos de trigo y colza . Sensores Remotos Entorno. 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. Implementación de cuatro sensores ópticos basados en UAV sobre pastizales: desafíos y
limitaciones. Biogeociencias 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet de cosas subterráneas en agricultura de precisión: aspectos de arquitectura y tecnología. Red ad hoc 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Inteligencia artificial responsable como ingrediente secreto para la salud digital: análisis bibliométrico, conocimientos y direcciones de investigación.
información sist. Frente. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Análisis bibliométrico de la tendencia de investigación de sensores remotos en el monitoreo del crecimiento de cultivos: un estudio de caso en China. Teledetección 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Cocitación de autores: una medida literaria de la estructura intelectual. Mermelada. Soc. información ciencia 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Desarrollo de un sistema de teledetección agrícola de bajo costo basado en un vehículo aéreo no tripulado (UAV) autónomo. biosist. Ing. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Una revisión de los rasgos de fenotipado de alto rendimiento de las plantas utilizando sensores basados en UAV. computar Electrón. agricola 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Vehículo aéreo no tripulado para aplicaciones de detección remota: una revisión. Teledetección 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Seguimiento de personas en movimiento y eliminación de pistas falsas con imágenes térmicas infrarrojas por un multirotor. Drones 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. Una comparación de la estimación de parámetros de cultivo usando imágenes de UAV montado
sensor hiperespectral de instantáneas y cámara digital de alta definición. Teledetección 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Estimación de la biomasa aérea del trigo de invierno utilizando vehículos aéreos no tripulados. instantánea basada
sensor hiperespectral y modelos mejorados de altura de cultivo. Teledetección 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Uso de vehículos aéreos no tripulados livianos para monitorear la recuperación de bosques tropicales. Biol.
Conservar 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.
Plataforma IoT de agricultura inteligente basada en edge computing y cloud computing. biosist. Ing. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Cuantificación de la altura de los árboles utilizando imágenes de muy alta resolución adquiridas desde una antena no tripulada
vehículo (UAV) y métodos automáticos de foto-reconstrucción 3D. 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. Fenotipado basado en imágenes de la intensidad de la floración en cultivos de temporada fría. Sensores 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. La aplicación de pequeños sistemas aéreos no tripulados para la agricultura de precisión: una revisión. Resumen. agricola 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mapeo del estrés hídrico del maíz basado en la detección remota multiespectral de UAV. Detección remota 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. Un enfoque basado en el aprendizaje profundo para la roya amarilla automatizada
detección de enfermedades a partir de imágenes de UAV hiperespectrales de alta resolución. Teledetección 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Detección y discriminación de enfermedades y estrés por insectos en las plantas de té mediante imágenes hiperespectrales combinadas con análisis de ondículas. computar Electrón. agricola 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Adaptación del dominio antagónico guiada por la entropía para la segmentación semántica de imágenes aéreas. Trans. IEEE. GRAMO
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Detección de la fenología del arroz a través del análisis de series temporales de datos espectrales basados en el suelo. índice de datos. Cultivos de campo Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Diseño de un sistema de siembra por filtración para agricultura de precisión basado en sensores inalámbricos. En t. J. En línea Ing. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Análisis de los cambios en la altura de la planta del maíz alojado utilizando datos UAV-LiDAR. Agricultura 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: un software de análisis de imágenes de maíz que utiliza aprendizaje profundo para el fenotipado de plantas de alto rendimiento . Plant Methods 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. Predicción del rendimiento de grano en arroz con vegetación multitemporal
índices de imágenes multiespectrales y digitales basadas en UAV. ISPRS J. Photogramm. Sensores remotos 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulación de la tecnología central de un sistema de monitoreo de invernadero basado en una red de sensores inalámbricos. En t. J. En línea Ing. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Evaluación del estrés hídrico de cultivos con imágenes térmicas infrarrojas en agricultura de precisión: una revisión
y perspectivas futuras para aplicaciones de aprendizaje profundo. computar Electrón. agricola 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.