Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Departamento de Gestão e Direito, Faculdade de Economia, Universidade de Roma Tor Vergata, Via Columbia, 2, Roma 00133, Itália
- b Departamento de Administração de Empresas, Faculdade de Administração, Universidade Kharazmi, 1599964511 Teerã, Irã
- c Faculdade de Ciências de Bizerte, Universidade de Cartago, Zarzouna, 7021 Bizerte, Tunísia
- d Escola de Gestão Internacional, Universidade Modul Viena, Am Kahlenberg 1, 1190 Viena, Áustria
INFORMAÇÕES DO ARTIGO | RESUMO |
Palavras-chave: Drones UAV Agricultura de precisão Internet das Coisas Bibliometria | Os drones, também chamados de Veículos Aéreos Não Tripulados (UAV), testemunharam um desenvolvimento notável nas últimas décadas. Na agricultura, mudaram as práticas agrícolas, oferecendo aos agricultores poupanças substanciais de custos, aumento eficiência operacional e melhor rentabilidade. Nas últimas décadas, o tema dos drones agrícolas tem atraiu notável atenção acadêmica. Portanto, realizamos uma revisão abrangente baseada em bibliometria resumir e estruturar a literatura acadêmica existente e revelar tendências e pontos críticos de pesquisa atuais. Nós aplicar técnicas bibliométricas e analisar a literatura em torno dos drones agrícolas para resumir e avaliar pesquisas anteriores. A nossa análise indica que a detecção remota, a agricultura de precisão, a aprendizagem profunda, a aprendizagem automática e a Internet das Coisas são tópicos críticos relacionados com os drones agrícolas. A cocitação a análise revela seis grandes grupos de pesquisa na literatura. Este estudo é uma das primeiras tentativas de resumir a pesquisa com drones na agricultura e sugerir direções futuras de pesquisa. |
Introdução
A agricultura representa a principal fonte alimentar do mundo (Friha et al., 2021) e tem enfrentado graves desafios devido à
aumento da demanda por produtos alimentícios, segurança alimentar e preocupações de segurança, bem como apelos à proteção ambiental, preservação da água e
sustentabilidade (Inoue, 2020). Prevê-se que este desenvolvimento continue, uma vez que se estima que a população mundial atinja os 9.7 mil milhões em 2050.
(2019). Dado que a agricultura constitui o exemplo mais proeminente de consumo de água a nível mundial, espera-se que a procura de alimentos e a água
o consumo aumentará dramaticamente no futuro próximo. Além disso, o crescente consumo de fertilizantes e pesticidas
aliada à intensificação das actividades agrícolas poderá conduzir a futuros desafios ambientais. Da mesma forma, a terra arável é limitada e a
número de agricultores está diminuindo em todo o mundo. Estes desafios acentuam a necessidade de soluções agrícolas inovadoras e sustentáveis (Elijah
e outros, 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
A incorporação de novas tecnologias foi identificada como uma solução promissora para enfrentar esses desafios. Agricultura inteligente (Brewster et al.,
2017; Tang et al., 2021) e a agricultura de precisão (Feng et al., 2019; Khanna & Kaur, 2019) surgiram como resultado de tais debates. O
A primeira é uma noção geral para a adopção de tecnologias de informação e comunicação (TIC) e outras inovações de ponta nas actividades agrícolas para aumentar a eficiência e eficácia (Haque et al., 2021). Este último centra-se na gestão específica do local, em que o terreno é dividido em
partes homogêneas, e cada parte obtém a quantidade exata de insumos agrícolas para otimização do rendimento das culturas por meio de novas tecnologias (Feng et al., 2019; Khanna & Kaur, 2019). Tecnologias proeminentes que atraíram a atenção de estudiosos neste campo incluem Redes de Sensores Sem Fio (RSSFs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), a Internet das Coisas (IoT) (Gill et al., 2017;
técnicas de inteligência artificial (IA), incluindo aprendizado de máquina e aprendizado profundo (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), tecnologias de computação (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki
et al., 2019) e blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Além das tecnologias citadas, o sensoriamento remoto tem sido considerado uma ferramenta tecnológica com alto potencial para melhorar
agricultura inteligente e de precisão. Satélites, aeronaves com tripulação humana e drones são tecnologias populares de detecção remota (Tsouros et al., 2019).
Drones, popularmente conhecidos como Veículos Aéreos Não Tripulados (UAVs), Sistemas de Aeronaves Não Tripulados (UAS) e aeronaves pilotadas remotamente, são de grande importância.
grande importância, pois apresentam múltiplas vantagens em comparação com outras tecnologias de sensoriamento remoto. Por exemplo, os drones podem entregar
imagens de alta qualidade e alta resolução em dias nublados (Manfreda et al., 2018). Além disso, a sua disponibilidade e velocidade de transferência constituem outros
benefícios (Radoglou-Grammatikis et al., 2020). Em comparação com as aeronaves, os drones são altamente económicos e fáceis de configurar e manter (Tsouros et al., 2019). Apesar de inicialmente serem utilizados principalmente para fins militares, os drones podem beneficiar inúmeras aplicações civis, por exemplo na gestão da cadeia de abastecimento (A. Rejeb, Rejeb, et al., 2021a), para fins humanitários (A. Rejeb, Rejeb, et al., 2021c), agricultura inteligente, levantamento e mapeamento, documentação do património cultural, gestão de desastres e conservação da floresta e da vida selvagem (Panday, Pratihast, et al., 2020). Na agricultura, existem diversas áreas de aplicação de drones, uma vez que podem ser integrados com novas tecnologias, capacidades computacionais e sensores integrados para apoiar a gestão de culturas (por exemplo, mapeamento, monitorização, irrigação, diagnóstico de plantas) (H. Huang et al., 2021). , redução de desastres, sistemas de alerta precoce, conservação da vida selvagem e florestal, para citar alguns (Negash et al., 2019). Da mesma forma, os drones poderiam ser aproveitados em diversas atividades agrícolas, incluindo monitorização de culturas e crescimento, estimativa de rendimento, avaliação de stress hídrico e deteção de ervas daninhas, pragas e doenças (Inoue, 2020; Panday, Pratihast, et al., 2020). Os drones não só podem ser usados para fins de monitoramento, estimativa e detecção com base em seus dados sensoriais, mas também para irrigação de precisão e manejo preciso de ervas daninhas, pragas e doenças. Por outras palavras, os drones são capazes de pulverizar água e pesticidas em quantidades precisas com base em dados ambientais. Os benefícios dos drones na agricultura estão resumidos na Tabela 1.
Principais benefícios dos drones na agricultura.
Beneficiar | Referências) |
Melhorar temporal e espacial detectando resoluções | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Facilitar a agricultura de precisão | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Classificação e aferição de culturas | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana e Dutta, 2016) |
Uso de fertilizante | (L. Deng et al., 2018; Guan et al., 2019) |
Monitoramento da seca | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Estimativa de biomassa | (Bendig et al., 2014) |
Estimativa de rendimento | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Redução de desastres | (Negash et al., 2019) |
Conservação da vida selvagem e silvicultura | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Avaliação do estresse hídrico | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang e outros, 2019) |
Pragas, ervas daninhas e doenças detecção | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, e outros, 2018; X.Zhang et al., 2019) |
Por outro lado, os drones também enfrentam limitações. Envolvimento do piloto, potência do motor, estabilidade e confiabilidade, qualidade dos sensores devido à carga útil
limitações de peso, custos de implementação e regulamentação da aviação estão entre eles (C. Zhang & Kovacs, 2012). Nós comparamos as deficiências
das três tecnologias móveis de sensoriamento remoto na Tabela 2. Outras tecnologias de sensoriamento remoto, como sensores de solo, estão além do foco deste estudo.
Deficiências de várias tecnologias móveis de sensoriamento remoto.
Sensoriamento remoto tecnologias | Deficiências | Referências |
Drone (UAV) | Envolvimento do piloto; imagens' qualidade (média); custos de implementação (média); estabilidade, manobrabilidade e confiabilidade; estandardização; Poder do motor; poder limitado fontes (longevidade da bateria); duração limitada do voo, colisão e ataques cibernéticos; limitado peso da carga útil; grandes conjuntos de dados e processamento de dados limitado capacidades; falta de regulamentação; falta de experiência, alta entrada barreiras ao acesso a drones agrícolas; | (Bacco et al., 2018; Dawaliby e outros, 2020; Hardin e Hardin, 2010; Hardin e 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 e Kovacs, 2012) |
Satélite | Cobertura periódica por satélite, resolução espectral limitada; vulnerabilidade a problemas de visibilidade (por exemplo, nuvens); Indisponibilidade e baixa velocidade de transferência; orientação e vinheta afeta dados espaciais caros coleção; entrega lenta de dados hora para os usuários finais | (Aboutalebi et al., 2019; Cen e outros, 2019; Chen et al., 2019; Nansen e Elliott, 2016; Panday, Pratihast, e outros, 2020; Sai Vineth et al., 2019) |
aeronave | Altos custos de adoção; configuração complicada; custos de manutenção; indisponibilidade de confiável aviões, geometria do imagens; dados não regulares aquisição; falta de flexibilidade; acidentes mortais; dados do sensor variações devido a vibrações; problemas de georreferenciamento | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev e Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Como tecnologia multidisciplinar e polivalente na agricultura, os drones têm sido investigados sob diversas perspectivas. Por exemplo, os estudiosos examinaram as aplicações dos drones na agricultura (Kulbacki et al., 2018; Mogili & Deepak, 2018), a sua contribuição para a agricultura de precisão (Puri et al., 2017; Tsouros et al., 2019), a sua complementaridade com outros tecnologias de ponta (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) e as possibilidades de avançar suas capacidades de navegação e detecção (Bareth et al. , 2015; Dado que a investigação sobre aplicações de drones na agricultura se tornou predominante (Khan et al., 2014)), é necessário resumir a literatura existente e revelar a estrutura intelectual do domínio. Além disso, sendo um campo de alta tecnologia com melhorias contínuas, é necessário realizar revisões estruturadas para resumir periodicamente a literatura existente e identificar lacunas importantes na investigação. Para
Até o momento, existem poucas revisões que discutem aplicações de drones no setor agrícola. Por exemplo, Mogili e Deepak (2018) analisam brevemente as implicações dos drones na monitorização das culturas e na pulverização de pesticidas. Inoue (2020) conduz uma revisão do uso de satélites e drones em sensoriamento remoto na agricultura. O autor explora os desafios tecnológicos da adoção da agricultura inteligente e as contribuições dos satélites e drones com base em estudos de caso e melhores práticas. Tsouros et al. (2019) resumem diferentes tipos de drones e suas principais aplicações na agricultura, destacando diversos métodos de aquisição e processamento de dados. Mais recentemente, Aslan et al. (2022) conduziram uma revisão abrangente das aplicações de UAV em atividades agrícolas e sublinharam a relevância da localização e mapeamento simultâneos de um UAV na estufa. Diaz-Gonzalez et al. (2022) revisaram estudos recentes sobre produção agrícola com base em diferentes técnicas de aprendizado de máquina e controle remoto
sistemas de detecção. Suas descobertas indicaram que os UAVs são úteis para estimar indicadores de solo e superar os sistemas de satélite em termos de resolução espacial, temporalidade da informação e flexibilidade. Basiri et al. (2022) fizeram uma revisão exaustiva das várias abordagens e métodos para superar os desafios de planejamento de trajetória para UAVs multirotores no contexto da agricultura de precisão. Além disso, Awais et al. (2022) resumiram a aplicação de dados de sensoriamento remoto de UAV em culturas para estimar o estado da água e forneceram uma síntese aprofundada da capacidade prospectiva de sensoriamento remoto de UAV para aplicação no estresse de resíduos. Finalmente, Aquilani et al. (2022) revisaram tecnologias agrícolas de previsão aplicadas em sistemas pecuários baseados em pastagens e deduziram que o sensoriamento remoto habilitado por UAVs é vantajoso para avaliação de biomassa e gestão de rebanhos.
Além disso, foram relatados recentemente esforços para utilizar UAVs na monitorização, rastreio e agrupamento de gado.
Embora essas revisões produzam insights novos e importantes, nenhuma revisão abrangente e atualizada baseada em bibliometria pode ser encontrada na literatura, o que apresenta uma clara lacuna de conhecimento. Além disso, afirma-se que quando a produção científica cresce num domínio científico, torna-se vital que os investigadores empreguem abordagens de revisão quantitativa para compreender a estrutura do conhecimento do domínio (Rivera & Pizam, 2015). Da mesma forma, Ferreira et al. (2014) argumentaram que à medida que os campos de investigação amadurecem e se tornam intrincados, os estudiosos devem procurar ocasionalmente dar sentido ao conhecimento gerado e acumulado para revelar novas contribuições, capturar tradições e tendências de investigação, identificar quais tópicos são estudados e aprofundar a estrutura do conhecimento de o campo e as possíveis direções de pesquisa. Embora Raparelli e Bajocco (2019) tenham realizado uma análise bibliométrica para examinar o domínio do conhecimento das aplicações de drones na agricultura e silvicultura, o seu estudo considera apenas pesquisas académicas publicadas entre 1995 e 2017, o que não reflete a dinâmica desta área em rápida evolução. Além disso, os autores não tentaram identificar as contribuições mais influentes na área, agrupar a literatura e avaliar a estrutura intelectual utilizando análise de cocitação. Como resultado, é necessário resumir a literatura para revelar focos, tendências e pontos críticos de pesquisa atuais.
Para preencher esta lacuna de conhecimento, utilizamos metodologia quantitativa e métodos bibliométricos rigorosos para examinar o estado atual da investigação na intersecção entre drones e agricultura. Argumentamos que o presente estudo traz diversas contribuições à literatura existente, examinando uma tecnologia emergente que é altamente necessária na agricultura, pois oferece um enorme potencial para alterar vários aspectos neste setor. A necessidade de uma análise bibliométrica dos drones agrícolas é ainda mais sentida dado o conhecimento disperso e fragmentado sobre drones no contexto agrícola. Da mesma forma, a literatura relativa aos drones agrícolas deve ser sistematicamente agrupada, considerando os estudos mais influentes que constituem a base deste campo de investigação. O mérito da análise inclui também o esclarecimento dos principais temas de investigação representados na literatura. Considerando o potencial transformacional da tecnologia, postulamos que uma análise aprofundada da rede produz novos insights, determinando trabalhos influentes e revelando temas relativos ao potencial dos drones para a agricultura.
Portanto, nos esforçamos para atingir os seguintes objetivos de pesquisa:
- Identificação de publicações influentes com contribuições notáveis para aplicações de drones no campo da agricultura.
- Agrupamento da literatura, identificação de focos de pesquisa e mapeamento dos principais estudos de 'estrutura intelectual' com base na similaridade semântica por meio de análise de cocitação.
- Compreensão da evolução das ligações e redes de citação ao longo do tempo entre diversas publicações na área e identificação de direções de pesquisas futuras e tópicos importantes.
O restante do artigo está estruturado da seguinte forma: a seção 2 descreve a metodologia e as etapas de coleta de dados; a seção 3 apresenta os resultados das análises; e a seção 4 discute as descobertas e conclui com contribuições de pesquisa, implicações e direções futuras.
Metodologia
Neste estudo de pesquisa atual, conduzimos uma análise bibliométrica para explorar as aplicações de drones na agricultura. Esta abordagem quantitativa revela a estrutura intelectual do domínio do conhecimento (Arora & Chakraborty, 2021) e o estado atual, os tópicos quentes e as direções de pesquisas futuras que podem ser investigadas através da aplicação deste método (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; Geralmente, uma análise bibliométrica examina a literatura existente para resumir e descobrir padrões ocultos de comunicação escrita e a evolução da disciplina com base em estatísticas e métodos matemáticos, e aplica-se a grandes conjuntos de dados (Pritchard, 2021; Small, 2020; Tahai & Rigsby , 1969). Ao utilizar a bibliometria, aspiramos compreender melhor os paradigmas existentes e os focos de pesquisa que contribuem para o domínio baseado na similaridade (Thelwall, 1999). A bibliometria fornece novos insights apoiados pela força quantitativa objetiva da metodologia (Casillas & Acedo, 1998). Numerosos estudiosos já conduziram estudos bibliométricos em domínios relacionados, incluindo agricultura, sensoriamento remoto e transformação digital (Armenta-Medina et al., 2008; Bouzembrak et al., 2007; A. Rejeb, Treiblmaier, et al., 2020; Wamba & Queiroz, 2019;
Análise de citações
A análise de citações revela vários insights sobre um determinado campo de pesquisa. Em primeiro lugar, ajuda a revelar os autores e publicações mais influentes que contribuem para um determinado campo de investigação e causam um impacto significativo (Gundolf & Filser, 2013). Em segundo lugar, o fluxo de conhecimento e os vínculos de comunicação entre os autores podem ser descobertos. Finalmente, ao traçar as ligações entre os trabalhos citados e os que citam, pode-se explorar as mudanças e a evolução de um domínio de conhecimento ao longo do tempo (Pournader
e outros, 2020). Os elevados números de citações de uma publicação refletem a sua relevância e contribuições substanciais para o domínio da investigação (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). A análise de citações de publicações também ajuda a identificar trabalhos relevantes e a acompanhar a sua popularidade e progresso ao longo do tempo.
Análise de cocitação de documentos
A análise de cocitação é um método valioso para explorar as relações entre publicações e retratar a estrutura intelectual de um campo (Nerur et al., 2008). Por outras palavras, ao identificar as publicações mais citadas e as suas ligações, o método agrupa as publicações em clusters de investigação distintos, onde as publicações de um cluster partilham regularmente ideias semelhantes (McCain, 1990; Small, 1973). É crucial mencionar que semelhança não significa que os resultados das publicações sejam
coesos e concordantes entre si; as publicações pertencem ao mesmo cluster devido à semelhança de temas, mas podem ter pontos de vista contraditórios.
Coleta de dados e análise
Seguindo a metodologia proposta por White e Griffith (1981), realizamos uma busca abrangente de artigos de periódicos para cobrir todo o domínio de pesquisa de aplicações de drones na agricultura, seguindo as cinco etapas a seguir:
- O primeiro passo foi a coleta de dados. A Scopus foi selecionada como uma das bases de dados mais abrangentes e confiáveis, com resultados padronizados. Foram recuperados os metadados de publicações relacionadas a todas as aplicações de drones na agricultura. Em seguida, analisamos os artigos selecionados, retirando da análise artigos fora do tema.
- Analisamos a literatura e identificamos as palavras-chave mais importantes utilizadas na área de pesquisa.
- Usando a análise de citações, exploramos a conexão entre autores e documentos para revelar padrões de citação subjacentes. Também identificamos os autores e publicações mais influentes com contribuições significativas na área de drones agrícolas.
- Conduzimos uma análise de cocitação para agrupar publicações semelhantes em clusters.
- Finalmente, analisamos as conexões e vínculos entre países, instituições e periódicos para retratar a rede de colaboração.
Identificação de termos de pesquisa apropriados
Aplicamos as seguintes strings de pesquisa para agregação de dados: (drone* OR “unmannedairveículo” OR uav* OR “unmanned aircraf system” OU vocês OU “aeronave pilotada remotamente”) E (agrícola OU agricultura OU agricultura OU agricultor). A busca foi realizada em setembro de 2021. Os drones têm diversas designações, incluindo UAV, UAS e aeronaves pilotadas remotamente (Sah et al., 2021). Os termos de busca específicos relacionados à agricultura foram identificados com base no estudo de Abdollahi et al. (2021). Por uma questão de clareza e transparência, a consulta exata que utilizamos é fornecida no Apêndice 1. Após um processo de limpeza de dados, criamos um arquivo de texto que foi posteriormente carregado no BibExcel, uma ferramenta comum para análise de citações e cocitações. Esta ferramenta também oferece interação simples com outros softwares e oferece um grau significativo de liberdade no tratamento e análise de dados. O VOSviewer versão 1.6.16 foi utilizado para visualizar os achados e gerar as redes bibliométricas (Eck & Waltman, 2009). O VOSviewer oferece uma gama de visualizações intuitivas, principalmente para análise de mapas bibliométricos (Geng et al., 2020). Além disso, auxilia no fornecimento de resultados visuais simples que auxiliam na melhor compreensão dos resultados (Abdollahi et al., 2021). Aplicando as strings de pesquisa conforme indicado acima, reunimos e armazenamos todas as publicações relevantes. Os primeiros resultados da pesquisa renderam um total de 5,085 documentos. Para garantir a qualidade da amostra selecionada, apenas artigos de periódicos revisados por pares foram considerados na pesquisa, resultando na exclusão de outros tipos de documentos, como livros, capítulos, anais de congressos e notas editoriais. Durante um processo de triagem, foram filtradas publicações irrelevantes (ou seja, fora do escopo deste trabalho), redundantes (ou seja, duplicatas originadas de dupla indexação) e que não estivessem em língua inglesa. Esse processo resultou na inclusão de 4,700 documentos na análise final.
Descobertas e discussão
Para começar, analisamos a evolução da produção de publicações na literatura atual sobre drones agrícolas. A distribuição temporal da pesquisa acadêmica é mostrada na Figura 1. Vemos um rápido aumento nas publicações a partir do ano de 2011 (30 publicações); portanto, decidimos dividir o período de análise em duas etapas distintas. Referimo-nos ao período entre 1990 e 2010 como a fase de construção, que teve cerca de sete artigos publicados anualmente. O período pós-2010 tem sido chamado de fase de crescimento, uma vez que a investigação sobre aplicações de drones na agricultura testemunhou um aumento exponencial durante este período. Após 2010, o número crescente de publicações confirma o interesse crescente entre os investigadores, o que reflete também que os drones têm sido aplicados à deteção remota e utilizados na agricultura de precisão (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Especificamente, o número de publicações passou de 108 em 2013 para 498 em 2018 e atingiu o pico de 1,275 em 2020. Um total de 935 artigos foram publicados entre janeiro e meados de setembro de 2021. Posteriormente, optamos por focar nossa análise mais na fase de crescimento já que este período reflete as sutilezas mais recentes e importantes dos drones agrícolas.
Análise de palavras-chave
As palavras-chave que os autores selecionam para uma publicação têm um impacto crucial na forma como o artigo é representado e como é comunicado nas comunidades científicas. Eles identificam os temas-chave da pesquisa e determinam seu potencial para florescer ou fracassar (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). A análise de palavras-chave, uma ferramenta para revelar tendências e direções de pesquisa mais amplas, refere-se à compilação das palavras-chave de todas as publicações relacionadas em um domínio (Dixit & Jakhar, 2021). No presente estudo, dividimos as palavras-chave agregadas em dois conjuntos (ou seja, até 2010 e 2011–2021) para explorar os tópicos mais populares. Ao fazer isso, podemos rastrear as palavras-chave cruciais em ambos os conjuntos e garantir que capturamos todos os dados necessários. Para cada conjunto, as dez principais palavras-chave são apresentadas na Tabela 3. Eliminamos inconsistências mesclando palavras-chave semanticamente idênticas, como “drone” e “drones” ou, de forma semelhante, “Internet das Coisas” e “IoT”.
A Tabela 3 mostra que “veículo aéreo não tripulado” é uma palavra-chave usada com mais frequência em comparação com “drone” e “sistema aéreo não tripulado” em ambos os períodos. Além disso, “detecção remota”, “agricultura de precisão” e “agricultura” estão bem classificados em ambos os períodos. No primeiro período, a “agricultura de precisão” ficou em quinto lugar, e em segundo lugar no segundo período, o que ilustra como os drones estão se tornando cada vez mais importantes na realização da agricultura de precisão, pois podem fazer monitoramento,
práticas de detecção e estimativa mais rápidas, baratas e fáceis de executar em comparação com outros sistemas de sensoriamento remoto e baseados em terra. Além disso, podem pulverizar a quantidade precisa de insumos (por exemplo, água ou pesticidas) quando necessário (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Lista das palavras-chave usadas com mais frequência.
Rank | 1990-2010 | Nº de ocorrências | 2011-2021 | Nº de ocorrências |
1 | antena não tripulada veículo | 28 | não tripulado veículo aéreo | 1628 |
2 | sensoriamento remoto | 7 | precisão agricultura | 489 |
3 | agricultura | 4 | sensoriamento remoto | 399 |
4 | transportado pelo ar | 4 | zangão | 374 |
5 | precisão agricultura | 4 | não tripulado sistema aéreo | 271 |
6 | antena não tripulada | 4 | agricultura | 177 |
7 | hiperespectral sensor | 3 | deep learning | 151 |
8 | neural artificial redes | 2 | máquina aprendizagem | 149 |
9 | vôo autônomo | 2 | vegetação Índice | 142 |
10 | café | 2 | Internet de Novas | 124 |
Outra característica interessante é a presença de tecnologias complementares. Na primeira etapa, “Sensor Hiperespectral” e “redes neurais artificiais” (RNA) estão entre as dez principais palavras-chave. A imagem hiperespectral revolucionou a imagem tradicional ao coletar um grande número de imagens em vários comprimentos de onda. Ao fazer isso, os sensores podem coletar simultaneamente melhores informações espaciais e espectrais em comparação com imagens multiespectrais, espectroscopia e imagens RGB (Adao ˜ et al.,
2017). A ocorrência de “ANN” na primeira etapa e “aprendizado profundo” (DL) e “aprendizado de máquina” (ML) na segunda implica que a maioria dos trabalhos publicados se concentrou no exame do potencial das técnicas de IA para drones. agricultura baseada. Embora os drones sejam capazes de voar de forma autônoma, eles ainda exigem o envolvimento de um piloto, o que implica um baixo nível de inteligência do dispositivo. No entanto, este problema pode ser resolvido devido ao avanço das técnicas de IA, que podem proporcionar melhor consciência situacional e suporte autônomo à decisão. Equipados com IA, os drones podem evitar colisões durante a navegação, melhorar a gestão do solo e das culturas (Inoue, 2020) e reduzir o trabalho e o stress dos seres humanos (BK Sharma et al., 2019).
Devido à sua flexibilidade e capacidade de lidar com grandes quantidades de dados não lineares, as técnicas de IA são métodos adequados para analisar os dados transmitidos por drones e outros sistemas de detecção remota e baseados em terra para previsão e tomada de decisão (Ali et al., 2015; Inoue, 2020). Além disso, a presença da “IoT” no segundo período indica o seu papel emergente na agricultura. A IoT está revolucionando a agricultura ao interconectar outras tecnologias, incluindo drones, ML, DL, RSSFs e big data. Um dos principais benefícios da implementação da IoT é a sua capacidade de fundir de forma eficiente e eficaz várias tarefas (aquisição de dados, análise e processamento de dados, tomada de decisão e implementação) quase em tempo real (Elijah et al., 2018; Feng et al. , 2019; Além disso, os drones são considerados ferramentas eficientes para capturar os dados necessários ao cálculo do vigor e das propriedades da vegetação (Candiago et al., 2019). As Figuras 2015a e 2b ilustram as redes de co-ocorrência de palavras-chave para ambos os períodos de tempo.
Autores influentes
Nesta seção, determinamos os autores influentes e examinamos como as redes de citação de autores podem visualizar e organizar a literatura atual. A Figura 3 mostra a sobreposição cronológica de todos os pesquisadores com maior número de citações. A escala de cores reflete a variação anual das citações dos autores. Examinamos a estrutura de citações de pesquisadores que publicaram estudos sobre drones agrícolas usando um limite mínimo de 50 citações e dez publicações. Fora de
Dos 12,891 autores, apenas 115 atendiam a essa condição. A Tabela 4 lista os dez autores mais influentes, classificados pelo número máximo de citações. Lopez-Granados F. lidera a lista com 1,963 citações, seguido por Zarco-Tejada PJ com 1,909 citações.
Lista dos autores mais citados.
Posição | Autor | Citações |
1 | López Granados´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ~ JM | 1,644 |
4 | Torres-S' anchez J. | 1,576 |
5 | Feréres 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 |
Quando se trata de publicações individuais, o artigo de Zhang e Kovacs (2012) foi o estudo mais citado publicado na Agricultura de Precisão. Aqui, os autores revisaram a aplicação do UAS na agricultura de precisão. As conclusões da sua investigação sugerem que há uma necessidade de avançar no design da plataforma, na produção, na normalização da georreferenciação de imagens e no fluxo de trabalho de recuperação de informações para fornecer aos agricultores produtos finais fiáveis. Além disso, recomendam envolver mais fortemente o agricultor, especialmente no planeamento do campo, captura de imagens, bem como na interpretação e análise de dados. É importante ressaltar que este estudo foi um dos primeiros a mostrar a importância do UAV no mapeamento de campo, mapeamento do vigor, medição do conteúdo químico, monitoramento do estresse da vegetação e avaliação dos efeitos dos fertilizantes no crescimento das plantas. Os desafios relacionados com a tecnologia também incluem custos proibitivos, capacidade de sensores, estabilidade e fiabilidade da plataforma, falta de padronização e procedimentos consistentes para analisar grandes quantidades de dados.
Análise de citações
A análise de citações representa o estudo da influência dos artigos, embora propensos a fluxos (por exemplo, viés de citação, autocitação) e é considerada um dos instrumentos padrão para avaliação de impacto (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). As citações também refletem a importância e vitalidade das contribuições dos artigos para a literatura sobre um tema específico (R. Sharma et al., 2022). Conduzimos uma análise de citações para determinar os estudos mais influentes sobre drones agrícolas e resumimos o conteúdo. A Tabela 5 apresenta a lista dos quinze artigos mais influentes para os períodos 1990–2010 e 2011–2021. Os artigos de Berni et al. (2009)b e Austin (2010) foram os mais citados durante 1990 e 2010, com 831 e 498 citações, respectivamente. Berni et al. (2009)b ilustraram o potencial para desenvolver produtos de sensoriamento remoto quantitativo através de um UAV baseado em helicóptero equipado com sensores de imagem multiespectrais térmicos e de banda estreita acessíveis. Comparado aos sensores aéreos tripulados tradicionais, um sistema UAV de baixo custo para a agricultura é capaz de obter estimativas comparáveis dos parâmetros biofísicos das culturas, se não melhores. O custo acessível e a flexibilidade operacional, juntamente com as altas resoluções espectrais, espaciais e temporais disponíveis em um tempo de resposta rápido, tornam os UAVs adequados para uma variedade de aplicações que exigem gerenciamento de tempo crítico, incluindo programação de irrigação e agricultura de precisão. O artigo de Berni et al. (2009)b é altamente citado porque integrou efetivamente uma plataforma de asa rotativa não tripulada e sensores digitais e térmicos com os mecanismos de calibração necessários para aplicações agrícolas. A segunda publicação mais citada é um livro de autoria de Austin (2010), que discutiu os VANTs sob as perspectivas de design, desenvolvimento e implantação. Na agricultura, os UAV apoiam a monitorização das culturas, detectando doenças precocemente através de mudanças na cor das culturas, facilitando a sementeira e a pulverização das culturas, e monitorizando e conduzindo rebanhos.
Os estudos de Sullivan et al. (2007), Lumme et al. (2008) e Gokto ¨ ǧan et al. (2010) finalizam a lista dos quinze artigos mais citados. Estes artigos ilustram o desenvolvimento de sistemas baseados em UAV para apoiar a agricultura. Eles oferecem soluções para vários problemas, como monitoramento e varredura de culturas, vigilância e manejo de ervas daninhas e apoio à decisão. Eles também sugerem e discutem a capacidade dos UAV de aumentar a eficiência da amostragem e ajudar os agricultores a conceberem resultados precisos e eficazes.
estratégias de plantio. Dois artigos foram da autoria de Berni (Berni et al., 2009b; Berni et al., 2009a), sublinhando o seu impacto significativo na investigação agrícola relacionada com drones. O artigo de Zarco-Tejada et al. (2014) está entre os estudos pioneiros que ilustram a necessidade de usar imagens de UAV de baixo custo na quantificação da altura das árvores.
Lista das publicações mais citadas.
Rank | De 1990 para 2010 | De 2011 para 2021 | ||
ISO | Citação | ISO | Citação | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang e Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex e Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & Madeira, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh e outros, 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh e outros, 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 | (De Anúncios ao et al., 2017) | 335 |
10 | (Schmale III e outros, 2008) | 119 | (Honkavaara e outros, 2013a) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang e 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 |
No segundo período (2011–2021), as pesquisas de Zhang e Kovacs (2012) e Nex e Remondino (2014) resultaram nas publicações mais citadas. Zhang e Kovacs (2012) argumentam que a agricultura de precisão poderia beneficiar da implementação de técnicas e sensores geoespaciais, tais como sistemas de informação geográfica, GPS e detecção remota, para capturar variações no campo e lidar com elas através do emprego de estratégias alternativas. Como um divisor de águas na agricultura de precisão, a adoção de drones anunciou uma nova era na detecção remota, simplificando a observação aérea, capturando dados de crescimento das culturas, condições do solo e áreas de pulverização. A revisão de Zhang e Kovacs (2012) é seminal, pois oferece insights sobre os UAVs, revelando os usos e desafios existentes desses dispositivos no monitoramento ambiental e na agricultura de precisão, como limitações de plataformas e câmeras, desafios de processamento de dados, envolvimento dos agricultores e regulamentos de aviação. . O segundo
o estudo mais citado de Nex e Remondino (2014) revisou o estado da arte dos UAVs para capturar, processar e analisar imagens da Terra.
Seu trabalho também apresentou uma visão geral de diversas plataformas, aplicativos e casos de uso de UAV, apresentando os mais recentes avanços no processamento de imagens de UAV. Na agricultura, os agricultores poderiam utilizar os UAV para tomar decisões eficazes para obter poupanças de custos e de tempo, receber um registo rápido e preciso dos danos e antecipar possíveis problemas. Em contraste com as plataformas aéreas convencionais, os UAVs podem reduzir despesas operacionais e diminuir o perigo de acesso em locais difíceis, preservando ao mesmo tempo o potencial de alta precisão. O artigo deles resume várias vantagens dos UAVs, especialmente em termos de precisão e resolução.
Entre as restantes treze publicações mais citadas entre 2011 e 2021, notamos uma maior concentração em pesquisas ligadas a aplicações de drones em missões de imagem (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , agricultura de precisão (Candiago et al., 2015; Honkavaara et al., 2013a), viticultura de precisão (Matese et al., 2015), avaliação do estresse hídrico (Gago et al., 2015) e monitoramento da vegetação (Aasen et al. , 2015a). Nos primeiros anos, os pesquisadores se concentraram
mais sobre o desenvolvimento de sistemas baseados em UAV de baixo custo, leves e precisos para a agricultura; pesquisas mais recentes concentraram-se mais em análises de aplicações de UAV para agricultura e levantamento de campo. Em resumo, esta análise revela que as publicações influentes forneceram principalmente revisões de estudos anteriores para avaliar o atual estado científico e tecnológico dos UAV e desenvolveram sistemas de UAV para apoiar a agricultura de precisão. Curiosamente, não encontramos estudos que empregassem
metodologias ou estudos de caso descritivos, o que constitui uma lacuna significativa de conhecimento e exige mais pesquisas sobre este tema.
Análise de cocitação
Segundo Gmür (2006), a análise de cocitação identifica publicações semelhantes e as agrupa. O exame cuidadoso de um cluster pode revelar um campo comum de pesquisa entre as publicações. Investigamos a cocitação da literatura relativa aos drones agrícolas para ilustrar áreas temáticas relacionadas e detectar os padrões intelectuais das publicações. Nesse sentido, Small (1973) recomendou o uso da análise de cocitação para estudar as pesquisas mais influentes e seminais
dentro de uma disciplina. Para limitar o conjunto aos artigos mais seminais (Goyal & Kumar, 2021), definimos um limite de cocitação de 25, o que significa que dois artigos devem ter sido citados juntos nas listas de referências de 25 ou mais publicações diferentes. O agrupamento também foi realizado com tamanho mínimo de cluster 1 e sem nenhum método para mesclar clusters menores com clusters maiores. Como resultado, foram gerados seis clusters com base na similaridade dos estudos e na sua estrutura intelectual. A Tabela 6 mostra a distribuição das publicações em cada cluster.
Cluster 1: Este cluster contém dezoito documentos publicados após As publicações neste cluster discutem o papel dos drones no apoio à monitorização ambiental, gestão de culturas e gestão de ervas daninhas. Por exemplo, Manfreda et al. (2018) fornecem uma visão geral das atuais pesquisas e implementações de UAV no monitoramento de ecossistemas agrícolas naturais e argumentam que a tecnologia oferece um enorme potencial para melhorar drasticamente o monitoramento ambiental e reduzir
a lacuna existente entre a observação de campo e a detecção remota convencional aérea e espacial. Isto pode ser feito oferecendo nova capacidade para melhor recuperação temporal e insights espaciais em grandes áreas de uma forma acessível. Os UAVs podem detectar constantemente o ambiente e enviar os dados resultantes para entidades inteligentes, centralizadas/descentralizadas que controlam sensores para identificar eventuais problemas, como falta de doenças ou detecção de água (Pádua´ et al., 2017). Adão ~ et al. (2017) postulam que os UAVs são ideais para avaliar as condições das plantas, capturando um vasto volume de dados brutos relacionados ao estado da água, estimativa de biomassa e avaliação de vigor. Sensores montados em UAV também poderiam ser prontamente implantados em condições ambientais adequadas para permitir a captura oportuna de dados de sensoriamento remoto (Von Bueren et al., 2015). Por meio de UAVs, os agricultores são capazes de realizar atividades agrícolas internas, adquirindo medições de praticamente qualquer lugar no espaço tridimensional dos ambientes agrícolas internos (por exemplo, estufas), garantindo assim o controle climático local e o monitoramento das plantas (Roldan ´ et al ., 2015). No contexto da precisão
Na agricultura, as decisões de gestão das culturas necessitam de dados agrícolas precisos e fiáveis, com uma resolução temporal e espacial adequada (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Por esta razão, Agüera Vega et al. (2015) utilizaram um sistema de sensor multiespectral montado em UAV para adquirir imagens de uma cultura de girassol durante a estação de crescimento. Da mesma forma, Huang et al. (2009) observam que o sensoriamento remoto baseado em UAVs poderia facilitar a medição de culturas e solo a partir dos dados espectrais coletados. Verger et al. (2014) desenvolveram e testaram uma técnica para estimar um índice de área verde (GAI) a partir de medições de refletância de VANT em aplicações de agricultura de precisão, com foco em culturas de trigo e colza. Portanto, os drones oferecem novas possibilidades para recuperar informações sobre o estado das culturas com revisitas frequentes e alta resolução espacial (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Agrupamento de publicações influentes sobre drones agrícolas.
Agrupar | Tema amplo | Referências |
1 | Monitoramento ambiental, colheita manejo, manejo de ervas daninhas | (De Anúncios ao et al., 2017; Aguera Vega e outros, 2015; de Castro et al., 2018; Gomez-Cand´on´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; López-Granados, ´ 2011; Manfreda et al., 2018; P´ adua et al., 2017; Pena˜ et al., 2013; Pérez-Ortiz e outros, 2015; Rasmussen et al., 2013, 2016; Torres-S' anchez et al., 2014; Torres-Sánchez, ´ Lopez-Granados, ´ & Pena, ~ 2015; Verger et al., 2014; Von Bueren et al., 2015; C.Zhang & Kovacs, 2012) |
2 | Fenotipagem remota, rendimento estimativa, modelo de superfície de colheita, contagem de plantas | (Bendig et al., 2013, 2014; Geipel e outros, 2014; Gnadinger¨& Schmidhalter, 2017; Haghighattalab e outros, 2016; Holman et al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran e outros, 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Imagens térmicas para água, imagem multiespectral | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago e outros, 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer¨ et al., 2008; Khaliq e outros, 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Imagem hipersectral, espectral imagem | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer e outros, 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | Aplicativos de mapeamento 3D | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí et al., 2014; Torres-S' anchez, Lopez- ´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Vigilância agrícola | (SR Herwitz et al., 2004; Hunt e outros, 2010; CCD Lelong et al., 2008; Primício et al., 2012; Xiang e Tian, 2011) |
Além disso, os drones são úteis para tarefas desafiadoras na agricultura, incluindo o mapeamento de ervas daninhas. As imagens capturadas pelos dispositivos provaram sua utilidade para a detecção precoce de ervas daninhas nos campos (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Nesse sentido, de Castro et al. (2021) postulam que a fusão de imagens de UAV e Análise de Imagem Baseada em Objetos (OBIA) permitiu que os profissionais superassem o problema de automatizar a detecção precoce em culturas de pastagens no início da temporada, o que é um grande passo em frente na pesquisa de ervas daninhas. Da mesma forma, Pena ~ et al. (2018) apontam que o uso de imagens de resolução espacial ultra-alta de UAV em conjunto com um procedimento OBIA torna possível gerar mapas de ervas daninhas em culturas precoces de milho que poderiam ser usados no planejamento da implementação de medidas de controle de ervas daninhas na estação, uma tarefa que vai além da capacidade das imagens aéreas tradicionais e de satélite. Em comparação com a classificação de imagens ou algoritmos de detecção de objetos, as técnicas de segmentação semântica são mais eficazes em tarefas de mapeamento de ervas daninhas (J. Deng et al., 2013), permitindo assim que os agricultores detectem condições de campo, mitiguem perdas e melhorem os rendimentos ao longo da estação de cultivo (Ramesh e outros, 2020). A segmentação semântica baseada em aprendizagem profunda também pode fornecer uma medição precisa da cobertura vegetal a partir de imagens aéreas de alta resolução (Ramesh et al., 2020; A. Zheng et al., 2020). Apesar de seu potencial para controle remoto
detecção de classificação de pixels, técnicas de segmentação semântica requerem computação significativa e uma memória de GPU proibitivamente alta (J. Deng et al., 2020).
Baseado em aprendizado de máquina e UAV, P´erez-Ortiz et al. (2015) sugeriram uma abordagem de mapeamento de ervas daninhas para fornecer estratégias de controle de ervas daninhas específicas do local quando os agricultores adotam o controle de ervas daninhas logo após a emergência. Finalmente, Rasmussen et al. (2013) destacaram que os drones fornecem detecção barata com grande flexibilidade de resolução espacial. No geral, as publicações deste grupo centram-se na exploração do potencial dos UAV para apoiar a detecção remota, a monitorização de culturas e o mapeamento de ervas daninhas. É necessária investigação adicional aprofundada para investigar mais a fundo como as aplicações de drones na monitorização ambiental, gestão de culturas e mapeamento de ervas daninhas podem alcançar uma agricultura mais sustentável (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J . Su, Liu, et al., 2018) e abordam questões de governança desta tecnologia em aplicações de seguro agrícola (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Os pesquisadores devem se concentrar na validação das medições coletadas pelo UAV com técnicas de processamento eficientes para melhorar a qualidade final dos dados processados (Manfreda et al., 2018). Além disso, é necessário o desenvolvimento de algoritmos apropriados que reconheçam pixels que exibem ervas daninhas nas imagens digitais e eliminem fundos irrelevantes durante o mapeamento de ervas daninhas por UAV (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-´ Granados et al., 2016). Pesquisas adicionais sobre a adoção de técnicas de segmentação semântica no reconhecimento de plantas, classificação de folhas e mapeamento de doenças são bem-vindas (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Cluster 2. As publicações deste cluster focaram vários aspectos dos drones agrícolas. Relacionado à fenotipagem remota, Sankaran et al. (2015) revisaram o potencial do uso de imagens aéreas de baixa altitude e alta resolução com UAVs para fenotipagem rápida de culturas no campo, e argumentam que, em comparação com plataformas de detecção baseadas em solo, pequenos UAVs com sensores adequados oferecem várias vantagens , como acesso mais fácil ao campo, dados de alta resolução, coleta eficiente de dados,
avaliações rápidas das condições de crescimento do campo e baixos custos operacionais. No entanto, os autores também observam que a aplicação eficaz do UAV para fenotipagem de campo depende de dois elementos fundamentais, nomeadamente, características do UAV (por exemplo, segurança, estabilidade, posicionamento, autonomia) e características do sensor (por exemplo, resolução, peso, comprimentos de onda espectrais, campo de vista). Haghighattalab et al. (2016) propuseram um pipeline de processamento de imagens semiautomático para recuperar dados em nível de parcela de imagens de UAV e acelerar o processo de reprodução. Holman et al. (2016) desenvolveram um alto
sistema de fenotipagem de campo de rendimento e destacou que o UAV é capaz de coletar dados fenotípicos de campo de qualidade, volumosos e baseados em campo, e que o dispositivo é eficaz para grandes áreas e em diferentes locais de campo.
Como a estimativa de rendimento é uma informação extremamente vital, especialmente quando está disponível a tempo, existe um potencial para os UAV fornecerem todas as medições de campo e adquirirem dados de alta qualidade de forma eficiente (Daakir et al., 2017; Demir et al., 2018 ;Enciso et al., 2019; A este respeito, Jin et al. (2018) aproveitaram as imagens de alta resolução obtidas por VANTs em altitudes muito baixas para desenvolver e avaliar um método para estimar a densidade de plantas de trigo na fase de emergência. Segundo os autores, os UAVs superam as limitações dos sistemas rover equipados com câmeras e representam um método não invasivo para estimar a densidade de plantas nas culturas, permitindo aos agricultores alcançar o alto rendimento necessário para a fenotipagem de campo independente da trafegabilidade do solo. Li et al. (2012) coletaram centenas de imagens estéreo com resolução extremamente alta usando um sistema baseado em VANT para estimar parâmetros do milho, incluindo altura da copa e biomassa acima do solo. Finalmente, Yue et al. (2017) descobriram que a altura da cultura determinada a partir de UAVs poderia melhorar a estimativa da biomassa acima do solo (AGB).
Uma abordagem para monitorizar o crescimento das culturas é a ideia de desenvolver modelos de superfície das culturas (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Vários estudos destacaram a viabilidade de imagens tiradas de UAV para capturar a altura das plantas e monitorar seu crescimento. Por exemplo, Bendig et al. (2013) descreveram o desenvolvimento de modelos multitemporais de superfície de cultivo com resolução muito alta de menos de 0.05 m usando VANT. Eles tinham como objetivo detectar culturas
variabilidade de crescimento e sua dependência do tratamento da cultura, cultivar e estresse. Bendig et al. (2014) usaram UAVs para estimar a biomassa fresca e seca com base na altura das plantas extraídas de modelos de superfície de culturas e descobriram que, ao contrário das plataformas aéreas e da varredura a laser terrestre, as imagens de alta resolução dos UAVs podem aumentar significativamente a precisão da modelagem da altura das plantas para diferentes crescimentos. estágios. Na mesma linha, Geipel et al. (2014) usaram UAVs em suas pesquisas para adquirir imagens
conjuntos de dados para previsão do rendimento de grãos de milho em três fases diferentes de crescimento, do início ao meio da estação e concluíram que a combinação de modelagem espectral e espacial baseada em imagens aéreas e modelos de superfície de cultura é um método adequado para prever o rendimento do milho no meio da estação. Finalmente, Gnadinger ¨ e Schmidhalter (2017) examinaram a utilidade dos VANT na fenotipagem de precisão e destacaram que o uso desta tecnologia poderia melhorar a gestão agrícola e permitir a experimentação de campo para fins de melhoramento genético e agronômicos. No geral, observamos que as publicações do cluster 2 focam nas principais vantagens dos UAVs em ambientes remotos.
fenotipagem, estimativa de rendimento, modelagem de superfície de colheita e contagem de plantas. Estudos futuros podem se aprofundar no desenvolvimento de novos métodos de fenotipagem remota que possam automatizar e otimizar o processamento de dados de sensoriamento remoto (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al., 2021; S. Zhou et al., XNUMX; ., XNUMX). Além disso, o desempenho dos sensores IoT montados em UAVs e o equilíbrio entre seus custos, mão de obra e precisão da estimativa de rendimento precisam ser pesquisados no futuro.
futuro (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Em última análise, existe a necessidade de desenvolver métodos eficientes de processamento de imagens que possam gerar informações confiáveis, maximizar a eficiência na produção agrícola e minimizar o trabalho de contagem manual dos agricultores (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020;
Cluster 3. As publicações deste cluster discutem os diferentes tipos de sistemas de imagem para sensoriamento remoto de recursos agrícolas utilizados em plataformas de UAV. Neste sentido, as imagens térmicas permitem a monitorização das temperaturas da superfície para prevenir danos às culturas e detectar precocemente o stress hídrico (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Baluja et al. (2021) afirmaram que o uso de câmeras multiespectrais e térmicas a bordo do
Os UAV permitiram aos investigadores obter imagens de alta resolução e avaliar o estado da água da vinha. Isto poderia ser útil para desenvolver novos modelos de programação de água usando dados de sensoriamento remoto (Baluja et al., 2012). Por causa do
capacidade de carga limitada dos VANTs, Ribeiro-Gomes et al. (2017) consideraram a integração de câmeras térmicas não resfriadas em UAVS para determinar o estresse hídrico nas usinas, o que torna esse tipo de UAV mais eficiente e viável do que o sensoriamento remoto tradicional baseado em satélite e os UAVs equipados com câmeras térmicas resfriadas. Segundo os autores, as câmeras térmicas não resfriadas são mais leves que as câmeras resfriadas, exigindo calibração adequada. González-Dugo et al. (2014) mostraram que as imagens térmicas geram efetivamente mapas espaciais de índices de estresse hídrico das culturas para avaliar o estado da água e quantificar o estresse hídrico entre e dentro dos pomares de frutas cítricas. González-Dugo et al. (2013) e Santesteban et al. (2017) investigaram o uso de imagens térmicas de UAV de alta resolução para estimar a variabilidade do estado da água de um pomar comercial e de um vinhedo.
A imagem multiespectral poderia fornecer dados massivos em comparação com imagens RGB (vermelho, verde e azul) tradicionais (Ad˜ao et al., 2017; Navia et al., 2016). Esses dados espectrais, juntamente com dados espaciais, poderiam auxiliar na classificação, mapeamento, previsão, predição e propósitos de detecção (Berni et al., 2009b). Segundo Candiago et al. (2015), a imagem multiespectral baseada em UAV poderia contribuir enormemente para a avaliação de culturas e para a agricultura precisa como um recurso confiável e eficiente. Também,
Khaliq et al. (2019) fizeram uma comparação entre imagens multiespectrais baseadas em satélite e em UAV. As imagens baseadas em UAV resultaram em maior precisão na descrição da variabilidade dos vinhedos, bem como nos mapas de vigor para representar as copas das culturas. Em poucas palavras, os artigos deste grupo discutem a incorporação de sensores de imagem térmicos e multiespectrais em UAVs agrícolas. Conseqüentemente, mais pesquisas são necessárias para entender como as imagens térmicas e multiespectrais podem ser integradas à IA
técnicas (por exemplo, aprendizagem profunda) para detectar estresse em plantas (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Esses insights ajudarão a garantir uma detecção mais eficiente e precisa, bem como o monitoramento do crescimento, estresse e fenologia das plantas (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Cluster 4. Este cluster consiste em sete artigos que giram em torno do papel crucial da imagem espectral e da imagem hiperespectral no apoio às práticas agrícolas. A imagem hiperespectral estabeleceu-se como um método de sensoriamento remoto que permite a avaliação quantitativa do sistema terrestre (Schaepman et al., 2009). Para ser mais preciso, permite a identificação de materiais de superfície, a quantificação de concentrações (relativas) e a atribuição de proporções de componentes de superfície
dentro de pixels mistos (Kirsch et al., 2018; Zhao et al., 2022). Em outras palavras, a maior resolução espectral fornecida pelos sistemas hiperespectrais permite estimativas mais precisas de vários parâmetros, como propriedades vegetarianas ou conteúdo de água nas folhas (Suomalainen et al., 2014). Os pesquisadores deste cluster investigaram vários aspectos de tais sistemas. Entre outros, Aasen et al. (2015b) ofereceram uma abordagem única para derivar informações hiperespectrais tridimensionais de dados leves
câmeras instantâneas usadas em UAVs para monitoramento de vegetação. Lucieer et al. (2014) discutiram o projeto, o desenvolvimento e as operações aéreas de um novo UAS hiperespectral, bem como a calibração, análise e interpretação dos dados de imagem coletados com ele. Finalmente, Honkavaara et al. (2013b) desenvolveram uma abordagem de processamento abrangente para imagens espectrais baseadas em interferômetro FabryPerot e mostraram seu uso em um procedimento de estimativa de biomassa para agricultura de precisão. Os possíveis caminhos futuros para este cluster atual incluem enfatizar a necessidade de melhorias técnicas nas tecnologias de sensores (Aasen et al., 2015b), bem como a necessidade de incorporar e aprimorar tecnologias complementares, especificamente big data e análises (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Este último decorre principalmente dos dados cada vez maiores gerados por vários sensores implementados na agricultura inteligente (C. Li & Niu, 2019; A. Rejeb et al., 2020; Y. Su & Wang, 2022).
Cluster 5. As publicações deste cluster examinaram aplicações de mapeamento 3D baseadas em drones. A utilização de drones para mapeamento 3D poderia aliviar o complexo trabalho de campo e aumentar substancialmente a eficiência (Torres-Sanchez ´ et al., 2015). Os cinco artigos do cluster focaram principalmente em aplicações de monitoramento de plantas. Por exemplo, para obter dados tridimensionais sobre área da copa, altura das árvores e volume da copa, Torres-Sanchez ´ et al. (2015) usaram a tecnologia UAV para gerar modelos digitais de superfície e, em seguida, abordagens de análise de imagem baseada em objetos (OBIA). Além disso, Zarco-Tejada et al. (2014) quantificaram a altura das árvores integrando tecnologia UAV e métodos tridimensionais de foto-reconstrução. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017) demonstraram um novo processo para monitoramento 3D multitemporal de dezenas de oliveiras, integrando a tecnologia UAV com a metodologia avançada OBIA. Caminhos interessantes para trabalhos futuros neste cluster incluem melhorar o atual
metodologias (Zarco-Tejada et al., 2014) para fins de modelagem digital de superfícies (Ajayi et al., 2017; Jaud et al., 2016), como OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018) e reconstrução fotográfica ou desenvolvimento de novos métodos (Díaz-Varela et al., 2015; Torres-S´ anchez et al., 2015).
Grupo 6. Este grupo discute o papel dos drones na vigilância agrícola. Os UAVs poderiam complementar e superar as deficiências das imagens de satélite e de aeronaves. Por exemplo, poderiam fornecer imagens de alta resolução quase em tempo real com menos combustível ou desafios de pilotagem, resultando em vigilância constante e em tempo real e melhorias na tomada de decisões (S. Herwitz et al., 2004). Outra contribuição importante dos UAV é a sua capacidade de fornecer dados específicos do local para agricultura de precisão ou agricultura específica do local, uma vez que os seus dados detalhados e de alta resolução sobre vários parâmetros permitem aos agricultores dividir a terra em partes homogéneas e tratá-las em conformidade (Hunt et al. , 2010; CC Lelong et al., 2008; Essa vigilância agrícola baseada em VANT pode apoiar a monitorização da segurança alimentar e a tomada de decisões (SR Herwitz et al., 2012). Para avançar a investigação em vigilância agrícola, são necessárias não só melhorias nos sensores, UAV e outras tecnologias relacionadas e nos seus métodos de comunicação e transferência de dados (Ewing et al., 2004; Shuai et al., 2020), mas também a integração de drones com vários tecnologias para otimizar diferentes tarefas relacionadas à agricultura inteligente, como monitoramento, vigilância agrícola e tomada de decisões, é uma área de pesquisa de alto potencial (Alsamhi et al., 2019; Popescu et al., 2021; Vuran et al., 2020). Nesse sentido, a IoT, as RSSFs e o big data oferecem capacidades complementares interessantes (van der Merwe et al., 2018). Os custos de implementação, a poupança de custos, a eficiência energética e a segurança dos dados estão entre as áreas pouco investigadas para essa integração (Masroor et al., 2020).
Países e instituições acadêmicas
A etapa final incluiu a investigação do país de origem e das filiações acadêmicas dos autores. Através desta análise, pretendemos compreender melhor a distribuição geográfica dos estudiosos que contribuem para as aplicações de drones na agricultura. É digno de nota notar a diversidade de países e instituições acadêmicas. Do ponto de vista do país, os EUA, a China, a Índia e a Itália estão no topo da lista em termos de número de publicações (Tabela 7). O actual
a investigação sobre drones agrícolas está largamente centrada nos países da América do Norte e da Ásia, principalmente devido ao seu elevado envolvimento em aplicações de agricultura de precisão. Por exemplo, nos EUA, o mercado de drones agrícolas foi estimado em 841.9 milhões de dólares no ano de 2020, representando aproximadamente 30% da quota de mercado global (ReportLinker, 2021). Classificada como a maior economia do mundo, prevê-se que a China atinja um tamanho de mercado aproximado de 2.6 mil milhões de dólares no ano de 2027. Este país apela aos drones agrícolas para superar problemas de produtividade e obter melhores rendimentos, alívio do trabalho e menores factores de produção. No entanto, a adopção da tecnologia na China também é impulsionada por factores como o tamanho da população e a necessidade de inovar e melhorar as práticas existentes de gestão das culturas.
Principais países e universidades/organizações mais produtivos que contribuem para
pesquisa relacionada a drones agrícolas.
Rank | Países |
1 | Estados Unidos |
2 | China |
3 | Índia |
4 | Itália |
5 | Espanha |
6 | Alemanha |
7 | Brazil |
8 | Australia |
9 | Japão |
10 | Reino Unido |
Rank | Universidades/Organizações |
1 | Academia Chinesa de Ciências |
2 | Ministério da Agricultura da República Popular da China |
3 | Consejo Superior de Investigaciones Científicas |
4 | Universidade Texas A & M |
5 | Universidade Agrícola da China |
6 | Serviço de Pesquisa Agrícola do USDA |
7 | CSIC – Instituto de Agricultura Sustentável IAS |
8 | Universidade de Purdue |
9 | Conselho Nacional de Pesquisa |
10 | Universidade Agrícola do Sul da China |
Do ponto de vista universitário e organizacional, a Academia Chinesa de Ciências está no topo da lista em termos de número de publicações, seguida pelo Ministério da Agricultura da República Popular da China e pelo Consejo Superior de Investigaciones Científicas. A Academia Chinesa de Ciências é representada pelos autores Liao Xiaohan e Li Jun; Han Wenting representa o Ministério da Agricultura da República Popular da China; e o Consejo Superior de Investigaciones Científicas é representado por Lopez-Granados, ´ F. e Pena, ˜ Jos´e María S. Dos EUA, universidades como a Texas A&M University e a Purdue University encontram seu
menção. As universidades com maior número de publicações e suas conexões são mostradas na Figura 4. Além disso, esta lista inclui instituições como o Consiglio Nazionale delle Ricerche e o Consejo Superior de Investigaciones Científicas que atuam na pesquisa científica, mas não são instituições acadêmicas. .
Nossa seleção incluiu uma ampla variedade de periódicos, abrangendo praticamente todos os dados disponíveis. Como mostra a Tabela 8, Sensoriamento Remoto com 258 artigos está no topo, seguido por Journal of Intelligent and Robotic Systems: Theory and Applications com 126 e Computers and Electronics in Agriculture com 98 artigos. Enquanto o Sensoriamento Remoto se concentra principalmente na aplicação e desenvolvimento de drones, Computadores e Eletrônica na Agricultura cobre principalmente avanços em hardware, software, eletrônica e sistemas de controle de computador na agricultura. Os veículos de diversas áreas, como o IEEE Robotics and Automation Letters, com 87 publicações, e o IEEE Access, com 34 publicações, também são os principais veículos na área. Os quinze principais veículos contribuíram para a literatura com 959 documentos, o que representa aproximadamente 20.40% de todas as publicações. Uma análise de cocitação de periódicos nos permite examinar a importância e a semelhança entre as publicações. A análise de cocitação produz três clusters, conforme mostrado na Figura 5. O cluster vermelho consiste em periódicos como Remote Sensing, Computer and Electronics in Agriculture, Sensors,
e o Jornal Internacional de Sensoriamento Remoto. Todos esses veículos são periódicos altamente conceituados nas áreas de sensoriamento remoto e agricultura de precisão. O cluster verde contém periódicos que tratam de robótica, como Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access e Drones. Esses veículos publicam principalmente artigos sobre automação e são úteis para engenheiros agrícolas. O cluster final é formado por periódicos relacionados à agronomia e engenharia agrícola, como Agronomy e International Journal of Agricultural and Biological Engineering.
Os 15 principais periódicos em pesquisa agrícola relacionada a drones.
Rank | Blog | Contar |
1 | Sensoriamento Remoto | 258 |
2 | Journal of Intelligent and Robotic Systems: Teoria e Aplicações | 126 |
3 | Informática e Eletrônica na Agricultura | 98 |
4 | IEEE Robótica e Cartas de Automação | 87 |
5 | Sensores | 73 |
6 | Jornal Internacional de Sensoriamento Remoto | 42 |
7 | Agricultura de Precisão | 41 |
8 | Drones | 40 |
9 | Agronomia | 34 |
10 | Acesso IEEE | 34 |
11 | Jornal Internacional de Sistemas Robóticos Avançados | 31 |
12 | Revista Internacional de Engenharia Agrícola e Biológica | 25 |
13 | PLoS ONE | 25 |
14 | Jornal de Robótica de Campo | 23 |
15 | Engenharia de Biossistemas | 23 |
Conclusão
Resumo
Neste estudo, resumimos e analisamos pesquisas existentes sobre drones agrícolas. Aplicando diversas técnicas bibliométricas, nos esforçamos para obter uma melhor compreensão da estrutura intelectual da pesquisa relacionada aos drones agrícolas. Em suma, a nossa revisão oferece diversas contribuições ao identificar e discutir palavras-chave na literatura, revelando clusters de conhecimento enquanto forma comunidades semanticamente semelhantes no campo dos drones, delineando pesquisas anteriores e sugerindo direções de pesquisas futuras. Abaixo, descrevemos as principais conclusões da revisão sobre o desenvolvimento de drones agrícolas:
• A literatura geral cresceu rapidamente e atraiu enorme atenção ao longo da última década, como indicado pelo aumento no número de artigos após 2012. Embora este campo do conhecimento ainda não tenha atingido a sua plena maturidade (Barrientos et al., 2011; Maes & Steppe, 2019), diversas questões ainda permanecem sem resposta. Por exemplo, a utilidade dos drones na agricultura interior ainda está aberta ao debate (Aslan et al., 2022; Krul et al., 2021; Rold´an et al., 2015). A complexidade das cenas de campo e as diferentes circunstâncias de imagem (por exemplo, sombras e iluminação) podem resultar em uma maior variação espectral na classe (Yao et al., 2019). Mesmo nas fases posteriores da investigação, os investigadores foram desafiados a determinar planos de voo ideais de acordo com cenários específicos e a qualidade de imagem necessária (Soares et al., 2021; Tu et al.,
• Notamos que o campo progrediu do desenvolvimento de sistemas UAV eficientes para a incorporação de técnicas de IA, como aprendizado de máquina e aprendizado profundo no projeto de drones agrícolas (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020;
• A investigação sobre drones agrícolas discutiu predominantemente a detecção remota, explorando as potencialidades da tecnologia na monitorização ambiental, gestão de culturas e gestão de ervas daninhas (grupo 1), bem como fenotipagem remota e estimativa de rendimento (grupo 2). Um conjunto de estudos influentes sobre drones agrícolas inclui Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex e Remondino (2014) e Zhang e Kovacs (2012). Estes estudos desenvolveram a base conceptual da investigação relacionada com drones no contexto da agricultura.
• Em relação à metodologia, observamos que a maior parte da pesquisa realizada até agora foi composta por estudos de design de sistema, conceituais ou baseados em revisão (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Notamos também uma falta de métodos empíricos, qualitativos e baseados em estudos de caso na investigação de drones agrícolas.
• Recentemente, tópicos relacionados com a agricultura de precisão, técnicas de IA, viticultura de precisão e avaliação do stress hídrico têm chamado bastante atenção (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Um exame cuidadoso dos grupos de investigação em duas épocas distintas, 2021–1990 e 2010–2011, revela o progresso da estrutura intelectual do domínio. O período de 2021 a 1990 constituiu o desenvolvimento de noções centrais e conceitos de drones, o que é óbvio a partir da discussão sobre o design, desenvolvimento e implementação de UAV. Na segunda era, o foco da pesquisa expande-se em estudos anteriores, fazendo um esforço para sintetizar casos de uso de UAV na agricultura. Também encontramos vários estudos que discutem aplicações de drones em tarefas de geração de imagens e agricultura de precisão.
Rank | Blog | Contar |
1 | Sensoriamento Remoto | 258 |
2 | Journal of Intelligent and Robotic Systems: Teoria e | 126 |
Aplicações | ||
3 | Informática e Eletrônica na Agricultura | 98 |
4 | IEEE Robótica e Cartas de Automação | 87 |
5 | Sensores | 73 |
6 | Jornal Internacional de Sensoriamento Remoto | 42 |
7 | Agricultura de Precisão | 41 |
8 | Drones | 40 |
9 | Agronomia | 34 |
10 | Acesso IEEE | 34 |
11 | Jornal Internacional de Sistemas Robóticos Avançados | 31 |
12 | Revista Internacional de Engenharia Agrícola e Biológica | 25 |
13 | PLoS ONE | 25 |
14 | Jornal de Robótica de Campo | 23 |
15 | Engenharia de Biossistemas | 22 |
Implicações
Nossa revisão bibliométrica foi projetada e conduzida tendo em mente acadêmicos, agricultores, especialistas agrícolas, consultores agrícolas e projetistas de sistemas de UAV. Tanto quanto é do conhecimento dos autores, esta é uma das primeiras revisões originais que empreendeu uma análise bibliométrica aprofundada de
aplicações de drones na agricultura. Conduzimos uma revisão abrangente deste corpo de conhecimento, empregando análises de citação e cocitação de publicações. Nossas tentativas de descrever a estrutura intelectual da pesquisa com drones também oferecem novos insights para os acadêmicos. Uma revisão cuidadosa das palavras-chave usadas ao longo do tempo revela os pontos críticos e as áreas focais de pesquisa na literatura relacionada aos drones. Além disso, apresentamos uma lista dos estudos mais citados para identificar os trabalhos de pesquisa mais impactantes realizados na área. A identificação de artigos e palavras-chave poderia, consequentemente, fornecer um ponto de partida sólido para descobrir vários caminhos para estudos futuros.
É importante ressaltar que revelamos clusters que classificam trabalhos comparáveis e elaboramos os resultados. Os estudos classificados em clusters auxiliam na compreensão da estrutura intelectual da pesquisa com VANTs. Notavelmente, descobrimos uma escassez de estudos que investiguem os fatores de adoção de drones
e barreiras nas actividades agrícolas (ver Tabela 9). Futuros investigadores poderiam colmatar esta potencial lacuna através da realização de investigações empíricas que avaliem os factores de adopção de drones em diferentes actividades agrícolas e condições climáticas. Além disso, a investigação baseada em estudos de caso sobre a eficácia dos drones deve ser apoiada por dados reais do terreno. Além disso, envolver agricultores e gestores na investigação académica seria vantajoso tanto para o avanço teórico como prático da investigação sobre drones. Também conseguimos identificar os investigadores mais proeminentes e as suas contribuições, o que é valioso porque o conhecimento de trabalhos seminais recentes pode oferecer alguma orientação para futuros empreendimentos académicos.
tabela 9
Barreiras à adoção de UAV.
Barreira | Descrição |
A segurança dos dados | A segurança cibernética é um grande desafio para a implementação Soluções IoT (Masroor et al., 2021). |
Interoperabilidade e integração | Várias tecnologias, como UAV, WSN, IoT, etc. devem ser integrados e transmitir dados que aumentar o nível de complexidade (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Custos de implementação | Este é especificamente o caso dos pequenos agricultores e dos integrando diversas tecnologias de ponta ( Masroor et al., 2021). |
Conhecimento trabalhista e experiência | Pilotos de drones qualificados são necessários para operar UAVs. Além disso, implementando vários recursos de ponta tecnologias requerem trabalhadores qualificados (YB Huang e outros, 2013; Tsouros et al., 2019). |
Potência do motor e voo duração | Os drones não podem ser operados por longas horas e cobrem grandes áreas (Hardin & Hardin, 2010; Laliberte et al., |
Estabilidade, confiabilidade e manobrabilidade | Drones não são estáveis durante más condições climáticas (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Limitações de carga útil e qualidade dos sensores | Os drones só podem transportar cargas limitadas, levando a capacidade de carregar sensores de qualidade inferior (Nebiker |
Regulamento | Como os drones também podem ser perigosos, existem graves regulamentações em algumas áreas (Hardin & Jensen, 2011; Laliberté & Rango, 2011). |
O conhecimento dos agricultores e interesse | Tal como outras tecnologias de ponta, os drones uma implementação bem-sucedida precisa de experiência e também acompanhado de incertezas (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Uma vez que existe uma necessidade constante de utilizar eficientemente os recursos disponíveis para maximizar os rendimentos, os agricultores podem tirar partido dos drones para garantir uma digitalização rápida, precisa e económica dos seus campos. A tecnologia pode ajudar os agricultores a determinar o estado das suas culturas e avaliar o estado da água, o estágio de maturação, as infestações de insetos e as necessidades nutricionais. As capacidades de deteção remota dos drones podem fornecer aos agricultores dados cruciais para antecipar problemas numa fase inicial e realizar prontamente intervenções adequadas. No entanto, os benefícios da tecnologia só poderão ser concretizados se os desafios forem devidamente enfrentados. À luz do
problemas atuais relativos à segurança de dados, questões de tecnologia de sensores (por exemplo, a confiabilidade ou precisão das medições), complexidade de integração e custos substanciais de implementação, estudos futuros também devem examinar a viabilidade técnica, econômica e operacional da integração de drones agrícolas e outros drones de corte. tecnologias de ponta.
Limitações
Nosso estudo tem várias limitações. Primeiramente, os resultados são determinados pelas publicações selecionadas para a análise final. É um desafio capturar todos os estudos relevantes relacionados com drones agrícolas, especialmente aqueles não indexados na base de dados Scopus. Além disso, o processo de recolha de dados limita-se à definição de palavras-chave de pesquisa, que podem não ser inclusivas e levar a resultados inconclusivos. Assim, estudos futuros precisam prestar mais atenção à questão subjacente da coleta de dados para fazer
conclusões mais confiáveis. Outra limitação diz respeito às novas publicações com baixo número de citações. A análise bibliométrica é tendenciosa para publicações anteriores, pois elas tendem a receber mais citações ao longo dos anos. Estudos recentes precisam de um certo tempo para atrair a atenção e acumular citações. Consequentemente, estudos recentes que trazem uma mudança de paradigma não estariam entre os dez trabalhos mais influentes. Esta limitação prevalece no exame de domínios de pesquisa emergentes rapidamente, como os drones agrícolas. Como consultamos a Scopus para estudar a literatura deste trabalho, futuros pesquisadores poderiam considerar diferentes
bancos de dados, como Web of Science e IEEE Xplore, para ampliar o horizonte e aprimorar a estrutura de pesquisa.
Estudos bibliométricos potenciais podem considerar outras fontes de conhecimento vitais, como artigos de conferências, capítulos e livros, para gerar novos insights. Apesar de mapear e investigar publicações globais sobre drones agrícolas, as nossas descobertas não revelaram as razões por trás dos resultados académicos das universidades. Isto abre caminho para uma nova área de investigação que explica qualitativamente porque é que algumas universidades são mais produtivas do que outras quando se trata de investigação sobre agricultura.
drones. Além disso, estudos futuros poderão fornecer informações sobre o potencial dos drones para aumentar a sustentabilidade agrícola de diversas maneiras, tais como monitorização ambiental, gestão de culturas e mapeamento de ervas daninhas, conforme indicado por vários investigadores (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Como a análise textual não foi possível devido ao elevado número de artigos selecionados, há necessidade de revisões sistemáticas da literatura que examinem os
métodos de investigação utilizados e o envolvimento dos agricultores em estudos anteriores. Em suma, a nossa análise da investigação com drones expõe as ligações invisíveis deste corpo de conhecimento. Esta revisão, portanto, ajuda a descobrir as relações entre as publicações e explora a estrutura intelectual do campo de pesquisa. Também descreve as ligações entre os vários aspectos da literatura, como palavras-chave dos autores, afiliações e países.
Declaração de Concorrência de Interesses
Os autores declaram que não conhecem interesses financeiros concorrentes ou relações pessoais que possam ter influenciado o trabalho relatado neste artigo.
Apêndice 1
TITLE-ABS-KEY (((drone* OR “veículo aéreo não tripulado” OR uav* OR “sistema de aeronave não tripulada” OU vocês OU “aeronave pilotada remotamente”) E (agrícola OU agricultura OU agricultura OU agricultor))) E (EXCLUIR (PUBYEAR, 2022)) E (LIMIT-TO (IDIOMA, “Inglês”)).
Referências
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Gerando informações hiperespectrais 3D com câmeras instantâneas UAV leves para monitoramento de vegetação: de
calibração da câmera para garantia de qualidade. ISPRS J. Fotograma. Sensor Remoto 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Desenvolvimento de algoritmo de reconhecimento de padrões para detecção automática de pássaros a partir de imagens de veículos aéreos não tripulados.
Enquete. Informar Terreno. Ciência. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Redes de sensores sem fio na agricultura: insights da análise bibliométrica. Sustentabilidade 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M.,Avaliação de diferentes métodos para detecção de sombra em imagens ópticas de alta resolução e avaliação do impacto da sombra no cálculo de NDVI e evapotranspiração. Irrig. Ciência. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Pádua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Imagem hiperespectral: uma revisão sobre sensores baseados em UAV, dados processamento e
aplicações para agricultura e silvicultura. Sensoriamento Remoto 9 (11). https://doi.org/10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Imagens multitemporais usando um veículo aéreo não tripulado para monitorar uma cultura de girassol. Biossist. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. A geração de modelos digitais precisos de elevação de UAV adquiriu imagens sobrepostas de baixa porcentagem. Internacional
J. Sensor Remoto 38 (8–10), 3113–3134. https://doi.org/10.1080/01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Revisão de abordagens de aprendizado de máquina para recuperações de biomassa e umidade do solo a partir de dados de sensoriamento remoto. Sensoriamento Remoto 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Internet verde das coisas usando UAVs em redes B5G: uma revisão de aplicações
e estratégias. De Anúncios. Hoc. Rede. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones para monitoramento de gado ovino. In: 20ª Conferência Eletrotécnica Mediterrânea IEEE. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Fenotipagem de alto rendimento baseada em UAV em citros utilizando imagem multiespectral e inteligência artificial. Sensoriamento Remoto 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Aplicativo baseado em nuvem para processar, analisar e visualizar dados coletados por UAV para aplicações de agricultura de precisão utilizando inteligência artificial. Computação. Elétron. Agrícola. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data e aprendizado de máquina com informações hiperespectrais na agricultura. Acesso IEEE 9, 36699–36718. https://doi.org/10.1109/
ACESSO.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Revisão: tecnologias de pecuária de precisão em sistemas pecuários baseados em pastagens. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Tendências em tecnologias avançadas de informação e comunicação para
melhorando a produtividade agrícola: uma análise bibliométrica. Agronomia 10 (12), Artigo 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. O jacaré voador: em direção à robótica aérea em occam-π. Comum. Arquiteto de Processos. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Estrutura intelectual da pesquisa do comportamento de reclamação do consumidor (CCB): uma análise bibliométrica. J. Res. de Negócios. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Um levantamento abrangente dos estudos recentes com VANT para agricultura de precisão em campos abertos e estufas. Apl. Ciência. 12 (3), 1047. https://doi.org/10.3390/
aplicativo12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Fenotipagem de campo para o futuro. Em Avaliações Anuais de Plantas online (pp. 719–736). John
doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Sistemas de aeronaves não tripuladas: projeto, desenvolvimento e implantação de UAVS. In: Sistemas de Aeronaves Não Tripuladas: Projeto, Desenvolvimento e Desenvolvimento de UAVS
Implantação. John Wiley e Filhos. 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. Sensoriamento remoto baseado em UAV no estresse de plantas imagine o uso de sensor térmico de alta resolução para práticas agrícolas digitais: uma meta-revisão. Interno. J. Meio Ambiente. Ciência. Tecnologia. 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, desafios
e facilitadores de tecnologia. 2018 IoT Vertical e. Cúpula Temática sobre Agricultura - Toscana (IOT Toscana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Aprendizado profundo com rotulagem de dados não supervisionados para detecção de ervas daninhas em culturas lineares em imagens de UAV. Sensoriamento Remoto 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Processos normativos versus construtivistas sociais na alocação de citações: um modelo analítico de rede. Sou. Social. Apocalipse 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. Avaliação da variabilidade do estado da água da vinha por termos térmicos e multiespectrais
imagens usando um veículo aéreo não tripulado (UAV). Irrig. Ciência. 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., Criação de próxima geração. Ciência das Plantas. 242, 3–13. https://doi.org/10.1016/j.
plantasci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspectivas sobre o uso de sistemas aéreos não tripulados para monitorar gado. Outlook 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 baixo peso e baseado em UAV câmeras full-frame
para monitoramento de culturas: Comparação espectral com medições de espectrorradiômetro portátil. Fotogrametria, Fernerkundung, Geoinformação 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., Sensoriamento remoto aéreo na agricultura: uma abordagem prática para cobertura de área
e planejamento de trajetória para frotas de minirobôs 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. Uma pesquisa sobre a aplicação de algoritmos de planejamento de caminho para UAVs multi-rotor com precisão
agricultura. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. O estado da arte da agricultura intensiva em conhecimento: uma revisão sobre sistemas de detecção aplicados e análise de dados. J. Sens. 2018, pp. 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Imagens baseadas em UAV para modelos multitemporais de superfície de culturas de altíssima resolução para monitorar a variabilidade do crescimento das culturas. Fotogrametria, Fernerkundung, Geoinformação 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. Estimativa de biomassa de cevada usando modelos de superfície de colheita (CSMs) derivados de imagens RGB baseadas em UAV. Sensoriamento Remoto 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Combinando a altura da planta baseada em UAV a partir da superfície da cultura modelos,
índices de vegetação visível e infravermelho próximo para monitoramento de biomassa em cevada. Internacional J. Appl. Terra Obs. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´ G., Fereres, E., Villalobos, F., 2009a. Mapeamento da condutância do dossel e CWSI em olivais usando alta resolução
imagens de sensoriamento remoto térmico. Sensoriamento Remoto Meio Ambiente. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´L., Fereres, E., 2009b. Sensoriamento remoto multiespectral térmico e de banda estreita para monitoramento de vegetação a partir de um veículo aéreo não tripulado. IEEE Trans. Geociências. Sensor Remoto 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet das coisas na segurança alimentar: revisão da literatura e análise bibliométrica. Tendências Food Sci. Tecnologia. 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 na agricultura: Projetando um piloto em grande escala em toda a Europa. Comun. IEEE. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Rastreamento de UAV multissensor de mudas individuais e comunidades de mudas com precisão milimétrica. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Avaliação de imagens multiespectrais e índices de vegetação para aplicações de agricultura de precisão a partir de imagens de UAV. Sensoriamento Remoto 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Monitoramento de indicadores de crescimento de beterraba sacarina usando índice de vegetação de ampla faixa dinâmica (WDRVI) derivado de UAV
imagens multiespectrais. Computação. Elétron. Agrícola. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolução da estrutura intelectual da literatura sobre empresas familiares: um estudo bibliométrico da 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. Monitoramento dinâmico da biomassa de arroz sob
diferentes tratamentos de nitrogênio usando um UAV leve com câmeras instantâneas de quadro de imagem duplo. Métodos de Planta 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Garantindo a sustentabilidade na agricultura indiana através de UAV civis: uma perspectiva de inovação responsável. Aplicativo SN. Ciência. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Governança responsável de inovações em veículos aéreos não tripulados civis (UAV) para aplicações de seguro agrícola indiano. J. Responsável
Tecnologia. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Aplicação de imagens aéreas de canal visível de alta resolução da copa das culturas para o manejo de irrigação de precisão. Agrícola. Água
Gerenciar. 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 leve com fotogrametria a bordo e posicionamento GPS de frequência única para aplicações metrológicas. ISPRS J. Fotograma. Sensor Remoto 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Plataforma IoT baseada em blockchain para gerenciamento autônomo de operações de drones. In: Anais da 2ª ACM
Workshop MobiCom sobre comunicações sem fio assistidas por drones para 5G e além, pp. https://doi.org/31/36.
Day, RA, Gastel, B., 1998. Como escrever e publicar um artigo científico. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapeamento da infestação de cynodon dactylon cobrir culturas com um procedimento OBIA de árvore de decisão automática e imagens de UAV para viticultura de precisão. Sensoriamento Remoto 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. Um algoritmo automático de floresta aleatória-OBIA para mapeamento precoce de ervas daninhas entre e dentro das linhas de cultivo usando imagens de UAV. Sensoriamento Remoto 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Medição automatizada da altura da planta de genótipos de trigo usando um DSM derivado de imagens de UAV. Procedimentos 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Rede leve de segmentação semântica para mapeamento de ervas daninhas em tempo real usando veículos aéreos não tripulados. Apl. Ciência. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Sensoriamento remoto multiespectral baseado em UAV para agricultura de precisão: uma comparação entre diferentes câmeras. ISPRS J. Fotograma. Sensor Remoto 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Técnicas de aprendizado de máquina e sensoriamento remoto aplicadas para estimar indicadores de solo – revisão. Eco. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Imagens aéreas de UAV de alta resolução para avaliar os parâmetros da copa da oliveira usando foto 3D
reconstrução: aplicação em ensaios de melhoramento genético. Sensoriamento Remoto 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Gestão da capacidade aeroportuária: uma revisão e análise bibliométrica. J. Transporte Aéreo. Gerenciar. 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.
Usando imagens RapidEye para identificar a variabilidade dentro do campo do crescimento e rendimento das culturas em Ontário, Canadá. Agricultura de Precisão. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Aplicação de drones agrícolas e iot para compreender a cadeia de abastecimento alimentar durante o pós-COVID-19. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Informática Agrícola: Automação Usando IoT e Aprendizado de Máquina. Wiley, pp. van Eck, N., Waltman, L., 67. Pesquisa de software: VOSviewer, um programa de computador para mapeamento bibliométrico. Cientometria 87 (2009), 84–2. https://doi.org/523/s538-10.1007-11192-009.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Uma visão geral da Internet das Coisas (IoT) e análise de dados na agricultura: benefícios e desafios.
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. Validação de agronômico UAV e campo
medições para variedades de tomate. Computação. Elétron. Agrícola. 158, 278-283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Avaliação de estresse hídrico multiespectral e térmico de alta resolução baseada em sensoriamento remoto em
videiras irrigadas subterrâneas. Sensoriamento Remoto 9(9), 961. https://doi.org/10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Utilizando sensoriamento remoto hiperespectral para gradação do solo. Sensoriamento Remoto 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. Avaliação multiescala de refletância de superfície multiespectral baseada em drones e índices de vegetação em condições operacionais. Sensoriamento Remoto 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Estudo de tecnologias de comunicação sem fio na Internet das Coisas para agricultura de precisão. Pessoa sem fio. Comum. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. A teoria dos custos de transação na investigação em negócios internacionais: um estudo bibliométrico ao longo de três décadas. Cientometria 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Avanços na agricultura de precisão no sudeste da Austrália. I. uma metodologia de regressão para simular
variação espacial na produção de cereais usando a produção histórica dos piquetes dos agricultores e o índice de vegetação por diferença normalizada. Cultura Pastagem Sci. 60 (9), 844-858.
Floreano, D., Wood, RJ, 2015. Ciência, tecnologia e o futuro dos pequenos drones autônomos. Natureza 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet das coisas para o futuro da agricultura inteligente: uma pesquisa abrangente de tecnologias emergentes. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Segmentação de plantas de figo a partir de imagens aéreas usando uma rede codificadora-decodificadora convolucional profunda. Sensoriamento Remoto 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. Desafio dos UAVs para avaliar o estresse hídrico para
Agricultura sustentável. Agrícola. Gestão de Água. 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. Imagens térmicas na planta
nível para avaliar o estado da água das culturas em amendoeiras (cv. Guara) sob estratégias de irrigação deficitárias. Agrícola. Gestão de Água. 208, 176-186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Medições de refletância de superfície e espectroscopia de fluorescência induzida pelo sol usando um pequeno UAS hiperespectral. Sensoriamento Remoto 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Um método automático para
mapeamento de ervas daninhas em campos de aveia com base em imagens de UAV. Computação. Elétron. Agrícola.
Gebbers, R., Adamchuk, VI, 2010. Agricultura de precisão e segurança alimentar. Ciência 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Modelagem espectral e espacial combinada da produtividade do milho com base em imagens aéreas e modelos de superfície de colheita adquiridos com um sistema de aeronave não tripulada. Sensoriamento Remoto 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Design sustentável para usuários: uma revisão de literatura e análise bibliométrica. Meio Ambiente. Ciência. Poluição. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Geração de superfícies de resposta espectral-temporal combinando satélite multiespectral e hiperespectral
Imagens de UAV para aplicações em agricultura de precisão. IEEE J. Sel. Principal. Apl. Terra Obs. Sensor Remoto 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Agricultura baseada em IoT como nuvem e serviço de big data: o início da Índia digital. J. Org. e computação do usuário final. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Análise de cocitação e busca por faculdades invisíveis: uma avaliação metodológica. Cientometria 57 (1), 27–57. https://doi.org/10.1023/
R: 1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Contagens digitais de plantas de milho por veículos aéreos não tripulados (UAVs). Sensoriamento Remoto 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Um veículo aéreo não tripulado de asa rotativa para vigilância de ervas daninhas aquáticas e
gerenciamento. J. Intel. Sistema Robótico: Teor. Apl. 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. Avaliação da precisão de mosaicos de imagens de veículos aéreos não tripulados (UAV) para fins de agricultura de precisão em trigo. Preciso. Agrícola. 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. Fenotipagem de campo do estresse hídrico em escala de árvore por imagens detectadas por UAV : novos insights para
aquisição térmica e calibração. Preciso. Agrícola. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Aplicabilidade e limitações da utilização do índice de estresse hídrico cultural como indicador de déficit hídrico em pomares cítricos. Agrícola. 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. Usando imagens térmicas de UAV de alta resolução para
avaliar a variabilidade no estado hídrico de cinco espécies de árvores frutíferas em um pomar comercial. Preciso. Agrícola. 14 (6), 660-678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Alfabetização financeira: uma revisão sistemática e análise bibliométrica. Interno. J. Estudos do Consumidor 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. O potencial fotogramétrico de UAVs de baixo custo na silvicultura e na agricultura. Arquivos Internacionais de Fotogrametria, Sensoriamento Remoto e Ciências da Informação Espacial – Arquivos ISPRS 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Avaliando correlação de alta resolução
NDVI com nível de aplicação de fertilizantes e produtividade das culturas de arroz e trigo utilizando pequenos VANTs. Sensoriamento Remoto 11 (2), 112.
Gundolf, K., Filser, M., 2013. Pesquisa gerencial e religião: uma análise de citações. J. Ônibus. Ética 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simulação CFD e verificação experimental do espaço e distribuições temporais de
o fluxo de ar descendente de um UAV agrícola de quatro rotores pairando. Computação. Elétron. Agrícola. 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. , Polônia, J., 2016.
Aplicação de sistemas aéreos não tripulados para fenotipagem de alto rendimento de grandes viveiros de melhoramento de trigo. Métodos de Planta 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ onen, ¨I., 2013. Imagens espectrais de UAVs sob diversas condições de iluminação . Em GG Bill R. (Ed.), Arquivos Internacionais de Fotogrametria, Sensoriamento Remoto e Ciências da Informação Espacial - Arquivos ISPRS (Vol. 40, Edição 1W2, pp. 189–194). Sociedade Internacional de Fotogrametria e Sensoriamento Remoto. 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.Avaliação de técnicas para mapeamento de vegetação insular a partir de dados aéreos não tripulados
imagens de veículos (UAV): classificação de pixels, interpretação visual e abordagens de aprendizado de máquina. Interno. J. Appl. Terra Obs. 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 através de liderança responsável em Bangladesh: possibilidades, oportunidades e muito mais.
Sustentabilidade 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Veículos pilotados remotamente de pequena escala em pesquisa ambiental. Bússola de Geografia 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Veículos aéreos não tripulados de pequena escala em sensoriamento remoto ambiental: desafios e oportunidades. GISci. Sensor Remoto 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Internet das Coisas Agrícolas: tecnologias e aplicações, (1ª ed. Edição de 2021). Springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004.
Imagens de um veículo aéreo não tripulado: vigilância agrícola e apoio à decisão. Computação. Elétron. Agrícola. 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, Fenotipagem de campo de alto rendimento da altura da planta de trigo e taxa de crescimento em testes de campo usando sensoriamento remoto baseado em UAV. Sensoriamento Remoto 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. Processamento e avaliação de imagens espectrométricas e estereoscópicas coletadas usando uma câmera espectral UAV leve para agricultura de precisão. Sensoriamento Remoto 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Serviços de Internet das Coisas baseados em veículos aéreos não tripulados de baixa altitude: pesquisa abrangente e 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. Fluxo óptico combinado e navegação estéreo de desfiladeiros urbanos para um UAV. In: 2005 IEEE/RSJ
Conferência Internacional sobre Robôs e Sistemas Inteligentes, pp. https://doi.org/3309/IROS.3316.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Uma plataforma agrícola criativa de IoT para computação em nuvem. Sustentar. Computação. Inf. Sist. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Uma rede totalmente convolucional para mapeamento de ervas daninhas de veículos aéreos não tripulados ( imagens de UAV). PLoS UM 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Aprendizado profundo versus análise de imagem baseada em objetos (OBIA) no mapeamento de ervas daninhas de imagens de UAV. Internacional J.
Sensor Remoto 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. Calibração profunda de cores para imagens de UAV no monitoramento de culturas
usando transferência de estilo semântico com atenção local para global. Interno. J. Appl. Terra Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Desenvolvimento e prospecção de tecnologias de veículos aéreos não tripulados para produção agrícola
gerenciamento. Interno. J. Agric. Biol. Eng. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Desenvolvimento de um sistema de pulverização para uma plataforma de veículo aéreo não tripulado. Apl. Eng. Agrícola. 25 (6), 803-809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Aquisição de fotografias digitais NIR-verde-azul de
aeronaves não tripuladas para monitoramento de colheitas. Sensoriamento Remoto 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Sensoriamento remoto de culturas e solos baseado em satélites e drones para uma agricultura inteligente – uma revisão. Ciência do Solo. Planta Nutr. 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. Uma revisão de aplicações e tecnologias de comunicação para Internet das Coisas (IoT) e
Agricultura inteligente sustentável baseada em veículos aéreos não tripulados (UAV). Sustentabilidade 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Avaliação da precisão de modelos de superfície digital de alta resolução calculados por
PhotoScan® e MicMac® em condições de pesquisa abaixo do ideal. Sensoriamento Remoto 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. Quantificação dos impactos da poda na arquitetura da oliveira e anual crescimento do dossel usando modelagem 3D baseada em UAV. Métodos de Planta 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Estimativas da densidade de plantas de culturas de trigo na emergência de imagens de UAV de altitude muito baixa. Sensor remoto.
Meio Ambiente. 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 monitoramento de produtos agrícolas suportado por computação em nuvem. Computação em cluster. 22 (4), 8929–8938.
Ju, C. e Filho, HI 2018a. Avaliação de desempenho de múltiplos sistemas UAV para sensoriamento remoto na agricultura. Anais do Workshop sobre Visão e Ação Robótica na Agricultura na Conferência Internacional IEEE sobre Robótica e Automação (ICRA), Brisbane, Austrália, 21–26.
Ju, C., Filho, HI, 2018b. Vários sistemas UAV para aplicações agrícolas: controle, implementação e avaliação. Eletrônica 7 (9), 162. https://doi.org/10.3390/
eletrônica7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. O potencial do sensoriamento remoto e da inteligência artificial como ferramentas para melhorar o
resiliência dos sistemas de produção agrícola. Curr. Opinião. Biotecnologia. 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. Uma técnica aprimorada de reconhecimento de culturas que incorpora imagens multiespectrais de culturas assistidas por veículos aéreos não tripulados na prática convencional de reconhecimento para a queima gomosa do caule na melancia. Planta Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Avanços na pesquisa de mídia social: passado, presente e futuro. Informar. Sist. Frente. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: rede de detecção de doenças da videira baseada em imagens multiespectrais e mapa de profundidade. Sensoriamento Remoto 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Comparação de imagens multiespectrais baseadas em satélite e UAV para vinhedos
avaliação de variabilidade. Sensoriamento Remoto 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. Sistema de proveniência otimizado habilitado para IoT-blockchain para a indústria de alimentos 4.0 usando aprendizagem profunda avançada. Sensores 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Detecção de doenças de plantas baseada em imagens: do aprendizado de máquina clássico à jornada de aprendizado profundo. Comun. sem fio. Computação Móvel. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Uma nova estrutura semissupervisionada para classificação de culturas/ervas daninhas baseada em UAV. PLoS UM 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Uma visão geral das aplicações atuais e potenciais do sensoriamento remoto térmico na agricultura de precisão. Computação. Elétron.
Agrícola. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolução da Internet das Coisas (IoT) e seu impacto significativo no campo da Agricultura de Precisão. Computação. Elétron. Agrícola. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Engajamento dos funcionários para organizações sustentáveis: análise de palavras-chave usando análise de redes sociais e explosão
abordagem de detecção. Sustentabilidade 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integração terrestres e transportados por drones
métodos de detecção hiperespectral e fotogramétrica para mapeamento de exploração e monitoramento de mineração. Sensoriamento Remoto 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Contagem de plantas de milho usando deep learning e imagens de UAV. IEEE Geociências. Sensor Remoto Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Aprendizado de máquina automatizado para fenotipagem de plantas baseada em imagens de alto rendimento. Sensoriamento Remoto 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Tendências tecnológicas modernas no desenvolvimento do ecossistema de UAVs 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 pecuária e agricultura indoor usando um pequeno drone com câmera monocular: um estudo de viabilidade.
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. Pesquisa de drones para automação agrícola desde o plantio até
colheita. In: INES 2018 – IEEE 22ª Conferência Internacional sobre Sistemas Inteligentes de Engenharia, pp. https://doi.org/000353/INES.358.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Visões e desafios da estrutura de IoT de UAV: para proteger os drones como “Coisas”. Sensores 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Processamento de imagens e procedimentos de classificação para análise de imagens subdecimétricas adquiridas com uma aeronave não tripulada em regiões áridas
pastagens. GISci. Sensor Remoto 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Veículos aéreos não tripulados para mapeamento e monitoramento de pastagens: uma comparação de dois sistemas. Anais da Conferência Anual da ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Um fluxo de trabalho de código aberto para mapeamento de ervas daninhas em pastagens nativas
usando veículo aéreo não tripulado: usando Rumex obtusifolius como estudo 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. Adoção, lucratividade e melhor uso dos dados da agricultura de precisão.
Documento de trabalho. Universidade de Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Avaliação de imagens de veículos aéreos não tripulados para monitoramento quantitativo da cultura do trigo em pequenas parcelas. Sensores 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Projeto de agricultura inteligente baseada em big data e Internet das coisas. Interno. J. Distribuição. Sens. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Estimativa remota da altura do dossel e biomassa acima do solo do milho usando imagens estéreo de alta resolução de um sistema de veículos aéreos não tripulados de baixo custo. Eco. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Aprendizado de máquina na agricultura: uma revisão. Sensores 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Fenotipagem aérea remota de características de milho com uma abordagem multissensor móvel. Métodos de Plantas 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Detecção e contagem de panículas de sorgo usando imagens de sistemas aéreos não tripulados e aprendizagem profunda. Frente. Ciência das Plantas. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Sistema de monitoramento da Internet das Coisas da ecoagricultura moderna baseado na computação em nuvem. Acesso IEEE 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Detecção de ervas daninhas para manejo específico de ervas daninhas: mapeamento e abordagens em tempo real. Erva Daninha Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´ F., Torres-Sanchez, ´ J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Monitoramento precoce baseado em objeto de uma erva daninha em uma cultura de grama usando imagens de UAV de alta resolução. Agro. Sustentar. Dev. 36 (4), 1–12
Lopez-Granados, ´ F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Mapeamento de ervas daninhas no início da temporada em girassol usando tecnologia UAV: variabilidade de mapas de tratamento com herbicidas em relação aos limites de ervas daninhas. Preciso. Agrícola. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – espectroscopia de imagem de um sistema de aeronave não tripulada multirotor. 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., & Kleemola, J., 2008. Varredura a laser terrestre de culturas agrícolas. Em JJ
Chen J. Maas H – G. (Ed.), Arquivos Internacionais de Fotogrametria, Sensoriamento Remoto e Ciências da Informação Espacial - Arquivos ISPRS (Vol. 37, pp. 563–566).
Sociedade Internacional de Fotogrametria e Sensoriamento Remoto. 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. Uma revisão da classificação de imagens de cobertura terrestre baseada em objetos supervisionados. ISPRS J. Fotograma. Sensor Remoto 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspectivas para sensoriamento remoto com veículos aéreos não tripulados na agricultura de precisão. Tendências 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.
Fenotipagem de soja baseada em sistema aéreo não tripulado (UAS) usando fusão de dados multissensor e máquina de aprendizado extremo. ISPRS J. Fotograma. Sensor Remoto 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.
Monitoramento de colheitas usando fusão de dados de satélite/UAV e aprendizado de máquina. Sensoriamento Remoto 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 o uso de sistemas aéreos não tripulados para
monitoramento ambiental. Sensoriamento Remoto 10 (4), 641.
Marinko, RA, 1998. Citações de periódicos de estudos femininos em dissertações, 1989 e The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Gerenciamento de recursos em redes sem fio assistidas por UAV: uma perspectiva de otimização. Rede Ad Hoc. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Aplicações práticas de uma plataforma UAV multisensor baseada em imagens multiespectrais, térmicas e RGB de alta resolução com precisão
viticultura. Agricultura 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Além do índice NDVI tradicional como fator chave para generalizar o uso de UAV na viticultura de precisão. Ciência. Rep.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 . Intercomparação de UAV, aeronaves.
e plataformas de sensoriamento remoto por satélite para viticultura de precisão. Sensoriamento Remoto 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV e refinamento baseado em aprendizado de máquina de um índice de vegetação orientado por satélite para precisão
agricultura. Sensores 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Mapeando autores no espaço intelectual: uma visão técnica. Geléia. Soc. Informações. Ciência. 41 (6), 433-443.
Meinen, BU, Robinson, DT, 2021. Modelagem de erosão agrícola: avaliando estimativas de erosão em escala de campo USLE e WEPP usando dados de séries temporais de UAV. Meio Ambiente. Modelo. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Classificação de comunidades de pastagens nativas de terras baixas usando imagens hiperespectrais de sistema de aeronaves não tripuladas (UAS) no
Midlands da Tasmânia. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. Aplicações de imagens térmicas de UAV na agricultura de precisão: estado da arte e perspectivas de pesquisas futuras. Sensoriamento Remoto 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Um estudo bibliográfico sobre big data: conceitos, tendências e desafios. Gerenciamento de processos de negócios. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Melhoria de culturas usando conjuntos de dados de ciclo de vida adquiridos em condições de campo. Frente. Ciência das Plantas. 6 https://doi.org/10.3389/
pls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Revisão sobre aplicação de sistemas drones na agricultura de precisão. Procedia Computação. Ciência. 133, 502–509.
Moharana, S., Dutta, S., 2016. Variabilidade espacial do teor de clorofila e nitrogênio do arroz a partir de imagens hiperespectrais. ISPRS J. Fotograma. Sensor Remoto 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT e análise de dados agrícolas para fazendas inteligentes. Computação. Elétron. Agrícola. 156, 467-474.
Nansen, C., Elliott, N., 2016. Sensoriamento remoto e perfil de refletância em entomologia. Anu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Mapeamento multiespectral na agricultura: mosaico de terreno usando um UAV quadricóptero autônomo. Interno. Conf.
Sistema de aeronaves não tripuladas. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. A internet dos drones (Iodt): visão futura dos drones inteligentes. Av. Intel. Sist. Computação. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Um sensor multiespectral leve para micro UAV - oportunidades para sensoriamento remoto aerotransportado de altíssima resolução. Interno. Arco. Fotograma. Sensor Remoto. Inf. Ciência 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Aplicações emergentes de UAV na agricultura. In: 2019ª Conferência Internacional sobre Tecnologia de Inteligência Robótica de 7 e
Aplicações (RiTA), pp. https://doi.org/254/RITAPP.257.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. A estrutura intelectual do campo da gestão estratégica: uma análise de cocitação de autores. Estratégia. Gerenciar. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Identificação automática e monitoramento de doenças de plantas usando veículos aéreos não tripulados: uma revisão. Sensoriamento Remoto 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV para aplicações de mapeamento 3D: uma revisão. Apl. 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. Estimativa de evapotranspiração com pequenos UAVs na agricultura de precisão. Sensores 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometria, Análise de Citação e Análise de Co-Citação. Uma revisão da 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 e processamento de dados em agrofloresta: uma revisão para aplicações práticas. Internacional J. Sensor Remoto 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, EUA, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Uma revisão sobre soluções de dados baseadas em drones para culturas de cereais. Drones 4 (3), 1–29. https://doi.org/10.3390/
drones4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Estimativa do teor de óleo e proteína de sementes de gergelim usando processamento de imagem e rede neural artificial. Geléia. Óleo
Sociedade de Químicos. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Mapeamento de ervas daninhas em campos de milho no início da temporada usando análise baseada em objetos de
Imagens de veículos aéreos não tripulados (UAV). PLoS UM 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Um sistema semissupervisionado para mapeamento de ervas daninhas em culturas de girassol usando veículos aéreos não tripulados e um método de detecção de fileiras de culturas. Apl. Computação suave. Jornada 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Dispositivos IoT econômicos como fontes de dados confiáveis para um sistema de gestão de água baseado em blockchain na agricultura de precisão. Computação. Elétron. Agrícola. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Sistema avançado UAV – WSN para monitoramento inteligente em agricultura de precisão. Sensores 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Aplicações Blockchain em cadeias de abastecimento, transporte e logística: uma revisão sistemática da literatura. Internacional J.Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Um veículo aéreo não tripulado flexível para agricultura de precisão.
Preciso. Agrícola. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliografia estatística ou bibliometria. J. Documento. 25 (4), 348-349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. A adequação de um veículo aéreo não tripulado (UAV) para a avaliação de campos experimentais e culturas. Agricultura 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Drones agrícolas: um avanço moderno na agricultura de precisão. J. Estatística. Gerenciar. Sist. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Uma compilação de aplicações de UAV para agricultura de precisão. Computação. Rede. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Aplicação de análise de big data e inteligência artificial na pesquisa agronômica. Indiano J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Uma análise bibliométrica sobre o uso de veículos aéreos não tripulados em estudos agrícolas e florestais. Internacional J. Sensor Remoto 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Usos potenciais de pequenos sistemas de aeronaves não tripuladas (UAS) na pesquisa de ervas daninhas. Erva Daninha Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Os índices de vegetação são derivados de câmeras de consumo montadas em
UAVs suficientemente confiáveis para avaliar parcelas experimentais? 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. Digitalização nas cadeias de abastecimento alimentar: uma revisão bibliométrica e caminho principal da rota principal
análise. Sustentabilidade 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drones para gerenciamento e logística da cadeia de suprimentos: uma agenda de revisão e pesquisa. Interno. J. Logista. Res. Apl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Tecnologias Blockchain na logística e gestão da cadeia de suprimentos: uma revisão bibliométrica. Logística 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Drones humanitários: uma agenda de revisão e pesquisa. Internet das Coisas 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Pesquisa Blockchain na área da saúde: uma revisão bibliométrica e tendências atuais de pesquisa. J. de Dados, Inf. e
Gerenciar. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Pesquisa de Internet das Coisas em gestão e logística da cadeia de suprimentos: uma análise bibliométrica. Internet
das Coisas 12, 100318.
ReportLinker, 2021. Mercado global de drones agrícolas atingirá US$ 15.2 bilhões até o anoGlobeNewswire News Room. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Ano-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T.,Moreno, MA, 2017. Calibração de câmera térmica não resfriada e otimização do
processo de fotogrametria para aplicações de UAV na agricultura. Sensores (Suíça) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Avanços na pesquisa em hospitalidade: “De Rodney Dangerfield a Aretha Franklin”. Internacional J. Contemporâneo. Hospital. Gerenciar. 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 baseado em mini-UAV para medição de variáveis ambientais em estufas. Sensores 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV de consumo utilizado para detectar e analisar padrões de distribuição espacial de ervas daninhas no final da temporada em campos comerciais de cebola. Preciso. Agrícola. 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. Não tripulado sistema de câmera espectral operado por veículo aéreo (UAV) para aplicações florestais e agrícolas. Continuar. SPIE – Int. Soc. Optar. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Análise de barreiras para implementar logística de drones. Internacional J. Logista. Res. Apl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, drone baseado em IOT para melhoria da qualidade das colheitas no campo agrícola. Em SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8º Workshop e Conferência Anual de Computação e Comunicação, CCWC 2018 (Vols. 2018-janeiro, pp. 612–615). Instituto
de Engenheiros Elétricos e Eletrônicos Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: uma comunicação nova e eficiente baseada em LED para agricultura de precisão. Conferência IEEE. Informações. Comum. Tecnologia. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Experimentos de voo com UAV aplicados ao sensoriamento remoto de áreas com vegetação. Sensoriamento Remoto 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 imagens aéreas de baixa altitude e alta resolução para fenotipagem de culturas em fileiras e campos: uma revisão. 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. Imagens térmicas baseadas em UAV de alta resolução para estimar o
variabilidade instantânea e sazonal do estado da água das plantas dentro de um vinhedo. Agrícola. Gestão de Água. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Além da análise de citações: Um modelo para avaliação do impacto da pesquisa. J. Med. Biblioteca Associada. : 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 imagem relacionada à ciência do sistema terrestre - uma avaliação. Sensoriamento Remoto Meio Ambiente. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Monitoramento de parâmetros agronômicos de culturas de trigo de inverno com UAV de baixo custo
imagens. Sensoriamento Remoto 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Desenvolvimento e aplicação de um veículo aéreo não tripulado autônomo para amostragem aerobiológica precisa acima
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.,
Habilitando a agricultura de precisão por meio de sensoriamento integrado com inteligência artificial. IEEE Trans. Instrumento. Medidas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Veículos Aéreos Não Tripulados (UAVs): uma pesquisa sobre aplicações civis e principais desafios de pesquisa. Acesso IEEE 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Agricultura orientada por big data: análise de big data no melhoramento de plantas, genômica e uso de sensoriamento remoto
tecnologias para aumentar a produtividade das culturas. Fenômeno da Planta J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Análise comparativa e implicação de UAV e IA em investigações forenses. In: Procedimentos – 2019 Amity International
Conferência sobre Inteligência Artificial. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. O papel da inteligência artificial na gestão da cadeia de abastecimento: mapeando o território. Interno. J.
Prod. Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Veículos aéreos não tripulados para fenotipagem de alto rendimento e pesquisa agronômica. PLoS UM
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Capturando a heterogeneidade do povoamento de milho em zonas de estabilidade de rendimento usando antena não tripulada
Veículos (UAV). Sensores 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Cocitação na literatura científica: uma nova medida da relação entre dois documentos. Geléia. Soc. Informações. Ciência. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualizando a ciência por meio do mapeamento de citações. Geléia. Soc. Informações. Ciência. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Contagem de gado na natureza com imagens aéreas geolocalizadas em grandes áreas de pastagem. Computação. Elétron. Agrícola. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Uma abordagem para otimização de rotas em aplicações de agricultura de precisão usando UAVs. Drones 4 (3), 58. https://doi.org/10.3390/drones4030058.
Stafford, JV, 2000. Implementando a agricultura de precisão no século XXI. J. Agric. Eng. Res. 21 (76), 3–267.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Avaliação da seca do trigo por imagens de sensoriamento remoto usando veículo aéreo não tripulado. Em 2018, 37ª Conferência Chinesa de Controle (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Monitoramento da ferrugem amarela do trigo aprendendo com imagens aéreas multiespectrais de UAV.
Computação. Elétron. Agrícola. 155, 157-166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Inovação da gestão económica agrícola no processo de construção de uma agricultura inteligente através de big data. Computação Sustentável. Inf. Sist. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Avaliando a sensibilidade de um sistema aéreo infravermelho térmico não tripulado para detectar estresse hídrico em uma copa de algodão. Trad. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integração de índice de vegetação baseado em RGB, modelo de superfície de cultura e abordagem de análise de imagem baseada em objetos para estimativa de rendimento de cana-de-açúcar usando veículo aéreo não tripulado. Computação. Elétron. Agrícola. 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. Um sistema de mapeamento hiperespectral leve para
veículos aéreos não tripulados – os primeiros resultados. In: 2013º Workshop sobre Processamento Hiperespectral de Imagens e Sinais de 5: Evolução em Sensoriamento Remoto (WHISPERS), pp. https://doi.org/1/WHISPERS.4.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Um hiperespectral leve
sistema de mapeamento e cadeia de processamento fotogramétrico para veículos aéreos não tripulados. Sensoriamento Remoto 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Estratégias avançadas de controle usando processamento de imagem, UAV e IA na agricultura: uma revisão. Mundial J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Processamento de informações usando citações para investigar a influência dos periódicos na contabilidade. Inf. Processo. Gerenciar. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Um inquérito sobre a rede 5G e o seu impacto na agricultura: desafios e oportunidades. Computação.
Elétron. Agrícola. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Tomada de decisão baseada em dados na agricultura de precisão: a ascensão do big data nos sistemas agrícolas. J. Agric. Informações sobre alimentos.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Estimativa do rendimento e altura da planta de trigo de inverno usando UAV- imagens hiperespectrais baseadas.
Sensores 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Amostragem aerobiológica coordenada de um patógeno vegetal na baixa atmosfera usando dois veículos aéreos não tripulados autônomos. 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. Detecção e classificação de pragas de soja usando aprendizagem profunda
com imagens de UAV. Computação. Elétron. Agrícola. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. O uso de Uas para avaliar sistemas agrícolas em uma zona úmida na Tanzânia no— E WetSeason para agricultura sustentável e fornecimento de informações básicas para dados do Terra-Sar X. In: ISPRS – Arquivos Internacionais de Fotogrametria, Sensoriamento Remoto e Ciências da Informação Espacial, pp. https://doi.org/401/isprsarchivesXL-406-W10.5194-1-2.
Thelwall, M., 2008. Bibliometria para webometria. J. Informações. Ciência. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Um método automático baseado em objetos para limiarização ideal em imagens de UAV: aplicação para detecção de vegetação em culturas herbáceas. Computação. Elétron. Agrícola. 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. Monitoramento 3-D de alto rendimento de plantações de árvores agrícolas com Tecnologia de Veículo Aéreo Não Tripulado (UAV). PLoS UM 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Mapeamento multitemporal da fração de vegetação em campos de trigo no início da temporada usando imagens de UAV. Computação. Elétron. Agrícola. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Uma revisão sobre aplicações baseadas em UAV para agricultura de precisão. Informações (Suíça) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Otimizando o planejamento de voo de drones para medir a estrutura de culturas de árvores hortícolas. ISPRS J. Fotograma.
Sensor Remoto 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet das Coisas na agricultura, avanços recentes e desafios futuros. Biossist. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Mapeamento cientométrico da pesquisa em ciência da computação no México. Cientometria 105 (1), 97–114.
ONU., 2019. Perspectivas da população mundial 2019. https://population.un.org/wpp/ (Acessado em 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Caracterização de arrozais por um sistema de sensor hiperespectral em miniatura montado em UAV. IEEE J. Sel. Principal. Apl. Terra Obs.
Sensor Remoto 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 em
agricultura. Av. Agro. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Veículos Aéreos Não Tripulados (VANT) na agricultura de precisão: aplicações e desafios. Energias 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Mapeamento e classificação de habitats marinhos ecologicamente sensíveis usando antena não tripulada
Imagens de veículos (UAV) e análise de imagens baseada em objetos (OBIA). Sensoriamento Remoto 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 um sistema aéreo não tripulado sobre culturas de trigo e colza . Sensoriamento Remoto Meio Ambiente. 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. Implantação de quatro sensores ópticos baseados em UAV em pastagens: desafios e
limitações. Biogeociências 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet de coisas subterrâneas na agricultura de precisão: aspectos de arquitetura e tecnologia. Rede Ad Hoc. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Inteligência artificial responsável como ingrediente secreto para a saúde digital: análise bibliométrica, insights e direções de pesquisa.
Informações. Sist. Frente. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Análise bibliométrica da tendência de pesquisa de sensoriamento remoto no monitoramento do crescimento de culturas: Um estudo de caso na China. Sensoriamento Remoto 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Cocitação do autor: Uma medida literária da estrutura intelectual. Geléia. Soc. Informações. Ciência. 32 (3), 163-171.
Xiang, H., Tian, L., 2011. Desenvolvimento de um sistema de sensoriamento remoto agrícola de baixo custo baseado em um veículo aéreo não tripulado autônomo (UAV). Biossist. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Uma revisão sobre características de fenotipagem de alto rendimento de plantas usando sensores baseados em UAV. Computação. Elétron. Agrícola. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Veículo aéreo não tripulado para aplicações de sensoriamento remoto – uma revisão. Sensoriamento Remoto 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Rastreamento de pessoas em movimento e remoção de rastros falsos com imagem térmica infravermelha por um 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. Uma comparação da estimativa de parâmetros de colheita usando imagens montado em UAV
sensor hiperespectral instantâneo e câmera digital de alta definição. Sensoriamento Remoto 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Estimativa da biomassa acima do solo do trigo de inverno usando veículo aéreo não tripulado- instantâneo baseado
sensor hiperespectral e modelos aprimorados de altura de corte. Sensoriamento Remoto 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Uso de veículos aéreos não tripulados leves para monitorar a recuperação de florestas tropicais. 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 agrícola inteligente baseada em computação de borda e nuvem. Biossist. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Quantificação da altura das árvores usando imagens de altíssima resolução adquiridas de uma antena não tripulada
veículo (UAV) e métodos automáticos de foto-reconstrução 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. Fenotipagem baseada em imagens da intensidade de floração em culturas de estação fria. Sensores 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. A aplicação de pequenos sistemas aéreos não tripulados para agricultura de precisão: uma revisão. Preciso. Agrícola. 13 (6), 693-712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mapeamento do estresse hídrico do milho com base em sensoriamento remoto multiespectral de UAV. Sensoriamento Remoto 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. Uma abordagem baseada em aprendizagem profunda para ferrugem amarela automatizada
detecção de doenças a partir de imagens hiperespectrais de UAV de alta resolução. Sensoriamento Remoto 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Detecção e discriminação de doenças e estresse de insetos em plantas de chá usando imagens hiperespectrais combinadas com análise wavelet. Computação. Elétron. Agrícola. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. A entropia guiou a adaptação do domínio adversário para segmentação semântica de imagens aéreas. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Detecção da fenologia do arroz através da análise de séries temporais de espectros terrestres dados de índice. Cultivos de Campo Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Projeto de um sistema de semeadura de vazamento para agricultura de precisão baseado em sensores sem fio. Interno. J. Eng. Online. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Análise das mudanças na altura das plantas de milho alojado usando dados 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: Um software de análise de imagem de milho usando aprendizagem profunda para fenotipagem de plantas de alto rendimento . Métodos de Plantas 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. Previsão do rendimento de grãos em arroz usando vegetação multitemporal
índices de imagens multiespectrais e digitais baseadas em UAV. ISPRS J. Fotograma. Sensor Remoto 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulação da tecnologia central de um sistema de monitoramento de estufas baseado em uma rede de sensores sem fio. Interno. J. Eng. Online. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Avaliação do estresse hídrico nas culturas com imagens térmicas infravermelhas na agricultura de precisão: uma revisão
e perspectivas futuras para aplicações de aprendizagem profunda. Computação. Elétron. Agrícola. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.