அப்தெரஹ்மான் ரெஜெப் a , அலிரேசா அப்துல்லாஹி b , கரீம் ரெஜெப் c , Horst Treiblmaier d,
- a மேலாண்மை மற்றும் சட்டத் துறை, பொருளாதார பீடம், ரோம் பல்கலைக்கழகம் டோர் வெர்கடா, கொலம்பியா வழியாக, 2, ரோம் 00133, இத்தாலி
- b வணிக நிர்வாகத் துறை, மேலாண்மை பீடம், கராஸ்மி பல்கலைக்கழகம், 1599964511 தெஹ்ரான், ஈரான்
- c Bizerte அறிவியல் பீடம், கார்தேஜ் பல்கலைக்கழகம், Zarzouna, 7021 Bizerte, துனிசியா
- d ஸ்கூல் ஆஃப் இன்டர்நேஷனல் மேனேஜ்மென்ட், மாடுல் யுனிவர்சிட்டி வியன்னா, ஆம் கஹ்லன்பெர்க் 1, 1190 வியன்னா, ஆஸ்திரியா
கட்டுரை தகவல் | ஆய்வுசுருக்கம் |
முக்கிய வார்த்தைகள்: ட்ரான்ஸ் யூஏவி துல்லிய விவசாயம் திங்ஸ் இணைய பைபிலியோமெட்ரிக்ஸ் | ஆளில்லா வான்வழி வாகனங்கள் (UAV) என்றும் அழைக்கப்படும் ட்ரோன்கள் சமீபத்திய தசாப்தங்களில் குறிப்பிடத்தக்க வளர்ச்சியைக் கண்டுள்ளன. விவசாயத்தில், அவர்கள் விவசாயிகளுக்கு கணிசமான செலவு சேமிப்புகளை வழங்குவதன் மூலம் விவசாய நடைமுறைகளை மாற்றியுள்ளனர் செயல்பாட்டு திறன் மற்றும் சிறந்த லாபம். கடந்த தசாப்தங்களாக, விவசாய ட்ரோன்களின் தலைப்பு உள்ளது குறிப்பிடத்தக்க கல்வி கவனத்தை ஈர்த்தது. எனவே, நூலியல் அளவீடுகளின் அடிப்படையில் ஒரு விரிவான மதிப்பாய்வை நடத்துகிறோம் தற்போதுள்ள கல்வி இலக்கியங்களை சுருக்கி கட்டமைக்கவும், தற்போதைய ஆராய்ச்சி போக்குகள் மற்றும் ஹாட்ஸ்பாட்களை வெளிப்படுத்தவும். நாங்கள் பிப்லியோமெட்ரிக் நுட்பங்களைப் பயன்படுத்தவும் மற்றும் விவசாய ட்ரோன்களைச் சுற்றியுள்ள இலக்கியங்களை சுருக்கமாகவும் பகுப்பாய்வு செய்யவும் முந்தைய ஆராய்ச்சியை மதிப்பிடுங்கள். ரிமோட் சென்சிங், துல்லியமான விவசாயம், ஆழ்ந்த கற்றல், இயந்திர கற்றல் மற்றும் இன்டர்நெட் ஆஃப் திங்ஸ் ஆகியவை விவசாய ட்ரோன்கள் தொடர்பான முக்கியமான தலைப்புகள் என்பதை எங்கள் பகுப்பாய்வு சுட்டிக்காட்டுகிறது. இணை மேற்கோள் பகுப்பாய்வு இலக்கியத்தில் ஆறு பரந்த ஆராய்ச்சிக் குழுக்களை வெளிப்படுத்துகிறது. இந்த ஆய்வு விவசாயத்தில் ட்ரோன் ஆராய்ச்சியை சுருக்கி எதிர்கால ஆராய்ச்சி திசைகளை பரிந்துரைக்கும் முதல் முயற்சிகளில் ஒன்றாகும். |
அறிமுகம்
விவசாயம் உலகின் முதன்மையான உணவு ஆதாரமாக விளங்குகிறது (Friha et al., 2021), மேலும் இது கடுமையான சவால்களை எதிர்கொள்கிறது.
உணவுப் பொருட்களுக்கான தேவை அதிகரிப்பு, உணவுப் பாதுகாப்பு மற்றும் பாதுகாப்புக் கவலைகள் அத்துடன் சுற்றுச்சூழல் பாதுகாப்பு, நீர் பாதுகாப்பு மற்றும்
நிலைத்தன்மை (Inoue, 2020). 9.7 ஆம் ஆண்டளவில் உலக மக்கள்தொகை 2050 பில்லியனை எட்டும் என மதிப்பிடப்பட்டுள்ளதால் இந்த வளர்ச்சி தொடரும் என்று கணிக்கப்பட்டுள்ளது
(2019) உலகளாவிய ரீதியில் நீர் நுகர்வுக்கு விவசாயம் மிக முக்கிய எடுத்துக்காட்டாக விளங்குவதால், உணவு தேவை மற்றும் நீர் எதிர்பார்க்கப்படுகிறது
எதிர்காலத்தில் நுகர்வு வியத்தகு அளவில் அதிகரிக்கும். மேலும், உரம் மற்றும் பூச்சிக்கொல்லிகளின் நுகர்வு அதிகரித்து வருகிறது
விவசாய நடவடிக்கைகளின் தீவிரத்துடன் இணைந்து எதிர்கால சுற்றுச்சூழல் சவால்களுக்கு வழிவகுக்கும். இதேபோல், விளை நிலம் குறைவாக உள்ளது
உலகம் முழுவதும் விவசாயிகள் எண்ணிக்கை குறைந்து வருகிறது. இந்த சவால்கள் புதுமையான மற்றும் நிலையான விவசாய தீர்வுகளின் தேவையை வலியுறுத்துகின்றன (எலியா
மற்றும் பலர், 2018; ஃப்ரிஹா மற்றும் பலர்., 2021; Inoue, 2020; Tzounis மற்றும் பலர்., 2017).
இந்த சவால்களை எதிர்கொள்ள புதிய தொழில்நுட்பங்களை இணைத்துக்கொள்வது ஒரு நம்பிக்கைக்குரிய தீர்வாக அடையாளம் காணப்பட்டுள்ளது. ஸ்மார்ட் விவசாயம் (ப்ரூஸ்டர் மற்றும் பலர்.,
2017; டாங் மற்றும் பலர், 2021) மற்றும் துல்லியமான விவசாயம் (ஃபெங் மற்றும் பலர், 2019; கன்னா & கவுர், 2019) போன்ற விவாதங்களின் விளைவாக வெளிப்பட்டது. தி
முன்னது என்பது, தகவல் தொடர்பு தொழில்நுட்பங்கள் (ICT) மற்றும் விவசாய நடவடிக்கைகளில் மற்ற அதிநவீன கண்டுபிடிப்புகளைப் பின்பற்றுவதற்கான ஒரு பொதுவான கருத்தாகும் (Haque et al., 2021). பிந்தையது நிலம் பிரிக்கப்பட்ட தள-குறிப்பிட்ட நிர்வாகத்தில் கவனம் செலுத்துகிறது
ஒரே மாதிரியான பாகங்கள், மற்றும் ஒவ்வொரு பகுதியும் புதிய தொழில்நுட்பங்கள் மூலம் பயிர் விளைச்சலை மேம்படுத்துவதற்கான சரியான அளவு விவசாய உள்ளீட்டைப் பெறுகிறது (ஃபெங் மற்றும் பலர், 2019; கன்னா & கவுர், 2019). வயர்லெஸ் சென்சார் நெட்வொர்க்குகள் (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), The Internet of Things (IoT) (கில் மற்றும் பலர்., 2017; அவர் மற்றும் பலர், 2021; லியு மற்றும் பலர்., 2019),
இயந்திர கற்றல் மற்றும் ஆழ்ந்த கற்றல் உள்ளிட்ட செயற்கை நுண்ணறிவு (AI) நுட்பங்கள் (லியாகோஸ் மற்றும் பலர், 2018; பார்சேயன் மற்றும் பலர், 2020; ஷாட்ரின் மற்றும் பலர்.,
2019), கம்ப்யூட்டிங் தொழில்நுட்பங்கள் (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), பெரிய தரவு (கில் மற்றும் பலர், 2017; Tantalaki
மற்றும் பலர், 2019), மற்றும் பிளாக்செயின் (PW கான் மற்றும் பலர், 2020; பிஞ்சீரா மற்றும் பலர்., 2021).
மேற்கூறிய தொழில்நுட்பங்களுடன் கூடுதலாக, தொலைநிலை உணர்திறன் மேம்படுத்துவதற்கான அதிக திறன் கொண்ட தொழில்நுட்ப கருவியாகக் கருதப்படுகிறது.
புத்திசாலி மற்றும் துல்லியமான விவசாயம். செயற்கைக் கோள்கள், மனிதக் குழுவினர் கொண்ட விமானம் மற்றும் ட்ரோன்கள் ஆகியவை பிரபலமான தொலை உணர் தொழில்நுட்பங்கள் (Tsouros et al., 2019).
ஆளில்லா வான்வழி வாகனங்கள் (யுஏவி), ஆளில்லா விமான அமைப்புகள் (யுஏஎஸ்) மற்றும் தொலைதூரத்தில் இயக்கப்படும் விமானங்கள் என்று பிரபலமாக அறியப்படும் ட்ரோன்கள்
மற்ற ரிமோட் சென்சிங் தொழில்நுட்பங்களுடன் ஒப்பிடுகையில் அவை பல நன்மைகளைக் கொண்டிருப்பதால் மிகவும் முக்கியத்துவம் வாய்ந்தது. உதாரணமாக, ட்ரோன்கள் வழங்க முடியும்
மேகமூட்டமான நாட்களில் உயர்தர மற்றும் உயர் தெளிவுத்திறன் கொண்ட படங்கள் (Manfreda et al., 2018). மேலும், அவற்றின் கிடைக்கும் தன்மை மற்றும் பரிமாற்ற வேகம் மற்றவை
பலன்கள் (Radoglou-Grammatikis et al., 2020). விமானத்துடன் ஒப்பிடும்போது, ட்ரோன்கள் மிகவும் செலவு குறைந்தவை மற்றும் அமைப்பதற்கும் பராமரிப்பதற்கும் எளிதானது (Tsouros et al., 2019). ஆரம்பத்தில் முக்கியமாக இராணுவ நோக்கங்களுக்காகப் பயன்படுத்தப்பட்ட போதிலும், ட்ரோன்கள் பல சிவிலியன் பயன்பாடுகளுக்குப் பயனளிக்கும், உதாரணமாக விநியோகச் சங்கிலி நிர்வாகத்தில் (A. Rejeb, Rejeb, et al., 2021a), மனிதாபிமான நோக்கங்களுக்காக (A. Rejeb, Rejeb, மற்றும் பலர்., 2021c), ஸ்மார்ட் விவசாயம், கணக்கெடுப்பு மற்றும் மேப்பிங், கலாச்சார பாரம்பரிய ஆவணங்கள், பேரிடர் மேலாண்மை மற்றும் காடு மற்றும் வனவிலங்கு பாதுகாப்பு (பாண்டே, பிரதிஹாஸ்ட் மற்றும் பலர்., 2020). விவசாயத்தில், புதிய தொழில்நுட்பங்கள், கம்ப்யூட்டிங் திறன்கள் மற்றும் பயிர் மேலாண்மைக்கு (எ.கா., மேப்பிங், கண்காணிப்பு, நீர்ப்பாசனம், தாவர நோய் கண்டறிதல்) (எச். ஹுவாங் மற்றும் பலர், 2021) ஆதரவளிக்கும் உள் உணரிகள் ஆகியவற்றுடன் ஒருங்கிணைக்கப்படுவதால், ட்ரோன்களின் பன்மடங்கு பயன்பாட்டுப் பகுதிகள் உள்ளன. , பேரிடர் குறைப்பு, முன் எச்சரிக்கை அமைப்புகள், வனவிலங்குகள் மற்றும் வனப் பாதுகாப்பு ஆகியவை சிலவற்றைக் குறிப்பிடலாம் (நெகாஷ் மற்றும் பலர்., 2019). இதேபோல், பயிர் மற்றும் வளர்ச்சி கண்காணிப்பு, மகசூல் மதிப்பீடு, நீர் அழுத்த மதிப்பீடு மற்றும் களைகள், பூச்சி மற்றும் நோய் கண்டறிதல் (Inoue, 2020; Panday, Pratihast, et al., 2020) உள்ளிட்ட பல விவசாய நடவடிக்கைகளில் ட்ரோன்கள் பயன்படுத்தப்படலாம். ட்ரோன்கள் அவற்றின் உணர்வுத் தரவுகளின் அடிப்படையில் கண்காணிப்பு, மதிப்பீடு மற்றும் கண்டறிதல் நோக்கங்களுக்காக மட்டுமல்லாமல், துல்லியமான நீர்ப்பாசனம் மற்றும் துல்லியமான களை, பூச்சி மற்றும் நோய் மேலாண்மைக்கும் பயன்படுத்தப்படலாம். வேறு வார்த்தைகளில் கூறுவதானால், ட்ரோன்கள் சுற்றுச்சூழல் தரவுகளின் அடிப்படையில் துல்லியமான அளவுகளில் தண்ணீர் மற்றும் பூச்சிக்கொல்லிகளை தெளிக்க முடியும். விவசாயத்தில் ட்ரோன்களின் நன்மைகள் அட்டவணை 1 இல் சுருக்கப்பட்டுள்ளன.
விவசாயத்தில் ட்ரோன்களின் முக்கிய நன்மைகள்.
பெனிபிட் | குறிப்பு(கள்) |
தற்காலிக மற்றும் இடஞ்சார்ந்தவற்றை மேம்படுத்தவும் தீர்மானங்களை உணர்தல் | (காகோ மற்றும் பலர், 2015; நியு மற்றும் பலர், 2020; ஸ்ரீவஸ்தவா et al., 2020) |
துல்லியமான விவசாயத்தை எளிதாக்குங்கள் | (எல். டெங் மற்றும் பலர்., 2018; கலிசுக் மற்றும் பலர்., 2019; மைமைதிஜியாங் மற்றும் பலர்., 2017) |
வகைப்பாடு மற்றும் சாரணர் பயிர்கள் | (Inoue, 2020; Kalischuk et al., 2019; Lopez-' கிரனாடோஸ் மற்றும் பலர்., 2016; மைமைதிஜியாங் மற்றும் பலர்., 2017; மெல்வில் மற்றும் பலர்., 2019; மொஹரானா & தத்தா, 2016) |
உரங்களின் பயன்பாடு | (எல். டெங் மற்றும் பலர்., 2018; குவான் மற்றும் பலர்., 2019) |
வறட்சி கண்காணிப்பு | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; சு மற்றும் பலர், 2018) |
பயோமாஸ் மதிப்பீடு | (பெண்டிக் மற்றும் பலர்., 2014) |
மகசூல் மதிப்பீடு | (இனோவ், 2020; பாண்டே, ஷ்ரேஸ்தா மற்றும் பலர்., 2020; தாவோ et al., 2020) |
பேரிடர் குறைப்பு | (நேகாஷ் மற்றும் பலர்., 2019) |
வனவிலங்குகளின் பாதுகாப்பு மற்றும் வனவியல் | (நேகாஷ் மற்றும் பலர்., 2019; பாண்டே, பிரதிஹாஸ்ட் மற்றும் பலர்., 2020) |
நீர் அழுத்தத்தை மதிப்பீடு செய்தல் | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. ஜாங் மற்றும் பலர்., 2019) |
பூச்சிகள், களைகள் மற்றும் நோய்கள் கண்டறிதல் | (Gaˇsparovic´c et al., 2020; Inoue, 2020; J. Su, Liu, மற்றும் பலர், 2018; X. ஜாங் மற்றும் பலர்., 2019) |
மறுபுறம், ட்ரோன்கள் வரம்புகளையும் எதிர்கொள்கின்றன. பைலட் ஈடுபாடு, இயந்திர சக்தி, நிலைத்தன்மை மற்றும் நம்பகத்தன்மை, பேலோட் காரணமாக உணரிகளின் தரம்
எடை வரம்புகள், செயல்படுத்தல் செலவுகள் மற்றும் விமானப் போக்குவரத்து ஒழுங்குமுறை ஆகியவை அவற்றில் அடங்கும் (C. Zhang & Kovacs, 2012). குறைபாடுகளை ஒப்பிடுகிறோம்
அட்டவணை 2 இல் உள்ள மூன்று மொபைல் ரிமோட் சென்சிங் தொழில்நுட்பங்கள். மண் உணரிகள் போன்ற பிற தொலைநிலை உணர்திறன் தொழில்நுட்பங்கள் இந்த ஆய்வின் மையத்திற்கு அப்பாற்பட்டவை.
பல்வேறு மொபைல் ரிமோட் சென்சிங் தொழில்நுட்பங்களின் குறைபாடுகள்.
தொலை உணர்வு தொழில்நுட்பங்கள் | குறைபாடுகளை | குறிப்புகள் |
ட்ரோன் (UAV) | விமானி ஈடுபாடு; படங்கள்' தரம் (சராசரி); செயல்படுத்தல் செலவுகள் (சராசரி); நிலைத்தன்மை, சூழ்ச்சித்திறன் மற்றும் நம்பகத்தன்மை; தரப்படுத்தல்; இயந்திர சக்தி; வரையறுக்கப்பட்ட சக்தி ஆதாரங்கள் (பேட்டரி நீண்ட ஆயுள்); வரையறுக்கப்பட்ட விமான காலம், மோதல் மற்றும் சைபர் தாக்குதல்கள்; வரையறுக்கப்பட்ட பேலோட் எடை; பெரிய தரவுத்தொகுப்புகள் மற்றும் வரையறுக்கப்பட்ட தரவு செயலாக்கம் திறன்களை; ஒழுங்குமுறை இல்லாமை; நிபுணத்துவம் இல்லாமை, உயர் நுழைவு அணுகுவதற்கான தடைகள் விவசாய ட்ரோன்கள்; | (பாக்கோ மற்றும் பலர், 2018; டவாலிபி மற்றும் பலர்., 2020; ஹார்டின் & ஹார்டின், 2010; ஹார்டின் & ஜென்சன், 2011; லக்காஸ் மற்றும் பலர்., 2018; லாலிபெர்டே மற்றும் பலர்., 2007; Laliberte & Rango, 2011; Manfreda மற்றும் பலர்., 2018, 2018; நெபிகர் மற்றும் பலர்., 2008; பூரி மற்றும் பலர், 2017; வேலுசாமி மற்றும் பலர். 2022; சி. ஜாங் & கோவாக்ஸ், 2012) |
செயற்கைக்கோள் | அவ்வப்போது செயற்கைக்கோள் கவரேஜ், வரையறுக்கப்பட்ட நிறமாலை தீர்மானம்; தெரிவுநிலை சிக்கல்களுக்கு பாதிப்பு (எ.கா., மேகங்கள்); கிடைக்காத தன்மை மற்றும் குறைந்த பரிமாற்ற வேகம்; நோக்குநிலை மற்றும் விக்னெட்டிங் விளைவுகள் விலையுயர்ந்த இடஞ்சார்ந்த தரவு சேகரிப்பு; மெதுவான தரவு விநியோகம் இறுதி பயனர்களுக்கான நேரம் | (Aboutalebi et al., 2019; சென் மற்றும் பலர், 2019; சென் மற்றும் பலர்., 2019; நான்சென் & எலியட், 2016; பாண்டே, பிரதிஹாஸ்ட், மற்றும் பலர்., 2020; சாய் வினீத் et al., 2019) |
விமானம் | அதிக தத்தெடுப்பு செலவுகள்; சிக்கலான அமைப்பு; பராமரிப்பு செலவுகள்; நம்பகத்தன்மை இல்லாதது விமானங்கள், வடிவியல் படங்கள்; வழக்கமான தரவு அல்ல கையகப்படுத்தல்; நெகிழ்வுத்தன்மை இல்லாமை; கொடிய விபத்துகள்; சென்சார் தரவு அதிர்வுகளால் ஏற்படும் மாறுபாடுகள்; புவிசார் குறிப்பு சிக்கல்கள் | (ஆம்ஸ்ட்ராங் மற்றும் பலர்., 2011; அட்கின்சன் மற்றும் பலர்., 2018; பார்பெடோ & கோனிக்கன், 2018; கோவலேவ் & வோரோஷிலோவா, 2020; சுவோமலைனென் மற்றும் பலர்., 2013; தம் மற்றும் பலர்., 2013) |
விவசாயத்தில் பல்துறை மற்றும் பல்நோக்கு தொழில்நுட்பமாக, ட்ரோன்கள் பல்வேறு கோணங்களில் ஆராயப்பட்டுள்ளன. எடுத்துக்காட்டாக, வேளாண்மையில் ட்ரோன் பயன்பாடுகளை அறிஞர்கள் ஆய்வு செய்துள்ளனர் (குல்பாகி மற்றும் பலர், 2018; மொகிலி & தீபக், 2018), துல்லியமான விவசாயத்திற்கான அவர்களின் பங்களிப்பு (பூரி மற்றும் பலர், 2017; டிசோரோஸ் மற்றும் பலர்., 2019), மற்றவற்றுடன் அவற்றின் நிரப்புத்தன்மை அதிநவீன தொழில்நுட்பங்கள் (அல்-தானி மற்றும் பலர், 2020; தத்தா & மித்ரா, 2021; நய்யார் மற்றும் பலர், 2020; சஹா மற்றும் பலர்., 2018), மற்றும் அவர்களின் வழிசெலுத்தல் மற்றும் உணர்திறன் திறன்களை மேம்படுத்துவதற்கான சாத்தியக்கூறுகள் (alBare . , 2015; சுவோமலைனென் மற்றும் பலர்., 2014). விவசாயத்தில் ட்ரோன் பயன்பாடுகள் பற்றிய ஆராய்ச்சி பரவலாகிவிட்டதால் (கான் மற்றும் பலர், 2021), தற்போதுள்ள இலக்கியங்களைச் சுருக்கி, களத்தின் அறிவுசார் கட்டமைப்பை வெளிப்படுத்த வேண்டிய அவசியம் உள்ளது. மேலும், தொடர்ச்சியான மேம்பாடுகளைக் கொண்ட ஒரு உயர் தொழில்நுட்பத் துறையாக, தற்போதுள்ள இலக்கியங்களை அவ்வப்போது சுருக்கவும் மற்றும் முக்கியமான ஆராய்ச்சி இடைவெளிகளைக் கண்டறியவும் கட்டமைக்கப்பட்ட மதிப்புரைகள் நடத்தப்பட வேண்டும். செய்ய
தேதி, விவசாயத் துறையில் ட்ரோன் பயன்பாடுகளைப் பற்றி விவாதிக்கும் சில மதிப்புரைகள் உள்ளன. எடுத்துக்காட்டாக, மொகிலி மற்றும் தீபக் (2018) பயிர் கண்காணிப்பு மற்றும் பூச்சிக்கொல்லி தெளித்தல் ஆகியவற்றில் ட்ரோன்களின் தாக்கங்களை சுருக்கமாக மதிப்பாய்வு செய்தனர். Inoue (2020) விவசாயத்தில் ரிமோட் சென்சிங்கில் செயற்கைக்கோள் மற்றும் ட்ரோன் பயன்பாடு பற்றிய மதிப்பாய்வை நடத்துகிறது. புத்திசாலித்தனமான விவசாயத்தை ஏற்றுக்கொள்வதில் உள்ள தொழில்நுட்ப சவால்கள் மற்றும் ஆய்வுகள் மற்றும் சிறந்த நடைமுறைகளின் அடிப்படையில் செயற்கைக்கோள்கள் மற்றும் ட்ரோன்களின் பங்களிப்புகளை ஆசிரியர் ஆராய்கிறார். டிசோரோஸ் மற்றும் பலர். (2019) பல்வேறு வகையான ட்ரோன்கள் மற்றும் விவசாயத்தில் அவற்றின் முக்கிய பயன்பாடுகளை சுருக்கமாக, பல்வேறு தரவு கையகப்படுத்தல் மற்றும் செயலாக்க முறைகளை எடுத்துக்காட்டுகிறது. மிக சமீபத்தில், அஸ்லான் மற்றும் பலர். (2022) விவசாய நடவடிக்கைகளில் UAV பயன்பாடுகளின் விரிவான மதிப்பாய்வை நடத்தியது மற்றும் கிரீன்ஹவுஸில் UAVக்கான ஒரே நேரத்தில் உள்ளூர்மயமாக்கல் மற்றும் மேப்பிங்கின் பொருத்தத்தை அடிக்கோடிட்டுக் காட்டுகிறது. டயஸ்-கோன்சலஸ் மற்றும் பலர். (2022) பல்வேறு இயந்திர கற்றல் நுட்பங்கள் மற்றும் ரிமோட் அடிப்படையில் பயிர் விளைச்சல் உற்பத்தி பற்றிய சமீபத்திய ஆய்வுகளை மதிப்பாய்வு செய்தது
உணர்திறன் அமைப்புகள். அவர்களின் கண்டுபிடிப்புகள் மண் குறிகாட்டிகளை மதிப்பிடுவதற்கும், இடஞ்சார்ந்த தீர்மானம், தகவல் தற்காலிகம் மற்றும் நெகிழ்வுத்தன்மை ஆகியவற்றின் அடிப்படையில் செயற்கைக்கோள் அமைப்புகளை விஞ்சுவதற்கும் UAVகள் பயனுள்ளதாக இருக்கும் என்று சுட்டிக்காட்டியது. பசிரி மற்றும் பலர். (2022) துல்லியமான விவசாயத்தின் பின்னணியில் மல்டி-ரோட்டர் யுஏவிகளுக்கான பாதை-திட்டமிடல் சவால்களை சமாளிக்க பல்வேறு அணுகுமுறைகள் மற்றும் முறைகள் பற்றிய முழுமையான மதிப்பாய்வு செய்யப்பட்டது. மேலும், அவாய்ஸ் மற்றும் பலர். (2022) நீர் நிலையை மதிப்பிடுவதற்கு பயிர்களில் UAV ரிமோட் சென்சிங் தரவைப் பயன்படுத்துவதைச் சுருக்கி, கழிவு அழுத்த பயன்பாட்டிற்கான UAV ரிமோட் சென்சிங்கின் வருங்காலத் திறனின் ஆழமான தொகுப்பை வழங்கியது. இறுதியாக, அக்விலானி மற்றும் பலர். (2022) மேய்ச்சல் அடிப்படையிலான கால்நடை அமைப்புகளில் பயன்படுத்தப்படும் முன்கூட்டிய விவசாய தொழில்நுட்பங்களை மதிப்பாய்வு செய்து, UAV களால் இயக்கப்பட்ட தொலைநிலை உணர்திறன் உயிரி மதிப்பீடு மற்றும் மந்தை மேலாண்மைக்கு சாதகமாக உள்ளது.
மேலும், கால்நடைகளைக் கண்காணித்தல், கண்காணித்தல் மற்றும் திரட்டுதல் ஆகியவற்றில் UAVகளைப் பயன்படுத்துவதற்கான முயற்சிகள் சமீபத்தில் பதிவாகியுள்ளன.
இந்த மதிப்புரைகள் புதிய மற்றும் முக்கியமான நுண்ணறிவுகளை அளித்தாலும், தெளிவான அறிவு இடைவெளியை முன்வைக்கும் நூலியல் அளவீடுகளின் அடிப்படையில் விரிவான மற்றும் புதுப்பித்த மதிப்பாய்வை இலக்கியத்தில் காண முடியாது. மேலும், ஒரு விஞ்ஞான களத்தில் அறிவார்ந்த உற்பத்தி வளரும்போது, ஆராய்ச்சியாளர்கள் களத்தின் அறிவு கட்டமைப்பைப் புரிந்துகொள்வதற்கு அளவு மதிப்பாய்வு அணுகுமுறைகளைப் பயன்படுத்துவது இன்றியமையாததாகிறது (ரிவேரா & பிசம், 2015). இதேபோல், ஃபெரீரா மற்றும் பலர். (2014) ஆராய்ச்சித் துறைகள் முதிர்ச்சியடைந்து சிக்கலானதாக மாறும்போது, அறிஞர்கள் புதிய பங்களிப்புகளை வெளிப்படுத்தவும், ஆராய்ச்சி மரபுகள் மற்றும் போக்குகளைப் பிடிக்கவும், எந்தெந்த தலைப்புகள் படிக்கப்படுகின்றன என்பதைக் கண்டறிந்து, அறிவு கட்டமைப்பை ஆராய்வதற்கு எப்போதாவது உருவாக்கப்பட்ட மற்றும் திரட்டப்பட்ட அறிவை உணர வேண்டும் என்று வாதிட்டார். புலம் மற்றும் சாத்தியமான ஆராய்ச்சி திசைகள். Raparelli and Bajocco (2019) விவசாயம் மற்றும் வனவியல் துறையில் ட்ரோன் பயன்பாடுகளின் அறிவு களத்தை ஆய்வு செய்ய ஒரு பிப்லியோமெட்ரிக் பகுப்பாய்வை மேற்கொண்டாலும், அவர்களின் ஆய்வு 1995 மற்றும் 2017 க்கு இடையில் வெளியிடப்பட்ட அறிவார்ந்த ஆராய்ச்சியை மட்டுமே கருதுகிறது, இது இந்த வேகமாக நகரும் பகுதியின் இயக்கவியலை பிரதிபலிக்கவில்லை. மேலும், ஆசிரியர்கள் இந்த துறையில் மிகவும் செல்வாக்கு மிக்க பங்களிப்புகளை அடையாளம் காணவும், இலக்கியங்களை கிளஸ்டர் செய்யவும், இணை மேற்கோள் பகுப்பாய்வைப் பயன்படுத்தி அறிவுசார் கட்டமைப்பை மதிப்பீடு செய்யவும் முயற்சிக்கவில்லை. இதன் விளைவாக, தற்போதைய ஆராய்ச்சி மையங்கள், போக்குகள் மற்றும் ஹாட்ஸ்பாட்களை வெளிப்படுத்த இலக்கியங்களை சுருக்கமாகக் கூறுவது அவசியம்.
இந்த அறிவு இடைவெளியை நிரப்ப, ட்ரோன்கள் மற்றும் விவசாயத்தின் குறுக்குவெட்டில் ஆராய்ச்சியின் தற்போதைய நிலையை ஆய்வு செய்ய, அளவு முறை மற்றும் கடுமையான பைப்லியோமெட்ரிக் முறைகளை நாங்கள் பயன்படுத்துகிறோம். தற்போதைய ஆய்வு விவசாயத்தில் மிகவும் தேவைப்படும் வளர்ந்து வரும் தொழில்நுட்பத்தை ஆராய்வதன் மூலம் தற்போதுள்ள இலக்கியத்திற்கு பல பங்களிப்புகளை செய்கிறது என்று நாங்கள் வாதிடுகிறோம், ஏனெனில் இது இந்தத் துறையில் பல அம்சங்களை மாற்றுவதற்கான மிகப்பெரிய ஆற்றலை வழங்குகிறது. விவசாய சூழலில் ட்ரோன்கள் பற்றிய சிதறிய மற்றும் துண்டு துண்டான அறிவைக் கொண்டு விவசாய ட்ரோன்களின் பைப்லியோமெட்ரிக் பகுப்பாய்வின் தேவை இன்னும் அதிகமாக உணரப்படுகிறது. இதேபோல், இந்த ஆராய்ச்சித் துறையின் அடித்தளத்தை உருவாக்கும் மிகவும் செல்வாக்கு மிக்க ஆய்வுகளைக் கருத்தில் கொண்டு, விவசாய ட்ரோன்கள் தொடர்பான இலக்கியங்கள் முறையாகத் தொகுக்கப்பட வேண்டும். பகுப்பாய்வின் தகுதியானது இலக்கியத்தில் குறிப்பிடப்பட்டுள்ள முக்கிய ஆராய்ச்சி கருப்பொருள்களின் தெளிவுபடுத்தலையும் உள்ளடக்கியது. தொழில்நுட்பத்தின் மாற்றும் திறனைக் கருத்தில் கொண்டு, ஒரு ஆழமான நெட்வொர்க் பகுப்பாய்வு செல்வாக்குமிக்க படைப்புகளைத் தீர்மானிப்பதன் மூலமும், விவசாயத்திற்கான ட்ரோன்களின் திறனைப் பற்றிய கருப்பொருள்களை வெளிப்படுத்துவதன் மூலமும் புதிய நுண்ணறிவுகளை அளிக்கிறது என்று நாங்கள் கருதுகிறோம்.
எனவே பின்வரும் ஆராய்ச்சி நோக்கங்களை அடைய நாங்கள் முயற்சி செய்கிறோம்:
- விவசாயத் துறையில் ட்ரோன் பயன்பாடுகளுக்கு சிறந்த பங்களிப்புகளுடன் செல்வாக்கு மிக்க வெளியீடுகளை அடையாளம் காணுதல்.
- இணை மேற்கோள் பகுப்பாய்வைப் பயன்படுத்தி சொற்பொருள் ஒற்றுமையின் அடிப்படையில் இலக்கியத்தின் கிளஸ்டரிங், ஆராய்ச்சி மையங்களை அடையாளம் காணுதல் மற்றும் முக்கிய 'அறிவுசார் கட்டமைப்பு' ஆய்வுகளின் மேப்பிங்.
- இத்துறையில் உள்ள பல்வேறு வெளியீடுகளுக்கு இடையே காலப்போக்கில் இணைப்புகள் மற்றும் மேற்கோள் நெட்வொர்க்குகளின் பரிணாம வளர்ச்சியைப் புரிந்துகொள்வது மற்றும் எதிர்கால ஆராய்ச்சி திசைகள் மற்றும் சூடான தலைப்புகளை அடையாளம் காண்பது.
மீதமுள்ள காகிதம் பின்வருமாறு கட்டமைக்கப்பட்டுள்ளது: பிரிவு 2 முறை மற்றும் தரவு சேகரிப்பு படிகளை கோடிட்டுக் காட்டுகிறது; பிரிவு 3 பகுப்பாய்வுகளின் முடிவுகளை வழங்குகிறது; மற்றும் பிரிவு 4 கண்டுபிடிப்புகளைப் பற்றி விவாதிக்கிறது மற்றும் ஆராய்ச்சி பங்களிப்புகள், தாக்கங்கள் மற்றும் எதிர்கால திசைகளுடன் முடிவடைகிறது.
முறை
இந்த தற்போதைய ஆராய்ச்சி ஆய்வில், விவசாயத்தில் ட்ரோன் பயன்பாடுகளை ஆராய்வதற்காக ஒரு பிப்லியோமெட்ரிக் பகுப்பாய்வு நடத்துகிறோம். இந்த அளவு அணுகுமுறை அறிவு களத்தின் அறிவுசார் கட்டமைப்பை வெளிப்படுத்துகிறது (அரோரா & சக்ரவர்த்தி, 2021) மற்றும் இந்த முறையைப் பயன்படுத்துவதன் மூலம் ஆராயக்கூடிய தற்போதைய நிலை, சூடான தலைப்புகள் மற்றும் எதிர்கால ஆராய்ச்சி திசைகள் (கபூர் மற்றும் பலர், 2018; மிஸ்ரா மற்றும் பலர். , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). பொதுவாக, ஒரு புத்தகவியல் பகுப்பாய்வு, புள்ளியியல் மற்றும் கணித முறைகளின் அடிப்படையில் எழுதப்பட்ட தகவல்தொடர்பு மற்றும் ஒழுங்குமுறையின் பரிணாம வளர்ச்சியின் மறைந்த வடிவங்களைச் சுருக்கவும் மற்றும் வெளிக்கொணரவும் தற்போதுள்ள இலக்கியங்களை ஆராய்கிறது. , 1969). பிப்லியோமெட்ரிக்ஸைப் பயன்படுத்துவதன் மூலம், ஒற்றுமையின் அடிப்படையில் களத்திற்கு பங்களிக்கும் தற்போதைய முன்னுதாரணங்களையும் ஆராய்ச்சி மையங்களையும் நன்கு புரிந்து கொள்ள விரும்புகிறோம் (தெல்வால், 1999). பிப்லியோமெட்ரிக்ஸ் முறையின் புறநிலை அளவு வலிமையால் ஆதரிக்கப்படும் புதிய நுண்ணறிவுகளை வழங்குகிறது (காசிலாஸ் & அசிடோ, 1998). விவசாயம், ரிமோட் சென்சிங் மற்றும் டிஜிட்டல் டிரான்ஸ்ஃபர்மேஷன் (அர்மென்டா-மெடினா et al., 2008; Bouzembrak et al., 2007; A. Rejeb, Treiblmaier, et al., 2020; Wamba2019 & Queiroz, 2021; வாங் மற்றும் பலர்., 2021).
மேற்கோள் பகுப்பாய்வு
மேற்கோள் பகுப்பாய்வு கொடுக்கப்பட்ட ஆராய்ச்சி துறையில் பல்வேறு நுண்ணறிவுகளை வெளிப்படுத்துகிறது. முதலாவதாக, கொடுக்கப்பட்ட ஆராய்ச்சித் துறையில் பங்களிக்கும் மற்றும் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்தும் மிகவும் செல்வாக்கு மிக்க எழுத்தாளர்கள் மற்றும் வெளியீடுகளை வெளிப்படுத்த உதவுகிறது (குண்டால்ஃப் & ஃபில்சர், 2013). இரண்டாவதாக, ஆசிரியர்களுக்கிடையேயான அறிவு ஓட்டம் மற்றும் தொடர்பு இணைப்புகளை வெளிக்கொணர முடியும். இறுதியாக, மேற்கோள் காட்டப்பட்ட மற்றும் மேற்கோள் காட்டப்பட்ட படைப்புகளுக்கு இடையே உள்ள தொடர்பைக் கண்டறிவதன் மூலம், காலப்போக்கில் ஒரு அறிவு களத்தின் மாற்றங்கள் மற்றும் பரிணாமத்தை ஒருவர் ஆராயலாம் (Pournader
மற்றும் பலர்., 2020). ஒரு வெளியீட்டின் உயர் மேற்கோள் எண்கள், ஆராய்ச்சி களத்தில் அதன் தொடர்பு மற்றும் கணிசமான பங்களிப்புகளை பிரதிபலிக்கின்றன (பால்டி, 1998; குண்டோல்ஃப் & ஃபில்சர், 2013; மரின்கோ, 1998). வெளியீடுகளின் மேற்கோள் பகுப்பாய்வு தொடர்புடைய படைப்புகளை அடையாளம் காணவும், காலப்போக்கில் அவற்றின் புகழ் மற்றும் முன்னேற்றத்தைக் கண்காணிக்கவும் உதவுகிறது.
ஆவண இணை மேற்கோள் பகுப்பாய்வு
இணை மேற்கோள் பகுப்பாய்வு என்பது வெளியீடுகளுக்கு இடையிலான உறவுகளை ஆராய்வதற்கும் ஒரு துறையின் அறிவுசார் கட்டமைப்பை சித்தரிப்பதற்கும் ஒரு மதிப்புமிக்க முறையாகும் (நெரூர் மற்றும் பலர்., 2008). வேறு வார்த்தைகளில் கூறுவதானால், மிகவும் மேற்கோள் காட்டப்பட்ட வெளியீடுகள் மற்றும் அவற்றின் இணைப்புகளை அடையாளம் காண்பதன் மூலம், முறையானது வெளியீடுகளை தனித்துவமான ஆராய்ச்சி கிளஸ்டர்களாகக் குழுவாக்குகிறது, இதில் ஒரு கிளஸ்டரில் உள்ள வெளியீடுகள் தொடர்ந்து ஒத்த கருத்துக்களைப் பகிர்ந்து கொள்கின்றன (மெக்கெய்ன், 1990; சிறிய, 1973). ஒற்றுமை என்பது வெளியீடுகளின் கண்டுபிடிப்புகள் என்று அர்த்தமல்ல என்பதைக் குறிப்பிடுவது முக்கியமானது
ஒன்றுக்கொன்று ஒத்துப்போகும்; தலைப்பு ஒற்றுமை காரணமாக வெளியீடுகள் ஒரே தொகுப்பைச் சேர்ந்தவை, ஆனால் அவை முரண்பாடான கண்ணோட்டங்களைக் கொண்டிருக்கலாம்.
தரவு சேகரிப்பு மற்றும் பகுப்பாய்வு
ஒயிட் அண்ட் கிரிஃபித் (1981) முன்மொழியப்பட்ட முறையைப் பின்பற்றி, பின்வரும் ஐந்து படிகளைப் பின்பற்றி, விவசாயத்தில் ட்ரோன் பயன்பாடுகளின் முழு ஆராய்ச்சி களத்தையும் உள்ளடக்கியதாக பத்திரிகை கட்டுரைகளின் விரிவான தேடலை நாங்கள் மேற்கொண்டோம்:
- முதல் படி தரவு சேகரிப்பு. தரப்படுத்தப்பட்ட முடிவுகளுடன் கூடிய விரிவான மற்றும் நம்பகமான தரவுத்தளங்களில் ஒன்றாக ஸ்கோபஸ் தேர்ந்தெடுக்கப்பட்டது. விவசாயத்தில் அனைத்து ட்ரோன் பயன்பாடுகள் தொடர்பான வெளியீடுகளின் மெட்டா-டேட்டா மீட்டெடுக்கப்பட்டது. தேர்ந்தெடுக்கப்பட்ட கட்டுரைகளை நாங்கள் பகுப்பாய்வு செய்தோம், பகுப்பாய்விலிருந்து தலைப்பு இல்லாத கட்டுரைகளை அகற்றினோம்.
- நாங்கள் இலக்கியங்களை பகுப்பாய்வு செய்தோம் மற்றும் ஆராய்ச்சி பகுதியில் பயன்படுத்தப்படும் மிக முக்கியமான முக்கிய வார்த்தைகளை அடையாளம் கண்டோம்.
- மேற்கோள் பகுப்பாய்வைப் பயன்படுத்தி, அடிப்படை மேற்கோள் வடிவங்களை வெளிப்படுத்த ஆசிரியர்களுக்கும் ஆவணங்களுக்கும் இடையிலான தொடர்பை நாங்கள் ஆராய்ந்தோம். விவசாய ட்ரோன்கள் துறையில் குறிப்பிடத்தக்க பங்களிப்புகளுடன் மிகவும் செல்வாக்கு மிக்க எழுத்தாளர்கள் மற்றும் வெளியீடுகளை நாங்கள் அடையாளம் கண்டுள்ளோம்.
- ஒரே மாதிரியான வெளியீடுகளை கிளஸ்டர்களாகக் குழுவாக்க, இணை மேற்கோள் பகுப்பாய்வு நடத்தினோம்.
- இறுதியாக, ஒத்துழைப்பு நெட்வொர்க்கை சித்தரிக்க நாடுகள், நிறுவனங்கள் மற்றும் பத்திரிகைகளுக்கு இடையேயான இணைப்புகள் மற்றும் இணைப்புகளை நாங்கள் பகுப்பாய்வு செய்தோம்.
பொருத்தமான தேடல் சொற்களின் அடையாளம்
தரவுத் திரட்டலுக்காக பின்வரும் தேடல் சரங்களைப் பயன்படுத்தினோம்: (ட்ரோன்* அல்லது “ஆளில்லா வான்வழி வாகனம்” அல்லது uav* அல்லது “ஆளில்லா விமான அமைப்பு”அல்லது அமெரிக்கா அல்லது “தொலைதூரத்தில் இயக்கப்படும் விமானம்”) மற்றும் (விவசாயம் அல்லது விவசாயம் அல்லது விவசாயம் அல்லது விவசாயி) செப்டம்பர் 2021 இல் தேடுதல் நடத்தப்பட்டது. ட்ரோன்கள் UAV, UAS மற்றும் தொலைதூர விமானம் (Sah et al., 2021) உட்பட பல பதவிகளைக் கொண்டுள்ளன. அப்துல்லாஹி மற்றும் பலர் மேற்கொண்ட ஆய்வின் அடிப்படையில் விவசாயம் தொடர்பான குறிப்பிட்ட தேடல் சொற்கள் அடையாளம் காணப்பட்டன. (2021) தெளிவு மற்றும் வெளிப்படைத்தன்மைக்காக, நாங்கள் பயன்படுத்திய சரியான வினவல் பின் இணைப்பு 1 இல் கொடுக்கப்பட்டுள்ளது. தரவு சுத்தம் செய்யும் செயல்முறையைத் தொடர்ந்து, மேற்கோள் மற்றும் இணை மேற்கோள் பகுப்பாய்விற்கான பொதுவான கருவியான BibExcel இல் ஏற்றப்பட்ட உரைக் கோப்பை நாங்கள் உருவாக்கினோம். இக்கருவி மற்ற மென்பொருளுடன் எளிமையான தொடர்புகளை வழங்குகிறது மற்றும் தரவு கையாளுதல் மற்றும் பகுப்பாய்வு ஆகியவற்றில் குறிப்பிடத்தக்க அளவு சுதந்திரத்தை வழங்குகிறது. VOSviewer பதிப்பு 1.6.16 கண்டுபிடிப்புகளைக் காட்சிப்படுத்தவும், பைபிலியோமெட்ரிக் நெட்வொர்க்குகளை உருவாக்கவும் பயன்படுத்தப்பட்டது (Eck & Waltman, 2009). VOSviewer பல்வேறு உள்ளுணர்வு காட்சிப்படுத்தல்களை வழங்குகிறது, குறிப்பாக பைபிலியோமெட்ரிக் வரைபடங்களை பகுப்பாய்வு செய்வதற்காக (Geng et al., 2020). மேலும், முடிவுகளை நன்கு புரிந்துகொள்ள உதவும் தெளிவான காட்சி முடிவுகளை வழங்குவதில் இது உதவுகிறது (அப்துல்லாஹி மற்றும் பலர்., 2021). மேலே குறிப்பிட்டுள்ளபடி தேடல் சரங்களைப் பயன்படுத்துவதன் மூலம், தொடர்புடைய அனைத்து வெளியீடுகளையும் நாங்கள் சேகரித்து சேமித்தோம். முதல் தேடல் முடிவுகளில் மொத்தம் 5,085 ஆவணங்கள் கிடைத்தன. தேர்ந்தெடுக்கப்பட்ட மாதிரியின் தரத்தை உறுதி செய்வதற்காக, சக மதிப்பாய்வு செய்யப்பட்ட பத்திரிகை கட்டுரைகள் மட்டுமே ஆராய்ச்சியில் பரிசீலிக்கப்பட்டன, இதன் விளைவாக புத்தகங்கள், அத்தியாயங்கள், மாநாட்டு நடவடிக்கைகள் மற்றும் தலையங்கக் குறிப்புகள் போன்ற பிற ஆவண வகைகள் விலக்கப்பட்டன. ஸ்கிரீனிங் செயல்பாட்டின் போது, பொருத்தமற்ற (அதாவது, இந்த வேலையின் எல்லைக்கு அப்பாற்பட்டது), தேவையற்றவை (அதாவது, இரட்டை அட்டவணைப்படுத்தலில் இருந்து உருவான நகல்) மற்றும் ஆங்கிலம் பேசாத வெளியீடுகள் வடிகட்டப்பட்டன. இந்த செயல்முறை இறுதி ஆய்வில் 4,700 ஆவணங்களைச் சேர்த்தது.
கண்டுபிடிப்புகள் மற்றும் விவாதம்
தொடங்குவதற்கு, விவசாய ட்ரோன்கள் குறித்த தற்போதைய இலக்கியத்தில் வெளியீட்டு வெளியீட்டின் முன்னேற்றங்களை நாங்கள் பகுப்பாய்வு செய்தோம். அறிவார்ந்த ஆராய்ச்சியின் தற்காலிக விநியோகம் படம் 1 இல் காட்டப்பட்டுள்ளது. 2011 ஆம் ஆண்டிலிருந்து (30 வெளியீடுகள்) வெளியீடுகளில் விரைவான அதிகரிப்பைக் காண்கிறோம்; எனவே, பகுப்பாய்வு காலத்தை இரண்டு வெவ்வேறு நிலைகளாகப் பிரிக்க முடிவு செய்தோம். 1990 மற்றும் 2010 க்கு இடைப்பட்ட காலகட்டத்தை கட்டமைக்கும் கட்டம் என்று குறிப்பிடுகிறோம், இது ஆண்டுதோறும் சுமார் ஏழு ஆவணங்கள் வெளியிடப்பட்டது. 2010-க்குப் பிந்தைய காலகட்டம் வளர்ச்சி நிலை என்று அழைக்கப்படுகிறது, ஏனெனில் விவசாயத்தில் ட்ரோன் பயன்பாடுகள் குறித்த ஆராய்ச்சி இந்த காலகட்டத்தில் ஒரு அதிவேக எழுச்சியைக் கண்டது. 2010 க்குப் பிறகு, அதிகரித்து வரும் வெளியீடுகள் ஆராய்ச்சியாளர்களிடையே வளர்ந்து வரும் ஆர்வத்தை உறுதிப்படுத்துகின்றன, இது தொலைநிலை உணர்தலுக்குப் பயன்படுத்தப்பட்டு துல்லியமான விவசாயத்தில் பயன்படுத்தப்பட்டது என்பதையும் இது பிரதிபலிக்கிறது (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ) குறிப்பாக, வெளியீடுகளின் எண்ணிக்கை 108 இல் 2013 இல் இருந்து 498 இல் 2018 ஆக உயர்ந்தது மற்றும் 1,275 இல் 2020 ஆக உயர்ந்தது. 935 ஜனவரி மற்றும் செப்டம்பர் நடுப்பகுதிக்கு இடையில் மொத்தம் 2021 கட்டுரைகள் வெளியிடப்பட்டன. அதைத் தொடர்ந்து, வளர்ச்சி கட்டத்தில் எங்கள் பகுப்பாய்வை அதிக கவனம் செலுத்தத் தேர்வு செய்தோம். இந்த காலம் விவசாய ட்ரோன்களின் மிக சமீபத்திய மற்றும் முக்கியமான நுணுக்கங்களை பிரதிபலிக்கிறது.
முக்கிய வார்த்தைகளின் பகுப்பாய்வு
ஒரு வெளியீட்டிற்காக ஆசிரியர்கள் தேர்ந்தெடுக்கும் முக்கிய வார்த்தைகள், காகிதம் எவ்வாறு பிரதிநிதித்துவம் செய்யப்படுகிறது மற்றும் விஞ்ஞான சமூகங்களுக்குள் அது எவ்வாறு தொடர்பு கொள்ளப்படுகிறது என்பதில் முக்கியமான தாக்கத்தை ஏற்படுத்துகிறது. அவை ஆராய்ச்சியின் முக்கிய விஷயங்களைக் கண்டறிந்து அதன் வளர்ச்சி அல்லது தோல்விக்கான திறனைத் தீர்மானிக்கின்றன (டே & கேஸ்டல், 1998.; கிம் மற்றும் பலர்., 2016; உடின் மற்றும் பலர்., 2015). முக்கிய வார்த்தைகள் பகுப்பாய்வு, பரந்த ஆராய்ச்சி போக்குகள் மற்றும் திசைகளை வெளிப்படுத்தும் ஒரு கருவி, ஒரு டொமைனில் உள்ள அனைத்து தொடர்புடைய வெளியீடுகளின் முக்கிய வார்த்தைகளின் தொகுப்பைக் குறிக்கிறது (தீக்ஷித் & ஜாகர், 2021). தற்போதைய ஆய்வில், மிகவும் பிரபலமான தலைப்புகளை ஆராய, ஒருங்கிணைந்த முக்கிய வார்த்தைகளை இரண்டு தொகுப்புகளாக (அதாவது 2010 மற்றும் 2011-2021 வரை) பிரித்துள்ளோம். இதைச் செய்வதன் மூலம், இரண்டு செட்களிலும் முக்கியமான முக்கிய வார்த்தைகளைக் கண்டறிந்து, தேவையான எல்லா தரவையும் நாங்கள் கைப்பற்றியுள்ளோம் என்பதை உறுதிப்படுத்திக் கொள்ளலாம். ஒவ்வொரு தொகுப்பிற்கும், முதல் பத்து முக்கிய வார்த்தைகள் அட்டவணை 3 இல் வழங்கப்பட்டுள்ளன. "ட்ரோன்" மற்றும் "ட்ரோன்கள்" அல்லது, "இன்டர்நெட் ஆஃப் திங்ஸ்" மற்றும் "ஐஓடி" போன்ற சொற்பொருள் ரீதியாக ஒரே மாதிரியான முக்கிய வார்த்தைகளை இணைப்பதன் மூலம் முரண்பாடுகளை அகற்றினோம்.
இரண்டு காலகட்டங்களிலும் "ட்ரோன்" மற்றும் "ஆளில்லா வான்வழி அமைப்பு" ஆகியவற்றுடன் ஒப்பிடும்போது "ஆளில்லா வான்வழி வாகனம்" என்பது அடிக்கடி பயன்படுத்தப்படும் முக்கிய சொல்லாகும் என்பதை அட்டவணை 3 காட்டுகிறது. மேலும், "ரிமோட் சென்சிங்," "துல்லியமான விவசாயம்" மற்றும் "விவசாயம்" ஆகிய இரண்டு காலகட்டங்களிலும் உயர் தரவரிசையில் உள்ளன. முதல் காலகட்டத்தில், "துல்லியமான விவசாயம்" ஐந்தாவது இடத்தைப் பிடித்தது, மேலும் இது இரண்டாவது காலகட்டத்தில் இரண்டாவது இடத்தைப் பிடித்தது, இது துல்லியமான விவசாயத்தை அடைவதில் ட்ரோன்கள் எவ்வாறு அதிக முக்கியத்துவம் பெறுகின்றன என்பதை விளக்குகிறது.
கண்டறிதல் மற்றும் மதிப்பிடும் நடைமுறைகள் மற்ற தொலைநிலை உணர்திறன் மற்றும் தரை அடிப்படையிலான அமைப்புகளுடன் ஒப்பிடுகையில் வேகமாகவும், மலிவானதாகவும், எளிதாகவும் செயல்படுகின்றன. மேலும், தேவையான அளவு உள்ளீட்டை (எ.கா., தண்ணீர் அல்லது பூச்சிக்கொல்லிகள்) தெளிக்கலாம் (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
அடிக்கடி பயன்படுத்தப்படும் முக்கிய வார்த்தைகளின் பட்டியல்.
ரேங்க் | 1990-2010 | இல்லை நிகழ்வுகள் | 2011-2021 | இல்லை நிகழ்வுகள் |
1 | ஆளில்லா வான்வழி வாகன | 28 | ஆளில்லா வான்வழி வாகனம் | 1628 |
2 | தொலை உணர்வு | 7 | துல்லிய விவசாயம் | 489 |
3 | விவசாயம் | 4 | தொலை உணர்வு | 399 |
4 | காற்றில் பரவும் | 4 | ட்ரோன் | 374 |
5 | துல்லிய விவசாயம் | 4 | ஆளில்லா வான்வழி அமைப்பு | 271 |
6 | ஆளில்லா வான்வழி | 4 | விவசாயம் | 177 |
7 | ஹைப்பர்ஸ்பெக்ட்ரல் சென்சார் | 3 | ஆழமான கற்றல் | 151 |
8 | செயற்கை நரம்பு நெட்வொர்க்குகள் | 2 | இயந்திரம் கற்றல் | 149 |
9 | தன்னாட்சி விமானம் | 2 | தாவர குறியீட்டு | 142 |
10 | காபி | 2 | இன் இணையம் திங்ஸ் | 124 |
மற்றொரு சுவாரஸ்யமான அம்சம் நிரப்பு தொழில்நுட்பங்கள் இருப்பது. முதல் கட்டத்தில், "ஹைப்பர்ஸ்பெக்ட்ரல் சென்சார்" மற்றும் "செயற்கை நரம்பியல் நெட்வொர்க்குகள்" (ANN) ஆகியவை முதல் பத்து முக்கிய வார்த்தைகளில் அடங்கும். ஹைப்பர்ஸ்பெக்ட்ரல் இமேஜிங் பல்வேறு அலைநீளங்களில் அதிக எண்ணிக்கையிலான படங்களைச் சேகரிப்பதன் மூலம் பாரம்பரிய இமேஜிங்கில் புரட்சியை ஏற்படுத்தியது. அவ்வாறு செய்வதன் மூலம், மல்டிஸ்பெக்ட்ரல் இமேஜிங், ஸ்பெக்ட்ரோஸ்கோபி மற்றும் RGB இமேஜரி (Adao ˜ et al.,) ஆகியவற்றுடன் ஒப்பிடும்போது, சென்சார்கள் ஒரே நேரத்தில் சிறந்த இடஞ்சார்ந்த மற்றும் நிறமாலை தகவல்களை சேகரிக்க முடியும்.
2017). முதல் கட்டத்தில் "ANN" மற்றும் இரண்டாவது கட்டத்தில் "ஆழ்ந்த கற்றல்" (DL) மற்றும் "மெஷின் லேர்னிங்" (ML) ஆகியவை ட்ரோனுக்கான AI நுட்பங்களின் திறனை ஆய்வு செய்வதில் பெரும்பாலான வெளியிடப்பட்ட படைப்புகள் கவனம் செலுத்துகின்றன என்பதைக் குறிக்கிறது. அடிப்படையிலான விவசாயம். ட்ரோன்கள் தன்னியக்கமாக பறக்கும் திறன் கொண்டவை என்றாலும், அவர்களுக்கு இன்னும் ஒரு பைலட்டின் ஈடுபாடு தேவைப்படுகிறது, இது குறைந்த அளவிலான சாதன நுண்ணறிவைக் குறிக்கிறது. இருப்பினும், AI நுட்பங்களின் முன்னேற்றத்தின் காரணமாக இந்த சிக்கலை தீர்க்க முடியும், இது சிறந்த சூழ்நிலை விழிப்புணர்வு மற்றும் தன்னாட்சி முடிவு ஆதரவை வழங்க முடியும். AI பொருத்தப்பட்ட, ட்ரோன்கள் வழிசெலுத்தலின் போது மோதல்களைத் தவிர்க்கலாம், மண் மற்றும் பயிர் நிர்வாகத்தை மேம்படுத்தலாம் (Inoue, 2020), மற்றும் மனிதர்களுக்கான உழைப்பு மற்றும் மன அழுத்தத்தைக் குறைக்கும் (BK ஷர்மா மற்றும் பலர்., 2019).
அவற்றின் நெகிழ்வுத்தன்மை மற்றும் பரந்த அளவிலான நேரியல் அல்லாத தரவைக் கையாளும் திறன் காரணமாக, AI நுட்பங்கள் ட்ரோன்கள் மற்றும் பிற ரிமோட்-சென்சிங் மற்றும் தரை அடிப்படையிலான அமைப்புகள் மூலம் அனுப்பப்படும் தரவை பகுப்பாய்வு செய்வதற்கும் கணிப்பு மற்றும் முடிவெடுப்பதற்கும் பொருத்தமான முறைகள் (Ali et al., 2015; Inoue, 2020). மேலும், இரண்டாவது காலகட்டத்தில் "IoT" இருப்பது விவசாயத்தில் அதன் வளர்ந்து வரும் பங்கைக் குறிக்கிறது. ட்ரோன்கள், ML, DL, WSNகள் மற்றும் பெரிய தரவு உள்ளிட்ட பிற தொழில்நுட்பங்களை ஒன்றோடொன்று இணைப்பதன் மூலம் IoT விவசாயத்தில் புரட்சியை ஏற்படுத்துகிறது. IoT ஐ செயல்படுத்துவதன் முக்கிய நன்மைகளில் ஒன்று, பல்வேறு பணிகளை (தரவு கையகப்படுத்தல், தரவு பகுப்பாய்வு மற்றும் செயலாக்கம், முடிவெடுத்தல் மற்றும் செயல்படுத்தல்) நிகழ்நேரத்தில் திறமையாகவும் திறம்படவும் ஒன்றிணைக்கும் திறன் ஆகும் (எலியா மற்றும் பலர், 2018; ஃபெங் மற்றும் பலர். , 2019; Muangprathub மற்றும் பலர்., 2019). மேலும், தாவரங்களின் வீரியம் மற்றும் தாவர பண்புகளை கணக்கிடுவதற்கு தேவையான தரவுகளை கைப்பற்றுவதற்கான திறமையான கருவிகளாக ட்ரோன்கள் கருதப்படுகின்றன (Candiago et al., 2015). படம். 2a மற்றும் 2b ஆகிய இரண்டு காலகட்டங்களுக்கும் இணை-நிகழ்வு நெட்வொர்க்குகளின் முக்கிய வார்த்தைகளை விளக்குகிறது.
செல்வாக்கு மிக்க ஆசிரியர்கள்
இந்தப் பிரிவில், செல்வாக்கு மிக்க ஆசிரியர்களை நாங்கள் தீர்மானிக்கிறோம் மற்றும் ஆசிரியர் மேற்கோள் நெட்வொர்க்குகள் தற்போதைய இலக்கியத்தை எவ்வாறு காட்சிப்படுத்தலாம் மற்றும் ஒழுங்கமைக்கலாம் என்பதை ஆராய்வோம். அதிக எண்ணிக்கையிலான மேற்கோள்களைக் கொண்ட அனைத்து ஆராய்ச்சியாளர்களின் காலவரிசை மேலோட்டத்தை படம் 3 காட்டுகிறது. வண்ண அளவுகோல் ஆசிரியர்களின் மேற்கோள்களின் ஆண்டு வாரியான மாறுபாட்டை பிரதிபலிக்கிறது. குறைந்தபட்சம் 50 மேற்கோள்கள் மற்றும் பத்து வெளியீடுகளைப் பயன்படுத்தி விவசாய ட்ரோன்கள் பற்றிய ஆய்வுகளை வெளியிட்ட ஆராய்ச்சியாளர்களின் மேற்கோள் அமைப்பை நாங்கள் ஆராய்வோம். வெளியே
12,891 ஆசிரியர்கள், 115 பேர் மட்டுமே இந்த நிபந்தனையை சந்தித்துள்ளனர். அதிகபட்ச மேற்கோள்களின் அடிப்படையில் வரிசைப்படுத்தப்பட்ட முதல் பத்து செல்வாக்குமிக்க ஆசிரியர்களை அட்டவணை 4 பட்டியலிடுகிறது. லோபஸ்-கிரனாடோஸ் எஃப். 1,963 மேற்கோள்களுடன் பட்டியலில் முன்னிலை வகிக்கிறார், 1,909 மேற்கோள்களுடன் Zarco-Tejada PJ இரண்டாவது இடத்தில் உள்ளது.
மிகவும் மேற்கோள் காட்டப்பட்ட எழுத்தாளர்களின் பட்டியல்.
தரவரிசை | ஆசிரியர் | மேற்கோள்கள் |
1 | லோபஸ்-கிரனாடோஸ் எஃப். | 1,963 |
2 | சர்கோ-தேஜாடா பி.ஜே | 1,909 |
3 | பேனா ˜ ஜே.எம் | 1,644 |
4 | டோரஸ்-எஸ்´ அஞ்செஸ் ஜே. | 1,576 |
5 | ஃபெரெஸ் ஈ | 1,339 |
6 | ரெமோண்டினோ எஃப் | 1,235 |
7 | போல்டன் ஏ | 1,160 |
8 | பரேத் ஜி | 1,155 |
9 | பெர்னி ஜே.ஏ | 1,132 |
10 | டி காஸ்ட்ரோ AI | 1,036 |
தனிப்பட்ட வெளியீடுகளைப் பொறுத்தவரை, ஜாங் மற்றும் கோவாக்ஸ் (2012) கட்டுரை துல்லிய வேளாண்மையில் வெளியிடப்பட்ட மிகவும் மேற்கோள் காட்டப்பட்ட ஆய்வு ஆகும். இங்கே, துல்லியமான விவசாயத்தில் UAS இன் பயன்பாட்டை ஆசிரியர்கள் மதிப்பாய்வு செய்தனர். அவர்களின் ஆராய்ச்சியின் கண்டுபிடிப்புகள், விவசாயிகளுக்கு நம்பகமான இறுதிப் பொருட்களை வழங்குவதற்கு மேடை வடிவமைப்பு, தயாரிப்பு, பட புவிசார் குறிப்புகளின் தரப்படுத்தல் மற்றும் தகவல் மீட்டெடுப்பு பணிப்பாய்வு ஆகியவற்றை முன்னெடுக்க வேண்டிய அவசியம் உள்ளது என்று கூறுகின்றன. கூடுதலாக, குறிப்பாக களத் திட்டமிடல், படத்தைப் பிடிப்பது மற்றும் தரவு விளக்கம் மற்றும் பகுப்பாய்வு ஆகியவற்றில் விவசாயியை மிகவும் வலுவாக ஈடுபடுத்த பரிந்துரைக்கின்றனர். முக்கியமாக, புல வரைபடம், வீரியம் மேப்பிங், இரசாயன உள்ளடக்க அளவீடு, தாவர அழுத்தக் கண்காணிப்பு மற்றும் தாவர வளர்ச்சியில் உரங்களின் விளைவுகளை மதிப்பீடு செய்தல் ஆகியவற்றில் UAV இன் முக்கியத்துவத்தைக் காட்டுவதில் இந்த ஆய்வு முதன்மையானது. தொழில்நுட்பம் தொடர்பான சவால்களில் தடைசெய்யும் செலவுகள், சென்சார் திறன், இயங்குதளத்தின் நிலைத்தன்மை மற்றும் நம்பகத்தன்மை, தரப்படுத்தல் இல்லாமை மற்றும் பாரிய அளவிலான தரவுகளை பகுப்பாய்வு செய்வதற்கான நிலையான செயல்முறை ஆகியவை அடங்கும்.
மேற்கோள் பகுப்பாய்வு
மேற்கோள் பகுப்பாய்வானது கட்டுரைகளின் செல்வாக்கைப் பற்றிய ஆய்வைக் குறிக்கிறது, இருப்பினும் ஓட்டங்களுக்கு வாய்ப்பு உள்ளது (எ.கா., மேற்கோள் சார்பு, சுய மேற்கோள்) தாக்க மதிப்பீட்டிற்கான நிலையான கருவிகளில் ஒன்றாகக் கருதப்படுகிறது (Osareh, 1996; A. Rejeb et al., 2022; சார்லி மற்றும் பலர்., 2010). மேற்கோள்கள் ஒரு குறிப்பிட்ட தலைப்பில் இலக்கியத்திற்கான ஆவணங்களின் பங்களிப்புகளின் முக்கியத்துவத்தையும் உயிர்ச்சக்தியையும் பிரதிபலிக்கின்றன (ஆர். ஷர்மா மற்றும் பலர்., 2022). விவசாய ட்ரோன்கள் பற்றிய மிகவும் செல்வாக்குமிக்க ஆய்வுகளைத் தீர்மானிக்க மேற்கோள் பகுப்பாய்வை நாங்கள் மேற்கொண்டோம் மற்றும் உள்ளடக்கங்களை சுருக்கமாகக் கூறினோம். 5-1990 மற்றும் 2010-2011 காலகட்டங்களில் மிகவும் செல்வாக்கு மிக்க பதினைந்து ஆவணங்களின் பட்டியலை அட்டவணை 2021 வழங்குகிறது. பெர்னி மற்றும் பலர் எழுதிய கட்டுரைகள். (2009)b மற்றும் Austin (2010) ஆகியவை முறையே 1990 மற்றும் 2010 மேற்கோள்களுடன் 831 மற்றும் 498 ஆம் ஆண்டுகளில் அதிகமாக மேற்கோள் காட்டப்பட்டுள்ளன. பெர்னி மற்றும் பலர். (2009)b, மலிவு விலையில் வெப்ப மற்றும் நேரோபேண்ட் மல்டிஸ்பெக்ட்ரல் இமேஜிங் சென்சார்கள் பொருத்தப்பட்ட ஹெலிகாப்டர் அடிப்படையிலான UAV மூலம் அளவு ரிமோட்சென்சிங் தயாரிப்புகளை உருவாக்கும் திறனை விளக்குகிறது. பாரம்பரியமான மனிதர்களை ஏற்றிச் செல்லும் வான்வழி உணரிகளுடன் ஒப்பிடுகையில், விவசாயத்திற்கான குறைந்த விலை UAV அமைப்பு, பயிர்களின் உயிரியல் இயற்பியல் அளவுருக்களின் ஒப்பிடக்கூடிய மதிப்பீடுகளை அடைய முடியும். மலிவு விலை மற்றும் செயல்பாட்டு நெகிழ்வுத்தன்மை, உயர் ஸ்பெக்ட்ரல், இடஞ்சார்ந்த மற்றும் தற்காலிகத் தீர்மானங்களுடன் கூடிய விரைவான மாற்றத்துடன், நீர்ப்பாசன திட்டமிடல் மற்றும் துல்லியமான விவசாயம் உட்பட நேர-முக்கியமான மேலாண்மை தேவைப்படும் பல்வேறு பயன்பாடுகளுக்கு UAVகளை வழங்குகின்றன. பெர்னி மற்றும் பலரிடமிருந்து தாள். (2009)b மிகவும் மேற்கோள் காட்டப்பட்டது, ஏனெனில் இது ஆளில்லா ரோட்டரி-சாரி தளம் மற்றும் டிஜிட்டல் மற்றும் வெப்ப உணரிகளை விவசாய பயன்பாடுகளுக்கு தேவையான அளவுத்திருத்த வழிமுறைகளுடன் திறம்பட ஒருங்கிணைத்தது. இரண்டாவது அதிகம் மேற்கோள் காட்டப்பட்ட வெளியீடு ஆஸ்டின் (2010) எழுதிய புத்தகமாகும், அவர் UAVகளை வடிவமைப்பு, மேம்பாடு மற்றும் வரிசைப்படுத்தல் கண்ணோட்டத்தில் விவாதித்தார். விவசாயத்தில், UAVகள் பயிர்களின் நிறமாற்றம் மூலம் நோய்களை ஆரம்பத்திலேயே கண்டறிந்து, பயிர் விதைப்பதற்கும் தெளிப்பதற்கும் வசதி செய்தும், மந்தைகளைக் கண்காணித்து ஓட்டிச் செல்வதன் மூலம் பயிர் கண்காணிப்பை ஆதரிக்கிறது.
சல்லிவன் மற்றும் பலரின் ஆய்வுகள். (2007), லும்மே மற்றும் பலர். (2008), மற்றும் கோக்டோ ¨ ǧan மற்றும் பலர். (2010) அதிகம் மேற்கோள் காட்டப்பட்ட முதல் பதினைந்து கட்டுரைகளின் பட்டியலை முடிக்கவும். விவசாயத்திற்கு ஆதரவாக UAV அடிப்படையிலான அமைப்புகளின் வளர்ச்சியை இந்தக் கட்டுரைகள் விளக்குகின்றன. பயிர் கண்காணிப்பு மற்றும் ஸ்கேனிங், களை கண்காணிப்பு மற்றும் மேலாண்மை மற்றும் முடிவு ஆதரவு போன்ற பல்வேறு பிரச்சனைகளுக்கு அவை தீர்வுகளை வழங்குகின்றன. மாதிரித் திறனை அதிகரிக்கவும், துல்லியமான மற்றும் பயனுள்ளதாகவும் வடிவமைப்பதில் விவசாயிகளுக்கு உதவவும் UAV இன் திறனையும் அவர்கள் பரிந்துரைத்து விவாதிக்கின்றனர்.
நடவு உத்திகள். பெர்னி (Berni et al., 2009b; Berni et al., 2009a) என்பவரால் இரண்டு கட்டுரைகள் எழுதப்பட்டன, இது விவசாய ட்ரோன் தொடர்பான ஆராய்ச்சியில் அவரது குறிப்பிடத்தக்க தாக்கத்தை அடிக்கோடிட்டுக் காட்டுகிறது. Zarco-Tejada et al. (2014) மரத்தின் உயர அளவீட்டில் குறைந்த விலை UAV படத்தைப் பயன்படுத்த வேண்டியதன் அவசியத்தை விளக்குவதற்கு முன்னோடி ஆய்வுகளில் ஒன்றாகும்.
மிகவும் மேற்கோள் காட்டப்பட்ட வெளியீடுகளின் பட்டியல்.
ரேங்க் | 1990 முதல் 2010 வரை | 2011 முதல் 2021 வரை | ||
ஆவணம் | சான்று | ஆவணம் | சான்று | |
1 | (பெர்னி மற்றும் பலர், 2009b) | 831 | (சி. ஜாங் & கோவாக்ஸ், 2012) | 967 |
2 | (ஆஸ்டின், 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (ஹன்ட் மற்றும் பலர்., 2010) | 331 | (புளோரியானோ & வூட், 2015) | 552 |
4 | (எஸ்ஆர் ஹெர்விட்ஸ் மற்றும் பலர்., 2004) | 285 | (ஹோசைன் மோட்லாக் மற்றும் பலர்., 2016) | 391 |
5 | (CCD Lelong மற்றும் பலர்., 2008) | 272 | (ஷாகத்ரே மற்றும் பலர்., 2019) | 383 |
6 | (பெர்னி மற்றும் பலர், 2009b) | 250 | (மா மற்றும் பலர், 2017) | 373 |
7 | (Grenzdorffer ¨ மற்றும் பலர்., 2008) | 198 | (பெண்டிக் மற்றும் பலர்., 2014) | 360 |
8 | (ஹ்ரபார் மற்றும் பலர்., 2005) | 175 | (சர்கோ-தேஜாடா மற்றும் பலர்., 2014) | 347 |
9 | (ஒய். ஹுவாங் மற்றும் பலர்., 2009) | 129 | (Ad˜ ao மற்றும் பலர்., 2017) | 335 |
10 | (Schmale III மற்றும் பலர்., 2008) | 119 | (ஹொங்கவாரா மற்றும் பலர்., 2013) | 331 |
11 | (அப்ட்-எல்ரஹ்மான் மற்றும் பலர்., 2005) | 79 | (கேண்டியாகோ மற்றும் பலர்., 2015) | 327 |
12 | (டெக்கி மற்றும் பலர், 2010) | 69 | (சியாங் & தியான், 2011) | 307 |
13 | (சல்லிவன் மற்றும் பலர், 2007) | 51 | (மேட்சே மற்றும் பலர்., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (காகோ மற்றும் பலர்., 2015) | 275 |
15 | (கோக்டோ ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
இரண்டாவது காலகட்டத்தில் (2011-2021), Zhang and Kovacs (2012) மற்றும் Nex and Remondino (2014) ஆகியோரின் ஆராய்ச்சியானது அடிக்கடி மேற்கோள் காட்டப்பட்ட வெளியீடுகளில் விளைந்தது. Zhang and Kovacs (2012) வாதிடுகையில், புவியியல் தகவல் அமைப்புகள், GPS மற்றும் தொலைநிலை உணர்திறன் போன்ற புவியியல் நுட்பங்கள் மற்றும் உணரிகளை செயல்படுத்துவதன் மூலம் துல்லியமான விவசாயம் பயனடையக்கூடும் என்று வாதிடுகின்றனர். துல்லியமான விவசாயத்தில் கேம்-சேஞ்சராக, ட்ரோன்களின் தத்தெடுப்பு தொலைநிலை உணர்திறன், வான்வழி கண்காணிப்பை எளிதாக்குதல், பயிர் வளர்ச்சி தரவு, மண் நிலைகள் மற்றும் தெளித்தல் போன்றவற்றில் புதிய யுகத்தை வெளிப்படுத்தியுள்ளது. Zhang and Kovacs (2012) இன் மதிப்பாய்வு முதன்மையானது, ஏனெனில் இது UAV களைப் பற்றிய நுண்ணறிவை வழங்குகிறது, ஏனெனில் இது சுற்றுச்சூழல் கண்காணிப்பு மற்றும் துல்லியமான விவசாயத்தில் இந்த சாதனங்களின் தற்போதைய பயன்பாடுகள் மற்றும் சவால்களை வெளிப்படுத்துகிறது. . இரண்டாவது
Nex மற்றும் Remondino (2014) இன் மிகவும் மேற்கோள் காட்டப்பட்ட ஆய்வு, பூமியின் படங்களை கைப்பற்றுவதற்கும், செயலாக்குவதற்கும், பகுப்பாய்வு செய்வதற்கும் UAVகளின் கலையின் நிலையை மதிப்பாய்வு செய்தது.
அவர்களின் பணி பல UAV இயங்குதளங்கள், பயன்பாடுகள் மற்றும் பயன்பாட்டு நிகழ்வுகளின் மேலோட்டத்தை வழங்கியது, UAV பட செயலாக்கத்தில் புதிய முன்னேற்றங்களைக் காட்டுகிறது. விவசாயத்தில், விவசாயிகள் UAV களை பயன்படுத்தி செலவு மற்றும் நேரத்தை மிச்சப்படுத்தவும், சேதங்களின் விரைவான மற்றும் துல்லியமான பதிவைப் பெறவும் மற்றும் சாத்தியமான சிக்கல்களை எதிர்பார்க்கவும் பயனுள்ள முடிவுகளை எடுக்கலாம். வழக்கமான வான்வழி இயங்குதளங்களுக்கு மாறாக, UAV கள் செயல்பாட்டுச் செலவுகளைக் குறைக்கலாம் மற்றும் கடுமையான இடங்களில் அணுகுவதற்கான ஆபத்தைக் குறைக்கலாம், அதே நேரத்தில் அதிக துல்லியமான திறனைப் பாதுகாக்கின்றன. அவர்களின் தாள் UAV களின் பல்வேறு நன்மைகளை, குறிப்பாக துல்லியம் மற்றும் தீர்மானத்தின் அடிப்படையில் சுருக்கமாகக் கூறுகிறது.
2011 மற்றும் 2021 க்கு இடையில் அதிகம் மேற்கோள் காட்டப்பட்ட மீதமுள்ள பதின்மூன்று வெளியீடுகளில், இமேஜிங் பணிகளில் ட்ரோன் பயன்பாடுகளுடன் இணைக்கப்பட்ட ஆராய்ச்சியில் அதிக கவனம் செலுத்துவதை நாங்கள் கவனித்தோம் (பெண்டிக் மற்றும் பலர், 2014; மா மற்றும் பலர்., 2017; சர்கோ-தேஜாடா மற்றும் பலர்., 2014). , துல்லிய விவசாயம் (Candiago et al., 2015; Honkavaara et al., 2013a), துல்லியமான திராட்சை வளர்ப்பு (Matese et al., 2015), நீர் அழுத்த மதிப்பீடு (Gago et al., 2015), மற்றும் தாவர கண்காணிப்பு (Aasen. , 2015a). ஆரம்ப ஆண்டுகளில், ஆராய்ச்சியாளர்கள் கவனம் செலுத்தினர்
விவசாயத்திற்கான குறைந்த விலை, இலகுரக மற்றும் துல்லியமான UAV-அடிப்படையிலான அமைப்புகளை உருவாக்குதல்; மிக சமீபத்திய ஆராய்ச்சி விவசாயம் மற்றும் கள ஆய்வுக்கான UAV பயன்பாடுகளின் மதிப்பாய்வுகளில் அதிக கவனம் செலுத்துகிறது. சுருக்கமாக, UAV களின் தற்போதைய அறிவியல் மற்றும் தொழில்நுட்ப நிலையை மதிப்பிடுவதற்கு முந்தைய ஆய்வுகளின் மதிப்பாய்வுகளை செல்வாக்கு மிக்க வெளியீடுகள் வழங்கியுள்ளன என்பதை இந்த பகுப்பாய்வு வெளிப்படுத்துகிறது மற்றும் துல்லியமான விவசாயத்தை ஆதரிக்க UAV அமைப்புகளை உருவாக்கியது. சுவாரஸ்யமாக, அனுபவபூர்வமான ஆய்வுகளை நாங்கள் கண்டுபிடிக்கவில்லை
வழிமுறைகள் அல்லது விளக்கமான வழக்கு ஆய்வுகள், இது குறிப்பிடத்தக்க அறிவு இடைவெளியை உருவாக்குகிறது மற்றும் இந்த தலைப்பில் மேலும் ஆராய்ச்சிக்கு அழைப்பு விடுக்கிறது.
இணை மேற்கோள் பகுப்பாய்வு
Gmür (2006) படி, இணை மேற்கோள் பகுப்பாய்வு ஒத்த வெளியீடுகளைக் கண்டறிந்து அவற்றைக் கூட்டுகிறது. ஒரு கிளஸ்டரை கவனமாகப் பரிசோதித்தால், வெளியீடுகள் மத்தியில் ஒரு பொதுவான ஆராய்ச்சித் துறையை வெளிப்படுத்த முடியும். விவசாய ஆளில்லா விமானங்கள் தொடர்பான இலக்கியங்களின் இணை மேற்கோள்களை நாங்கள் ஆராய்வோம், அது தொடர்பான பாடப் பகுதிகளை விளக்கவும், வெளியீடுகளின் அறிவுசார் வடிவங்களைக் கண்டறியவும். இது சம்பந்தமாக, ஸ்மால் (1973) மிகவும் செல்வாக்கு மிக்க மற்றும் செமினல் ஆராய்ச்சியை ஆய்வு செய்ய கோசிட்டேஷன் பகுப்பாய்வைப் பயன்படுத்த பரிந்துரைத்தது.
ஒரு ஒழுங்குமுறைக்குள். மிக முக்கியமான கட்டுரைகளுக்கு (கோயல் & குமார், 2021) தொகுப்பைக் கட்டுப்படுத்த, 25 என்ற இணை மேற்கோள் வரம்பை அமைத்துள்ளோம், அதாவது 25 அல்லது அதற்கு மேற்பட்ட வெவ்வேறு வெளியீடுகளின் குறிப்பு பட்டியலில் இரண்டு கட்டுரைகள் ஒன்றாக மேற்கோள் காட்டப்பட்டிருக்க வேண்டும். க்ளஸ்டரிங் குறைந்தபட்ச கிளஸ்டர் அளவு 1 உடன் நடத்தப்பட்டது மற்றும் சிறிய கிளஸ்டர்களை பெரியவற்றுடன் இணைப்பதற்கான எந்த முறையும் இல்லாமல் நடத்தப்பட்டது. இதன் விளைவாக, ஆய்வுகளின் ஒற்றுமை மற்றும் அவற்றின் அறிவுசார் கட்டமைப்பின் அடிப்படையில் ஆறு கிளஸ்டர்கள் உருவாக்கப்பட்டன. ஒவ்வொரு கிளஸ்டரிலும் வெளியீடுகளின் விநியோகத்தை அட்டவணை 6 காட்டுகிறது.
கிளஸ்டர் 1: இந்தக் கிளஸ்டரில் உள்ள வெளியீடுகள் சுற்றுச்சூழல் கண்காணிப்பு, பயிர் மேலாண்மை மற்றும் களை மேலாண்மை ஆகியவற்றில் ட்ரோன்களின் பங்கைப் பற்றி விவாதித்த பிறகு வெளியிடப்பட்ட பதினெட்டு ஆவணங்களைக் கொண்டுள்ளது. உதாரணமாக, Manfreda மற்றும் பலர். (2018) இயற்கை விவசாய சுற்றுச்சூழல் கண்காணிப்பில் UAV இன் தற்போதைய ஆராய்ச்சி மற்றும் செயலாக்கங்களின் மேலோட்டத்தை வழங்குகிறது மற்றும் சுற்றுச்சூழல் கண்காணிப்பை கடுமையாக மேம்படுத்துவதற்கும் குறைப்பதற்கும் தொழில்நுட்பம் மிகப்பெரிய ஆற்றலை வழங்குகிறது என்று வாதிடுகிறது.
புல கண்காணிப்பு மற்றும் வழக்கமான காற்று மற்றும் ஸ்பேஸ்போர்ன் ரிமோட் சென்சிங் ஆகியவற்றுக்கு இடையே இருக்கும் இடைவெளி. மேம்படுத்தப்பட்ட தற்காலிக மீட்டெடுப்பிற்கான புதிய திறனை வழங்குவதன் மூலம் இதைச் செய்யலாம் மற்றும் பெரிய பகுதிகளுக்கு மலிவு விலையில் இடஞ்சார்ந்த நுண்ணறிவுகளை வழங்கலாம். UAV கள் தொடர்ந்து சுற்றுச்சூழலை உணர்ந்து, அதன் விளைவாக வரும் தரவை அறிவார்ந்த, மையப்படுத்தப்பட்ட/ பரவலாக்கப்பட்ட நிறுவனங்களுக்கு அனுப்பலாம், அவை நோய் அல்லது நீர் கண்டறிதல் (Padua et al., 2017). அடாவோ ˜ மற்றும் பலர். (2017) நீர் நிலை, உயிரி அளவு மதிப்பீடு மற்றும் வீரியம் மதிப்பீடு ஆகியவற்றுடன் தொடர்புடைய ஏராளமான மூலத் தரவைக் கைப்பற்றுவதன் மூலம் தாவரங்களின் நிலைமைகளை மதிப்பிடுவதற்கு UAVகள் சிறந்தவை என்று கருதுங்கள். தொலைநிலை உணர்திறன் தரவை சரியான நேரத்தில் கைப்பற்ற அனுமதிக்க UAV-ஏற்றப்பட்ட சென்சார்கள் சரியான சுற்றுச்சூழல் நிலைமைகளில் உடனடியாக பயன்படுத்தப்படலாம் (Von Bueren et al., 2015). UAVகள் மூலம், விவசாயிகள் உட்புற விவசாயச் சூழலின் முப்பரிமாண இடைவெளியில் (எ.கா. பசுமை இல்லங்கள்) நடைமுறையில் எந்த இடத்திலிருந்தும் அளவீடுகளைப் பெறுவதன் மூலம் உட்புற விவசாய நடவடிக்கைகளை மேற்கொள்ள முடியும். ., 2015). துல்லியமான சூழலில்
விவசாயம், பயிர் மேலாண்மை முடிவுகள் சரியான தற்காலிக மற்றும் இடஞ்சார்ந்த தெளிவுத்திறனுடன் துல்லியமான, நம்பகமான பயிர் தரவு தேவை (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). இந்த காரணத்திற்காக, Agüera Vega மற்றும் பலர். (2015) வளரும் பருவத்தில் சூரியகாந்தி பயிரின் படங்களைப் பெற UAV-மவுண்டட் மல்டிஸ்பெக்ட்ரல் சென்சார் அமைப்பைப் பயன்படுத்தியது. இதேபோல், ஹுவாங் மற்றும் பலர். (2009) UAVகளை அடிப்படையாகக் கொண்ட ரிமோட் சென்சிங், சேகரிக்கப்பட்ட ஸ்பெக்ட்ரல் தரவுகளிலிருந்து பயிர்கள் மற்றும் மண்ணை அளவிடுவதை எளிதாக்கும். வெர்ஜர் மற்றும் பலர். (2014) கோதுமை மற்றும் ராப்சீட் பயிர்களில் கவனம் செலுத்தி, துல்லியமான விவசாய பயன்பாடுகளில் UAV பிரதிபலிப்பு அளவீடுகளிலிருந்து பசுமைப் பகுதி குறியீட்டை (GAI) மதிப்பிடுவதற்கான ஒரு நுட்பத்தை உருவாக்கி சோதனை செய்தது. எனவே, அடிக்கடி மறுபரிசீலனைகள் மற்றும் அதிக இடஞ்சார்ந்த தெளிவுத்திறன் (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016) மூலம் பயிர் நிலை தகவலை மீட்டெடுப்பதற்கான புதிய சாத்தியங்களை ட்ரோன்கள் வழங்குகின்றன.
விவசாய ட்ரோன்கள் பற்றிய செல்வாக்குமிக்க வெளியீடுகளின் கிளஸ்டரிங்.
கிளஸ்டர் | பரந்த தீம் | குறிப்புகள் |
1 | சுற்றுச்சூழல் கண்காணிப்பு, பயிர் மேலாண்மை, களை மேலாண்மை | (Ad˜ ao மற்றும் பலர்., 2017; அகுவேரா வேகா மற்றும் பலர், 2015; டி காஸ்ட்ரோ மற்றும் பலர்., 2018; Gomez-Cand ´ on ’ et al., 2014; ஒய்.பி ஹுவாங் மற்றும் பலர்., 2013; கானல் மற்றும் பலர்., 2017; லோபஸ்-கிரனாடோஸ், 2011; Manfreda மற்றும் பலர்., 2018; P´ அதுவா மற்றும் பலர்., 2017; பெனா ˜ மற்றும் பலர்., 2013; பெரெஸ்-ஓர்டிஸ் மற்றும் பலர், 2015; ராஸ்முசென் மற்றும் பலர்., 2013, 2016; டோரஸ்-எஸ்´ அஞ்செஸ் மற்றும் பலர்., 2014; டோரஸ்-சான்செஸ், 'லோபஸ்-கிரானாடோஸ்,' & பேனா, ˜ 2015; வெர்ஜர் மற்றும் பலர்., 2014; வான் பியூரன் மற்றும் பலர்., 2015; சி. ஜாங் & கோவாக்ஸ், 2012) |
2 | ரிமோட் பினோடைப்பிங், விளைச்சல் மதிப்பீடு, பயிர் மேற்பரப்பு மாதிரி, தாவரங்களின் எண்ணிக்கை | (பெண்டிக் மற்றும் பலர், 2013, 2014; கீபெல் மற்றும் பலர், 2014; க்னாடிங்கர் ¨ & ஷ்மிதால்டர், 2017; ஹகிகத்தலாப் மற்றும் பலர், 2016; ஹோல்மன் மற்றும் பலர்., 2016; ஜின் மற்றும் பலர், 2017; டபிள்யூ. லி மற்றும் பலர்., 2016; மைமைதிஜியாங் மற்றும் பலர்., 2017; சங்கரன் மற்றும் பலர், 2015; ஷிர்மன் மற்றும் பலர்., 2016; ஷி மற்றும் பலர்., 2016; யூ மற்றும் பலர்., 2017; எக்ஸ். சோ மற்றும் பலர்., 2017) |
3 | தண்ணீருக்கான வெப்ப இமேஜிங், மல்டிஸ்பெக்ட்ரல் இமேஜிங் | (பாலுஜா மற்றும் பலர், 2012; பெர்னி மற்றும் பலர்., 2009b; பெர்னி மற்றும் பலர்., 2009a; காண்டியாகோ மற்றும் பலர், 2015; காகோ மற்றும் பலர்., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ மற்றும் பலர்., 2008; காலிக் மற்றும் பலர், 2019; மேட்சே மற்றும் பலர்., 2015; ரிபீரோ-கோம்ஸ் மற்றும் பலர்., 2017; Santesteban et al., 2017; யூடோ மற்றும் பலர்., 2013) |
4 | ஹைபர்செக்ட்ரல் இமேஜிங், ஸ்பெக்ட்ரல் இமேஜிங் | (Aasen et al., 2015a; Bareth et al., 2015; ஹகலா மற்றும் பலர்., 2013; Honkavaara et al., 2013a; லூசியர் மற்றும் பலர், 2014; சாரி மற்றும் பலர்., 2011; சுவோமலைனென் மற்றும் பலர்., 2014) |
5 | 3D-மேப்பிங் பயன்பாடுகள் | (ஜிமினெஸ்-ப்ரெனெஸ் மற்றும் பலர்., 2017; நெக்ஸ் & ரெமோண்டினோ, 2014; சலாமி மற்றும் பலர்., 2014; டோரஸ்-எஸ்´ அஞ்செஸ், லோபஸ்-´ கிரானாடோஸ், செரானோ மற்றும் பலர்., 2015; ஜஹாவி மற்றும் பலர்., 2015; சர்கோ-தேஜாடா et al., 2014) |
6 | விவசாய கண்காணிப்பு | (எஸ்ஆர் ஹெர்விட்ஸ் மற்றும் பலர், 2004; ஹன்ட் மற்றும் பலர், 2010; CCD Lelong மற்றும் பலர்., 2008; Primicerio மற்றும் பலர்., 2012; சியாங் & தியான், 2011) |
மேலும், களை மேப்பிங் உள்ளிட்ட விவசாயத்தில் சவாலான பணிகளுக்கு ட்ரோன்கள் பயனுள்ளதாக இருக்கும். சாதனங்களால் கைப்பற்றப்பட்ட படங்கள் வயல்களில் ஆரம்பகால களைகளைக் கண்டறிவதற்கான அவற்றின் பயனை நிரூபித்துள்ளன (டி காஸ்ட்ரோ மற்றும் பலர், 2018; ஜிமெனெஸ்-ப்ரெனெஸ் மற்றும் பலர்., 2017; லாம் மற்றும் பலர்., 2021; லோபஸ்-கிரானாடோஸ் மற்றும் பலர்., 2016; ரோசன்பெர்க் மற்றும் பலர்., 2021). இது சம்பந்தமாக, டி காஸ்ட்ரோ மற்றும் பலர். (2018) UAV இமேஜ்ரி மற்றும் ஆப்ஜெக்ட்-பேஸ்டு இமேஜ் அனாலிசிஸ் (OBIA) ஆகியவற்றின் இணைப்பானது, களை ஆராய்ச்சியில் முன்னோக்கிச் செல்லும் ஒரு பெரிய படியாகும். அதேபோல், பெனா ˜ மற்றும் பலர். (2013) OBIA செயல்முறையுடன் இணைந்து UAV இலிருந்து அல்ட்ரா-ஹை ஸ்பேஷியல் ரெசல்யூஷன் படங்களைப் பயன்படுத்துவது, ஆரம்பகால மக்காச்சோளப் பயிர்களில் களை வரைபடங்களை உருவாக்குவதை சாத்தியமாக்குகிறது. செயற்கைக்கோள் மற்றும் பாரம்பரிய வான்வழி படங்களின் திறனுக்கு அப்பாற்பட்ட பணி. பட வகைப்பாடு அல்லது பொருள் கண்டறிதல் வழிமுறைகளுடன் ஒப்பிடும்போது, களை மேப்பிங் பணிகளில் (J. Deng et al., 2020) சொற்பொருள் பிரிவு நுட்பங்கள் மிகவும் பயனுள்ளதாக இருக்கும், இதனால் விவசாயிகள் வயல் நிலைகளைக் கண்டறியவும், இழப்புகளைக் குறைக்கவும், வளரும் பருவம் முழுவதும் விளைச்சலை மேம்படுத்தவும் உதவுகிறது (ரமேஷ் மற்றும் பலர்., 2020). ஆழமான கற்றல் அடிப்படையிலான சொற்பொருள் பிரிவு, உயர் தெளிவுத்திறன் கொண்ட வான்வழிப் படங்களிலிருந்து தாவர அட்டையின் துல்லியமான அளவீட்டையும் வழங்க முடியும் (ரமேஷ் மற்றும் பலர், 2020; ஏ. ஜெங் மற்றும் பலர்., 2022). தொலைதூரத்திற்கான அவர்களின் திறன் இருந்தபோதிலும்
உணர்திறன் பிக்சல் வகைப்பாடு, சொற்பொருள் பிரிவு நுட்பங்களுக்கு குறிப்பிடத்தக்க கணக்கீடு மற்றும் உயர் GPU நினைவகம் தேவை (J. Deng et al., 2020).
இயந்திர கற்றல் மற்றும் UAV அடிப்படையில், P´erez-Ortiz மற்றும் பலர். (2015) களை மேப்பிங் அணுகுமுறையைப் பரிந்துரைத்தது, விவசாயிகள் ஆரம்பகால எழுச்சி களைக்கட்டுப்பாட்டைக் கடைப்பிடிக்கும்போது, குறிப்பிட்ட தளம் சார்ந்த களைக்கட்டுப்பாட்டு உத்திகளை வழங்க வேண்டும். இறுதியாக, ராஸ்முசென் மற்றும் பலர். (2013) ட்ரோன்கள் சிறந்த இடஞ்சார்ந்த தெளிவுத்திறன் நெகிழ்வுத்தன்மையுடன் மலிவான உணர்வை வழங்குகின்றன. ஒட்டுமொத்தமாக, இந்த கிளஸ்டரில் உள்ள வெளியீடுகள் தொலைநிலை உணர்திறன், பயிர் கண்காணிப்பு மற்றும் களை மேப்பிங் ஆகியவற்றை ஆதரிக்க UAVகளின் சாத்தியக்கூறுகளை ஆராய்வதில் கவனம் செலுத்துகின்றன. சுற்றுச்சூழல் கண்காணிப்பு, பயிர் மேலாண்மை மற்றும் களை மேப்பிங் ஆகியவற்றில் ட்ரோன் பயன்பாடுகள் எவ்வாறு நிலையான விவசாயத்தை அடைய முடியும் என்பதை மேலும் ஆராய கூடுதல் ஆழமான ஆராய்ச்சி தேவை (சாமுவா & சிங், 2019; இஸ்லாம் மற்றும் பலர்., 2021; போபெஸ்கு மற்றும் பலர்., 2020; ஜே. . சு, லியு மற்றும் பலர்., 2018) மற்றும் பயிர்க் காப்பீட்டு பயன்பாடுகளில் இந்தத் தொழில்நுட்பத்தின் நிர்வாகச் சிக்கல்களைத் தீர்க்கவும் (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). செயலாக்கப்பட்ட தரவின் இறுதித் தரத்தை மேம்படுத்த, UAV சேகரிக்கப்பட்ட அளவீடுகளை திறமையான செயலாக்க நுட்பங்களுடன் சரிபார்ப்பதில் ஆராய்ச்சியாளர்கள் கவனம் செலுத்த வேண்டும் (Manfreda et al., 2018). மேலும், டிஜிட்டல் படங்களில் களைகளைக் காண்பிக்கும் மற்றும் UAV களை மேப்பிங்கின் போது பொருத்தமற்ற பின்னணியை அகற்றும் பிக்சல்களை அங்கீகரிக்கும் பொருத்தமான வழிமுறைகளின் வளர்ச்சி தேவைப்படுகிறது (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; லோபஸ்- கிரானாடோஸ் மற்றும் பலர்., 2016). தாவர அங்கீகாரம், இலை வகைப்பாடு மற்றும் நோய் மேப்பிங் ஆகியவற்றில் சொற்பொருள் பிரிவு நுட்பங்களை ஏற்றுக்கொள்வது பற்றிய கூடுதல் ஆராய்ச்சி வரவேற்கத்தக்கது (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
கிளஸ்டர் 2. இந்த கிளஸ்டரில் உள்ள வெளியீடுகள் விவசாய ட்ரோன்களின் பல அம்சங்களில் கவனம் செலுத்துகின்றன. ரிமோட் பினோடைப்பிங்குடன் தொடர்புடையது, சங்கரன் மற்றும் பலர். (2015) வயலில் பயிர்களை விரைவாக பினோடைப்பிங் செய்ய UAVகளுடன் குறைந்த-உயர, உயர்-தெளிவுத்திறன் கொண்ட வான்வழி இமேஜிங்கைப் பயன்படுத்துவதற்கான திறனை மதிப்பாய்வு செய்தது, மேலும் அவர்கள் வாதிடுகின்றனர், தரை அடிப்படையிலான உணர்திறன் தளங்களுடன் ஒப்பிடும்போது, போதுமான சென்சார்கள் கொண்ட சிறிய UAVகள் பல நன்மைகளை வழங்குகின்றன. , புலத்திற்கு எளிதான அணுகல், உயர் தெளிவுத்திறன் தரவு, திறமையான தரவு சேகரிப்பு,
கள வளர்ச்சி நிலைமைகளின் விரைவான மதிப்பீடுகள் மற்றும் குறைந்த செயல்பாட்டு செலவுகள். இருப்பினும், புலம் பினோடைப்பிங்கிற்கான UAV இன் பயனுள்ள பயன்பாடு UAV அம்சங்கள் (எ.கா., பாதுகாப்பு, நிலைத்தன்மை, நிலைப்படுத்தல், சுயாட்சி) மற்றும் சென்சார் பண்புகள் (எ.கா. தீர்மானம், எடை, நிறமாலை அலைநீளங்கள், புலம்) ஆகிய இரண்டு அடிப்படைக் கூறுகளை நம்பியுள்ளது என்பதையும் ஆசிரியர்கள் குறிப்பிடுகின்றனர். பார்வையில்). ஹகிகத்தலாப் மற்றும் பலர். (2016) UAV படங்களிலிருந்து ப்ளாட்-லெவல் தரவை மீட்டெடுக்கவும், இனப்பெருக்கம் செயல்முறையை துரிதப்படுத்தவும் ஒரு அரை-தானியங்கி இமேஜ் பிராசசிங் பைப்லைனை முன்மொழிந்தது. ஹோல்மன் மற்றும் பலர். (2016) உயர்வை உருவாக்கியது
த்ரோபுட் ஃபீல்ட் பினோடைப்பிங் சிஸ்டம் மற்றும் UAV தரம், பெரிய, புலம் சார்ந்த பினோடைபிக் தரவைச் சேகரிக்க முடியும் என்பதையும், சாதனம் பெரிய பகுதிகளுக்கும் வெவ்வேறு புல இடங்களுக்கும் பயனுள்ளதாக இருக்கும் என்பதையும் எடுத்துக்காட்டுகிறது.
மகசூல் மதிப்பீடு என்பது நம்பமுடியாத முக்கியமான தகவலாக இருப்பதால், குறிப்பாக சரியான நேரத்தில் கிடைக்கும் போது, UAV கள் அனைத்து கள அளவீடுகளையும் வழங்குவதற்கும் உயர்தர தரவை திறம்பட பெறுவதற்கும் சாத்தியம் உள்ளது (Daakir et al., 2017; Demir et al., 2018 ; என்சிசோ மற்றும் பலர்., 2019; குல்பாகி மற்றும் பலர்., 2018; புடெல்கோ மற்றும் பலர்., 2012). இது சம்பந்தமாக, ஜின் மற்றும் பலர். (2017) மிகக் குறைந்த உயரத்தில் UAV களால் பெறப்பட்ட உயர் தெளிவுத்திறன் படங்களைப் பயன்படுத்தி, கோதுமை செடியின் அடர்த்தியை வெளிப்படும் நிலையில் மதிப்பிடுவதற்கான ஒரு முறையை உருவாக்கி மதிப்பீடு செய்தது. ஆசிரியர்களின் கூற்றுப்படி, UAV கள் கேமராக்கள் பொருத்தப்பட்ட ரோவர் அமைப்புகளின் வரம்புகளை கடந்து, பயிர்களில் தாவர அடர்த்தியை மதிப்பிடுவதற்கான ஆக்கிரமிப்பு அல்லாத முறையை பிரதிநிதித்துவப்படுத்துகின்றன, இது மண்ணின் போக்குவரத்தைப் பொருட்படுத்தாமல் வயல் பினோடைப்பிங்கிற்குத் தேவையான உயர் செயல்திறனை அடைய விவசாயிகளை அனுமதிக்கிறது. லி மற்றும் பலர். (2016) மக்காச்சோள அளவுருக்களை மதிப்பிடுவதற்கு UAV-அடிப்படையிலான அமைப்பைப் பயன்படுத்தி மிக உயர்ந்த தெளிவுத்திறனுடன் கூடிய நூற்றுக்கணக்கான ஸ்டீரியோ படங்களை சேகரித்தது, இதில் விதான உயரம் மற்றும் நிலத்திற்கு மேல் உள்ள உயிர்ப்பொருள்கள் அடங்கும். இறுதியாக, யூ மற்றும் பலர். (2017) UAV களில் இருந்து நிர்ணயிக்கப்பட்ட பயிர் உயரம், நிலத்தடி உயிரி அளவு (AGB) மதிப்பீட்டை மேம்படுத்தும் என்று கண்டறியப்பட்டது.
பயிர் வளர்ச்சியைக் கண்காணிப்பதற்கான அணுகுமுறை பயிர் மேற்பரப்பு மாதிரிகளை உருவாக்கும் யோசனையாகும் (பெண்டிக் மற்றும் பலர், 2014, 2015; ஹோல்மன் மற்றும் பலர்., 2016; பாண்டே, ஷ்ரேஸ்தா, மற்றும் பலர்., 2020; சுமேஷ் மற்றும் பலர்., 2021). தாவரங்களின் உயரத்தைப் பிடிக்கவும் அவற்றின் வளர்ச்சியைக் கண்காணிக்கவும் UAV இலிருந்து எடுக்கப்பட்ட படங்களின் சாத்தியத்தை பல ஆய்வுகள் எடுத்துக்காட்டுகின்றன. உதாரணமாக, பெண்டிக் மற்றும் பலர். (2013) UAV ஐப் பயன்படுத்தி 0.05 மீட்டருக்கும் குறைவான மிக உயர்ந்த தெளிவுத்திறனுடன் பல-தற்காலிக பயிர் மேற்பரப்பு மாதிரிகளின் வளர்ச்சியை விவரித்தார். அவர்கள் பயிரைக் கண்டறிவதை நோக்கமாகக் கொண்டனர்
வளர்ச்சி மாறுபாடு மற்றும் பயிர் சிகிச்சை, சாகுபடி மற்றும் மன அழுத்தம் ஆகியவற்றை சார்ந்துள்ளது. பெண்டிக் மற்றும் பலர். (2014) பயிர் மேற்பரப்பு மாதிரிகளில் இருந்து பிரித்தெடுக்கப்பட்ட தாவர உயரத்தின் அடிப்படையில் புதிய மற்றும் உலர் உயிரிகளை மதிப்பிடுவதற்கு UAV களைப் பயன்படுத்தியது மற்றும் வான்வழி தளங்கள் மற்றும் நிலப்பரப்பு லேசர் ஸ்கேனிங் போலல்லாமல், UAV களின் உயர் தெளிவுத்திறன் படங்கள் வெவ்வேறு வளர்ச்சிக்கான தாவர உயர மாதிரியின் துல்லியத்தை கணிசமாக அதிகரிக்க முடியும் என்பதைக் கண்டறிந்தது. நிலைகள். அதே வகையில், கீபெல் மற்றும் பலர். (2014) படத்தைப் பெறுவதற்காக UAVகளை தங்கள் ஆராய்ச்சியில் பயன்படுத்தினார்கள்
மக்காச்சோள தானிய மகசூல் முன்னறிவிப்புக்கான தரவுத்தொகுப்புகள் ஆரம்பம் முதல் நடுப் பருவம் வரையிலான மூன்று வெவ்வேறு வளர்ச்சிக் கட்டங்களில் மற்றும் வான்வழிப் படங்கள் மற்றும் பயிர் மேற்பரப்பு மாதிரிகள் ஆகியவற்றின் அடிப்படையில் நிறமாலை மற்றும் இடஞ்சார்ந்த மாதிரியின் கலவையானது நடுப் பருவ மக்காச்சோள விளைச்சலைக் கணிக்க ஏற்ற முறையாகும். இறுதியாக, Gnadinger ¨ மற்றும் Schmidhalter (2017) துல்லியமான பினோடைப்பிங்கில் UAV இன் பயன்பாட்டை ஆய்வு செய்தனர் மற்றும் இந்த தொழில்நுட்பத்தின் பயன்பாடு பண்ணை நிர்வாகத்தை மேம்படுத்தலாம் மற்றும் இனப்பெருக்கம் மற்றும் வேளாண் நோக்கங்களுக்காக களப் பரிசோதனையை செயல்படுத்த முடியும் என்பதை எடுத்துக்காட்டுகிறது. ஒட்டுமொத்தமாக, கிளஸ்டர் 2 இல் உள்ள வெளியீடுகள் ரிமோட்டில் உள்ள UAVகளின் முக்கிய நன்மைகளில் கவனம் செலுத்துவதை நாங்கள் கவனிக்கிறோம்.
பினோடைப்பிங், மகசூல் மதிப்பீடு, பயிர் மேற்பரப்பு மாதிரியாக்கம் மற்றும் தாவர எண்ணிக்கை. தொலைதூர பினோடைப்பிங்கிற்கான புதிய முறைகளை உருவாக்குவதன் மூலம் எதிர்கால ஆய்வுகள், தொலைதூரத்தில் உணரப்பட்ட தரவுகளின் செயலாக்கத்தை தானியங்குபடுத்தவும் மேம்படுத்தவும் முடியும் (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou ., 2021). கூடுதலாக, UAV களில் பொருத்தப்பட்ட IoT சென்சார்களின் செயல்திறன் மற்றும் அவற்றின் செலவுகள், உழைப்பு மற்றும் மகசூல் மதிப்பீட்டின் துல்லியம் ஆகியவற்றுக்கு இடையேயான வர்த்தகம் ஆகியவை ஆய்வு செய்யப்பட வேண்டும்.
எதிர்காலம் (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). இறுதியில், நம்பகமான தகவலை உருவாக்கவும், விவசாய உற்பத்தியில் செயல்திறனை அதிகரிக்கவும் மற்றும் விவசாயிகளின் கைமுறையாக எண்ணும் வேலையை குறைக்கவும் கூடிய திறமையான பட செயலாக்க முறைகளை உருவாக்க வேண்டிய அவசியம் உள்ளது (RU கான் மற்றும் பலர், 2021; கோ மற்றும் பலர்., 2021; லின் & குவோ, 2020; சி. ஜாங் மற்றும் பலர்., 2020).
கிளஸ்டர் 3. இந்த கிளஸ்டரில் உள்ள வெளியீடுகள் UAV தளங்களில் பயன்படுத்தப்படும் விவசாய வளங்களை தொலைநிலை உணர்தலுக்கான பல்வேறு வகையான இமேஜிங் அமைப்புகளைப் பற்றி விவாதிக்கின்றன. இது சம்பந்தமாக, வெப்ப இமேஜிங் பயிர் சேதத்தைத் தடுக்கவும், வறட்சி அழுத்தத்தை முன்கூட்டியே கண்டறியவும் மேற்பரப்பு வெப்பநிலையை கண்காணிக்க அனுமதிக்கிறது (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; யோம், 2021). பாலுஜா மற்றும் பலர். (2012) கப்பலில் மல்டிஸ்பெக்ட்ரல் மற்றும் தெர்மல் கேமராக்களின் பயன்பாடு என்று வலியுறுத்தப்பட்டது
UAV ஆராய்ச்சியாளர்களுக்கு உயர் தெளிவுத்திறன் படங்களைப் பெறவும் கொடியின் நீரின் நிலையை மதிப்பிடவும் உதவியது. ரிமோட்-சென்சிங் தரவைப் பயன்படுத்தி புதிய நீர் திட்டமிடல் மாதிரிகளை உருவாக்க இது பயனுள்ளதாக இருக்கும் (பாலுஜா மற்றும் பலர்., 2012). ஏனெனில்
UAVகளின் வரையறுக்கப்பட்ட சுமை திறன், ரிபேரோ-கோம்ஸ் மற்றும் பலர். (2017) ஆலைகளில் உள்ள நீர் அழுத்தத்தைக் கண்டறிய, குளிரூட்டப்படாத வெப்ப கேமராக்களை UAVS உடன் ஒருங்கிணைப்பதாகக் கருதப்பட்டது, இது பாரம்பரிய செயற்கைக்கோள் அடிப்படையிலான தொலைநிலை உணர்திறன் மற்றும் குளிரூட்டப்பட்ட வெப்ப கேமராக்கள் பொருத்தப்பட்ட UAV களை விட இந்த வகை UAV களை மிகவும் திறமையாகவும் சாத்தியமானதாகவும் ஆக்குகிறது. ஆசிரியர்களின் கூற்றுப்படி, குளிரூட்டப்படாத வெப்ப கேமராக்கள் குளிரூட்டப்பட்ட கேமராக்களை விட இலகுவானவை, பொருத்தமான அளவுத்திருத்தம் தேவைப்படுகிறது. Gonzalez-Dugo மற்றும் பலர். (2014) வெப்பப் படங்கள் நீர் நிலையை மதிப்பிடுவதற்கும், சிட்ரஸ் பழத்தோட்டங்களுக்குள்ளும் அதற்குள்ளும் நீர் அழுத்தத்தைக் கணக்கிடுவதற்கும் பயிர் நீர் அழுத்தக் குறியீடுகளின் இடஞ்சார்ந்த வரைபடங்களை திறம்பட உருவாக்குகிறது என்பதைக் காட்டுகிறது. Gonzalez-Dugo மற்றும் பலர். (2013) மற்றும் Santesteban et al. (2017) வணிகப் பழத்தோட்டம் மற்றும் திராட்சைத் தோட்டத்தின் நீர் நிலை மாறுபாட்டை மதிப்பிடுவதற்கு உயர் தெளிவுத்திறன் கொண்ட UAV வெப்பப் படங்களின் பயன்பாடு குறித்து ஆய்வு செய்யப்பட்டது.
மல்டிஸ்பெக்ட்ரல் இமேஜிங் பாரம்பரிய RGB (சிவப்பு, பச்சை மற்றும் நீலம்) படங்களுடன் ஒப்பிடுகையில் மிகப்பெரிய தரவை வழங்க முடியும் (Ad˜ ao et al., 2017; Navia et al., 2016). இந்த ஸ்பெக்ட்ரல் தரவு, இடஞ்சார்ந்த தரவுகளுடன், வகைப்பாடு, மேப்பிங், முன்கணிப்பு, கணிப்பு மற்றும் கண்டறிதல் நோக்கங்களுக்காக உதவக்கூடும் (பெர்னி மற்றும் பலர், 2009b). Candiago மற்றும் பலர் படி. (2015), UAV அடிப்படையிலான மல்டிஸ்பெக்ட்ரல் இமேஜிங் பயிர் மதிப்பீடு மற்றும் துல்லியமான விவசாயத்திற்கு நம்பகமான மற்றும் திறமையான ஆதாரமாக பெருமளவில் பங்களிக்க முடியும். மேலும்,
காலிக் மற்றும் பலர். (2019) செயற்கைக்கோள் மற்றும் UAV அடிப்படையிலான மல்டிஸ்பெக்ட்ரல் இமேஜிங் இடையே ஒரு ஒப்பீடு செய்யப்பட்டது. UAV-அடிப்படையிலான படங்கள், திராட்சைத் தோட்ட மாறுபாடு மற்றும் பயிர் விதானங்களைக் குறிக்கும் வீரிய வரைபடங்களை விவரிப்பதில் மிகவும் துல்லியமாக இருந்தன. சுருக்கமாக, இந்த கிளஸ்டரில் உள்ள கட்டுரைகள் விவசாய யுஏவிகளில் வெப்ப மற்றும் மல்டிஸ்பெக்ட்ரல் இமேஜிங் சென்சார்களை இணைப்பது பற்றி விவாதிக்கின்றன. அதன்படி, AI உடன் வெப்ப மற்றும் மல்டிஸ்பெக்ட்ரல் இமேஜிங்கை எவ்வாறு ஒருங்கிணைக்க முடியும் என்பதைப் புரிந்துகொள்ள கூடுதல் ஆராய்ச்சி தேவை.
தாவர அழுத்தத்தைக் கண்டறிவதற்கான நுட்பங்கள் (எ.கா., ஆழமான கற்றல்) (அம்பாட்ஸிடிஸ் மற்றும் பலர், 2020; அம்பாட்ஜிடிஸ் & பார்டெல், 2019; ஜங் மற்றும் பலர்., 2021; சாண்டெஸ்டெபன் மற்றும் பலர்., 2017; சையதா மற்றும் பலர்., 2021). இத்தகைய நுண்ணறிவுகள் மிகவும் திறமையான மற்றும் துல்லியமான கண்டறிதலை உறுதி செய்வதோடு தாவர வளர்ச்சி, மன அழுத்தம் மற்றும் பினாலஜி ஆகியவற்றைக் கண்காணிக்கவும் உதவும் (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
கிளஸ்டர் 4. விவசாய நடைமுறைகளை ஆதரிப்பதில் ஸ்பெக்ட்ரல் இமேஜிங் மற்றும் ஹைப்பர்ஸ்பெக்ட்ரல் இமேஜிங் ஆகியவற்றின் முக்கிய பங்கை சுற்றி வரும் ஏழு தாள்களை இந்த கிளஸ்டர் கொண்டுள்ளது. ஹைப்பர்ஸ்பெக்ட்ரல் இமேஜிங் என்பது ரிமோட்-சென்சிங் முறையாக தன்னை நிலைநிறுத்தியுள்ளது, இது பூமி அமைப்பின் அளவு மதிப்பீட்டை செயல்படுத்துகிறது (ஸ்கேப்மேன் மற்றும் பலர்., 2009).இன்னும் துல்லியமாகச் சொல்வதானால், இது மேற்பரப்புப் பொருட்களை அடையாளம் காணவும், (உறவினர்) செறிவுகளை அளவிடவும் மற்றும் மேற்பரப்பு கூறு விகிதங்களின் ஒதுக்கீடு
கலப்பு பிக்சல்களுக்குள் (கிர்ஷ் மற்றும் பலர், 2018; ஜாவோ மற்றும் பலர்., 2022). வேறு வார்த்தைகளில் கூறுவதானால், ஹைப்பர்ஸ்பெக்ட்ரல் அமைப்புகளால் வழங்கப்படும் உயர் நிறமாலை தெளிவுத்திறன் சைவ பண்புகள் அல்லது இலை நீர் உள்ளடக்கம் போன்ற பல்வேறு அளவுருக்களின் மிகவும் துல்லியமான மதிப்பீடுகளை செயல்படுத்துகிறது (சுவோமலைனென் மற்றும் பலர்., 2014). இந்த கிளஸ்டரில் உள்ள ஆராய்ச்சியாளர்கள் அத்தகைய அமைப்புகளின் பல்வேறு அம்சங்களை ஆராய்ந்தனர். மற்றவற்றுடன், ஆசென் மற்றும் பலர். (2015b) இலகுரகத்திலிருந்து முப்பரிமாண ஹைப்பர்ஸ்பெக்ட்ரல் தகவலைப் பெறுவதற்கான தனித்துவமான அணுகுமுறையை வழங்கியது.
தாவர கண்காணிப்புக்கு UAVகளில் பயன்படுத்தப்படும் ஸ்னாப்ஷாட் கேமராக்கள். லூசியர் மற்றும் பலர். (2014) ஒரு நாவல் ஹைப்பர்ஸ்பெக்ட்ரல் UAS இன் வடிவமைப்பு, மேம்பாடு மற்றும் வான்வழிச் செயல்பாடுகள் மற்றும் அதனுடன் சேகரிக்கப்பட்ட படத் தரவின் அளவுத்திருத்தம், பகுப்பாய்வு மற்றும் விளக்கம் ஆகியவற்றைப் பற்றி விவாதித்தது. இறுதியாக, Honkavaara மற்றும் பலர். (2013b) FabryPerot இன்டர்ஃபெரோமீட்டர் அடிப்படையிலான ஸ்பெக்ட்ரல் படங்களுக்கான ஒரு விரிவான செயலாக்க அணுகுமுறையை உருவாக்கியது மற்றும் துல்லியமான விவசாயத்திற்கான ஒரு உயிரி மதிப்பீடு நடைமுறையில் அதன் பயன்பாட்டைக் காட்டியது. இந்த தற்போதைய கிளஸ்டருக்கான சாத்தியமான எதிர்கால பாதைகளில் சென்சார் தொழில்நுட்பங்களில் தொழில்நுட்ப மேம்பாடுகளின் அவசியத்தை வலியுறுத்துவது (Aasen et al., 2015b) அத்துடன் நிரப்பு தொழில்நுட்பங்களை, குறிப்பாக பெரிய தரவு மற்றும் பகுப்பாய்வுகளை இணைத்து மேம்படுத்துவதற்கான அவசியத்தையும் உள்ளடக்கியது (Ang & Seng, 2021; -கிராமடிகிஸ் மற்றும் பலர்., 2020; ஷகூர் மற்றும் பலர்., 2019). பிந்தையது முக்கியமாக ஸ்மார்ட் விவசாயத்தில் செயல்படுத்தப்படும் பல்வேறு உணரிகளால் உருவாக்கப்பட்ட தரவுகளிலிருந்து உருவாகிறது (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
கிளஸ்டர் 5. இந்த கிளஸ்டரில் உள்ள வெளியீடுகள் ட்ரோன் அடிப்படையிலான 3Dமேப்பிங் பயன்பாடுகளை ஆய்வு செய்தன. 3D மேப்பிங்கிற்கு ட்ரோன்களைப் பயன்படுத்துவது சிக்கலான களப்பணியைத் தணித்து, செயல்திறனை கணிசமாக அதிகரிக்கும் (Torres-Sanchez ô et al., 2015). கிளஸ்டரில் உள்ள ஐந்து கட்டுரைகள் முக்கியமாக தாவர கண்காணிப்பு பயன்பாடுகளில் கவனம் செலுத்துகின்றன. எடுத்துக்காட்டாக, விதானப் பகுதி, மரத்தின் உயரம் மற்றும் கிரீடத்தின் அளவு பற்றிய முப்பரிமாணத் தரவைப் பெற, Torres-Sanchez et al. (2015) டிஜிட்டல் மேற்பரப்பு மாதிரிகளை உருவாக்க UAV தொழில்நுட்பத்தைப் பயன்படுத்தியது, பின்னர் பொருள் சார்ந்த பட பகுப்பாய்வு (OBIA) அணுகுமுறைகள். மேலும், சர்கோ-தேஜாடா மற்றும் பலர். (2014) UAV தொழில்நுட்பம் மற்றும் முப்பரிமாண புகைப்பட-புனரமைப்பு முறைகளை ஒருங்கிணைத்து மரத்தின் உயரம் அளவிடப்பட்டது. ஜிமினெஸ்-ப்ரெனஸ் லோபஸ்-கிரனாடோஸ், டி காஸ்ட்ரோ மற்றும் பலர். (2017) UAV தொழில்நுட்பத்தை மேம்பட்ட OBIA முறையுடன் ஒருங்கிணைத்து டஜன் கணக்கான ஆலிவ் மரங்களை மல்டி-டெம்போரல், 3D கண்காணிப்புக்கான புதிய செயல்முறையை நிரூபித்தது. இந்த கிளஸ்டரில் எதிர்கால வேலைகளுக்கான சுவாரஸ்யமான பாதைகளில் மின்னோட்டத்தை மேம்படுத்துவதும் அடங்கும்
OBIA (டி காஸ்ட்ரோ மற்றும் பலர், 2014, 2017; வென்ச்சுரா மற்றும் பலர்) டிஜிட்டல் மேற்பரப்பு மாடலிங் நோக்கங்களுக்காக (அஜய் மற்றும் பலர், 2016; ஜாட் மற்றும் பலர்., 2018) முறைகள் (சர்கோ-தேஜாடா மற்றும் பலர்., 2020). , 2018), மற்றும் புகைப்பட புனரமைப்பு அல்லது புதுமையான முறைகளை மேம்படுத்துதல் (Díaz-Varela et al., 2015; Torres-S´ anchez et al., 2015).
கிளஸ்டர் 6. விவசாயக் கண்காணிப்பில் ட்ரோன்களின் பங்கைப் பற்றி இந்தக் கிளஸ்டர் விவாதிக்கிறது. யுஏவிகள் செயற்கைக்கோள் மற்றும் விமான இமேஜிங்கின் குறைபாடுகளை பூர்த்தி செய்து சமாளிக்க முடியும். எடுத்துக்காட்டாக, அவர்கள் குறைந்த எரிபொருள் அல்லது பைலட்டிங் சவால்களுடன் நிகழ்நேர இமேஜிங்கிற்கு அருகில் உயர் தெளிவுத்திறனை வழங்க முடியும், இதன் விளைவாக நிலையான மற்றும் நிகழ்நேர கண்காணிப்பு மற்றும் முடிவெடுப்பதில் முன்னேற்றங்கள் (S. Herwitz et al., 2004). UAV களின் மற்றொரு முக்கிய பங்களிப்பானது, துல்லியமான விவசாயம் அல்லது தளம் சார்ந்த விவசாயத்திற்கான தளம் சார்ந்த தரவை அவற்றின் உயர் தெளிவுத்திறன், பல்வேறு அளவுருக்கள் பற்றிய விரிவான தரவு விவசாயிகளுக்கு நிலத்தை ஒரே மாதிரியான பகுதிகளாகப் பிரித்து அதற்கேற்ப சிகிச்சையளிக்க உதவுகிறது (ஹன்ட் மற்றும் பலர். , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). இத்தகைய UAV-அடிப்படையிலான விவசாய கண்காணிப்பு உணவு பாதுகாப்பு கண்காணிப்பு மற்றும் முடிவெடுப்பதை ஆதரிக்கும் (SR Herwitz et al., 2004). விவசாயக் கண்காணிப்பில் ஆராய்ச்சியை மேம்படுத்த, சென்சார்கள், யுஏவிகள் மற்றும் பிற தொடர்புடைய தொழில்நுட்பங்கள் மற்றும் அவற்றின் தொடர்பு மற்றும் தரவு பரிமாற்ற முறைகளில் மேம்பாடுகள் மட்டும் தேவை (Ewing et al., 2020; Shuai et al., 2019), ஆனால் பல்வேறு ட்ரோன்களுடன் ஒருங்கிணைத்தல் கண்காணிப்பு, விவசாயக் கண்காணிப்பு மற்றும் முடிவெடுத்தல் போன்ற ஸ்மார்ட் விவசாயம் தொடர்பான பல்வேறு பணிகளை மேம்படுத்துவதற்கான தொழில்நுட்பங்கள் அதிக திறன் கொண்ட ஆராய்ச்சிப் பகுதியாகும் (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). இது சம்பந்தமாக, IoT, WSNகள் மற்றும் பெரிய தரவு ஆகியவை சுவாரஸ்யமான நிரப்பு திறன்களை வழங்குகின்றன (வான் டெர் மெர்வே மற்றும் பலர்., 2020). நடைமுறைச் செலவுகள், செலவுச் சேமிப்பு, ஆற்றல் திறன் மற்றும் தரவுப் பாதுகாப்பு ஆகியவை அத்தகைய ஒருங்கிணைப்புக்கான ஆய்வுக்குட்பட்ட பகுதிகளில் அடங்கும் (மஸ்ரூர் மற்றும் பலர்., 2021).
நாடுகள் மற்றும் கல்வி நிறுவனங்கள்
இறுதிப் படியில் பிறந்த நாடு மற்றும் ஆசிரியர்களின் கல்வித் தொடர்புகள் ஆகியவை அடங்கும். இந்த பகுப்பாய்வின் மூலம், விவசாயத்தில் ட்ரோன்களின் பயன்பாடுகளுக்கு பங்களிக்கும் அறிஞர்களின் புவியியல் பரவலை நன்கு புரிந்துகொள்வதை நாங்கள் நோக்கமாகக் கொண்டுள்ளோம். நாடுகள் மற்றும் கல்வி நிறுவனங்களின் பன்முகத்தன்மையைக் கவனிப்பது குறிப்பிடத்தக்கது. ஒரு நாட்டின் கண்ணோட்டத்தில், வெளியீடுகளின் எண்ணிக்கையின் அடிப்படையில் அமெரிக்கா, சீனா, இந்தியா மற்றும் இத்தாலி ஆகியவை பட்டியலில் முதலிடத்தில் உள்ளன (அட்டவணை 7). தற்போதைய
விவசாய ஆளில்லா விமானங்கள் பற்றிய ஆராய்ச்சி பெரும்பாலும் வட அமெரிக்க மற்றும் ஆசிய நாடுகளில் மையமாக உள்ளது, முக்கியமாக துல்லியமான விவசாய பயன்பாடுகளில் அவற்றின் அதிக ஈடுபாடு காரணமாக. எடுத்துக்காட்டாக, அமெரிக்காவில், விவசாய ட்ரோன்களின் சந்தை 841.9 ஆம் ஆண்டில் 2020 மில்லியன் அமெரிக்க டாலர்களாக மதிப்பிடப்பட்டது, இது உலகளாவிய சந்தைப் பங்கில் தோராயமாக 30% ஆகும் (ReportLinker, 2021). உலகின் மிகப்பெரிய பொருளாதாரமாக தரவரிசையில், சீனா 2.6 ஆம் ஆண்டில் தோராயமான சந்தை அளவை 2027 பில்லியன் அமெரிக்க டாலர்களை எட்டும் என்று கணிக்கப்பட்டுள்ளது. உற்பத்தித்திறன் சிக்கல்களை சமாளிக்கவும், சிறந்த மகசூல், தொழிலாளர் குறைப்பு மற்றும் குறைந்த உற்பத்தி உள்ளீடுகளை அடையவும் இந்த நாடு விவசாய ட்ரோன்களை அழைக்கிறது. இருப்பினும், சீனாவில் தொழில்நுட்பத்தை ஏற்றுக்கொள்வது, மக்கள்தொகை அளவு மற்றும் தற்போதுள்ள பயிர் மேலாண்மை நடைமுறைகளை புதுமைப்படுத்துதல் மற்றும் மேம்படுத்துதல் போன்ற காரணிகளால் இயக்கப்படுகிறது.
சிறந்த உற்பத்தி நாடுகள் மற்றும் பல்கலைக்கழகங்கள்/நிறுவனங்கள் பங்களிக்கின்றன
விவசாய ட்ரோன் தொடர்பான ஆராய்ச்சி.
ரேங்க் | நாடுகள் |
1 | அமெரிக்கா |
2 | சீனா |
3 | இந்தியா |
4 | இத்தாலி |
5 | ஸ்பெயின் |
6 | ஜெர்மனி |
7 | பிரேசில் |
8 | ஆஸ்திரேலியா |
9 | ஜப்பான் |
10 | ஐக்கிய ராஜ்யம் |
ரேங்க் | பல்கலைக்கழகங்கள்/நிறுவனங்கள் |
1 | சீன அறிவியல் அகாடமி |
2 | சீன மக்கள் குடியரசின் விவசாய அமைச்சகம் |
3 | அறிவியல் புலனாய்வு உயர் கவுன்சில் |
4 | டெக்சாஸ் ஏ & எம் பல்கலைக்கழகம் |
5 | சீனா வேளாண்மை பல்கலைக்கழகம் |
6 | யு.எஸ்.டி.ஏ வேளாண் ஆராய்ச்சி சேவை |
7 | சிஎஸ்ஐசி - இன்ஸ்டிடியூட்டோ டி அக்ரிகல்ச்சுரா சோஸ்டெனிபிள் ஐஏஎஸ் |
8 | பர்டு பல்கலைக்கழகம் |
9 | தேசிய ஆராய்ச்சி கவுன்சில் |
10 | தென் சீன வேளாண் பல்கலைக்கழகம் |
ஒரு பல்கலைக்கழகம் மற்றும் நிறுவனக் கண்ணோட்டத்தில், சீன அறிவியல் அகாடமி வெளியீடுகளின் எண்ணிக்கையின் அடிப்படையில் பட்டியலில் முதலிடத்தில் உள்ளது, அதைத் தொடர்ந்து சீன மக்கள் குடியரசின் விவசாய அமைச்சகம் மற்றும் Consejo Superior de Investigaciones Científicas. சீன அறிவியல் அகாடமியை எழுத்தாளர்கள் லியாவோ சியாவோன் மற்றும் லி ஜுன் ஆகியோர் பிரதிநிதித்துவப்படுத்துகின்றனர்; ஹான் வென்டிங் சீன மக்கள் குடியரசின் விவசாய அமைச்சகத்தை பிரதிநிதித்துவப்படுத்துகிறார்; மற்றும் Consejo Superior de Investigaciones Científicas லோபஸ்-கிரனாடோஸ், ´ F. மற்றும் Pena, ˜ Jos´e María S. அமெரிக்காவிலிருந்து பிரதிநிதித்துவப்படுத்தப்படுகிறது, டெக்சாஸ் A&M பல்கலைக்கழகம் மற்றும் பர்டூ பல்கலைக்கழகம் போன்ற பல்கலைக்கழகங்கள் தங்கள்
குறிப்பிடவும். அதிக எண்ணிக்கையிலான வெளியீடுகளைக் கொண்ட பல்கலைக்கழகங்கள் மற்றும் அவற்றின் இணைப்புகள் படம் 4 இல் காட்டப்பட்டுள்ளன. கூடுதலாக, இந்தப் பட்டியலில் Consiglio Nazionale delle Ricerche மற்றும் Consejo Superior de Investigaciones Científicas போன்ற நிறுவனங்கள் உள்ளன, அவை அறிவியல் ஆராய்ச்சியில் செயல்படுகின்றன, ஆனால் அவை கல்வி நிறுவனங்கள் அல்ல. .
எங்கள் தேர்வில் பல்வேறு வகையான பத்திரிகைகள் உள்ளன, கிட்டத்தட்ட எல்லா தரவையும் உள்ளடக்கியது. அட்டவணை 8 இல் காட்டப்பட்டுள்ளபடி, 258 கட்டுரைகளுடன் ரிமோட் சென்சிங் முதலிடத்தில் உள்ளது, அதைத் தொடர்ந்து ஜர்னல் ஆஃப் இன்டலிஜென்ட் மற்றும் ரோபோடிக் சிஸ்டம்ஸ்: தியரி மற்றும் அப்ளிகேஷன்ஸ் 126 மற்றும் கம்ப்யூட்டர்ஸ் அண்ட் எலக்ட்ரானிக்ஸ் இன் அக்ரிகல்ச்சர் 98 கட்டுரைகள். ரிமோட் சென்சிங் பெரும்பாலும் ட்ரோன்களின் பயன்பாடு மற்றும் மேம்பாட்டில் கவனம் செலுத்துகிறது, விவசாயத்தில் கணினிகள் மற்றும் மின்னணுவியல் முக்கியமாக கணினி வன்பொருள், மென்பொருள், மின்னணுவியல் மற்றும் விவசாயத்தில் கட்டுப்பாட்டு அமைப்புகளில் முன்னேற்றங்களை உள்ளடக்கியது. 87 வெளியீடுகளைக் கொண்ட IEEE ரோபாட்டிக்ஸ் மற்றும் ஆட்டோமேஷன் கடிதங்கள் மற்றும் 34 வெளியீடுகளுடன் IEEE அணுகல் போன்ற குறுக்கு பகுதி விற்பனை நிலையங்களும் இந்த துறையில் முதன்மையான விற்பனை நிலையங்களாகும். முதல் பதினைந்து விற்பனை நிலையங்கள் 959 ஆவணங்களுடன் இலக்கியத்திற்கு பங்களித்துள்ளன, இது அனைத்து வெளியீடுகளிலும் தோராயமாக 20.40% ஆகும். ஒரு பத்திரிகை இணை மேற்கோள் பகுப்பாய்வு வெளியீடுகளுக்கு இடையே உள்ள முக்கியத்துவம் மற்றும் ஒற்றுமையை ஆய்வு செய்ய உதவுகிறது. இணை மேற்கோள் பகுப்பாய்வு படம் 5 இல் காட்டப்பட்டுள்ளபடி மூன்று கிளஸ்டர்களை வழங்குகிறது. சிவப்பு கிளஸ்டரில் ரிமோட் சென்சிங், கம்ப்யூட்டர் மற்றும் எலக்ட்ரானிக்ஸ் இன் அக்ரிகல்ச்சர், சென்சார்கள் போன்ற பத்திரிகைகள் உள்ளன.
மற்றும் இன்டர்நேஷனல் ஜர்னல் ஆஃப் ரிமோட் சென்சிங். இந்த கடைகள் அனைத்தும் ரிமோட் சென்சிங் மற்றும் துல்லியமான விவசாயம் ஆகிய துறைகளில் மிகவும் புகழ்பெற்ற பத்திரிகைகள் ஆகும். பச்சைக் கிளஸ்டரில் ரோபாட்டிக்ஸ் தொடர்பான ஜர்னல்கள் உள்ளன, அதாவது ஜர்னல் ஆஃப் இன்டலிஜென்ட் மற்றும் ரோபோடிக் சிஸ்டம்ஸ்: தியரி மற்றும் அப்ளிகேஷன்ஸ், ஐஇஇஇ ரோபாட்டிக்ஸ் மற்றும் ஆட்டோமேஷன் லெட்டர்ஸ், ஐஇஇஇ அணுகல் மற்றும் ட்ரோன்கள். இந்த விற்பனை நிலையங்கள் பெரும்பாலும் ஆட்டோமேஷன் பற்றிய ஆவணங்களை வெளியிடுகின்றன மற்றும் விவசாய பொறியாளர்களுக்கு பயனுள்ளதாக இருக்கும். வேளாண்மை மற்றும் வேளாண் பொறியியல் தொடர்பான பத்திரிக்கைகள், வேளாண்மை மற்றும் சர்வதேச வேளாண் மற்றும் உயிரியல் பொறியியல் இதழ்களால் இறுதிக் குழு உருவாக்கப்படுகிறது.
விவசாய ட்ரோன் தொடர்பான ஆராய்ச்சியில் சிறந்த 15 இதழ்கள்.
ரேங்க் | ஜர்னல் | கவுண்ட் |
1 | தொலை உணர்வு | 258 |
2 | நுண்ணறிவு மற்றும் ரோபோ அமைப்புகளின் இதழ்: கோட்பாடு மற்றும் பயன்பாடுகள் | 126 |
3 | விவசாயத்தில் கணினிகள் மற்றும் மின்னணுவியல் | 98 |
4 | IEEE ரோபாட்டிக்ஸ் மற்றும் ஆட்டோமேஷன் கடிதங்கள் | 87 |
5 | சென்ஸார்ஸ் | 73 |
6 | ரிமோட் சென்சிங் இன்டர்நேஷனல் ஜர்னல் | 42 |
7 | துல்லிய வேளாண்மை | 41 |
8 | ட்ரான்ஸ் | 40 |
9 | அக்ரோனமி | 34 |
10 | IEEE அணுகல் | 34 |
11 | இன்டர்நேஷனல் ஜர்னல் ஆஃப் அட்வான்ஸ்டு ரோபோடிக் சிஸ்டம்ஸ் | 31 |
12 | வேளாண்மை மற்றும் உயிரியல் பொறியியல் சர்வதேச இதழ் | 25 |
13 | PLoS ONE | 25 |
14 | ஜர்னல் ஆஃப் ஃபீல்ட் ரோபோடிக்ஸ் | 23 |
15 | பயோசிஸ்டம்ஸ் இன்ஜினியரிங் | 23 |
தீர்மானம்
சுருக்கம்
இந்த ஆய்வில், விவசாய ட்ரோன்கள் குறித்த தற்போதைய ஆராய்ச்சியை சுருக்கி பகுப்பாய்வு செய்தோம். பல்வேறு பைபிலியோமெட்ரிக் நுட்பங்களைப் பயன்படுத்துவதன் மூலம், விவசாய ட்ரோன் தொடர்பான ஆராய்ச்சியின் அறிவுசார் கட்டமைப்பைப் பற்றிய சிறந்த புரிதலைப் பெற முயற்சித்தோம். மொத்தத்தில், எங்கள் மதிப்பாய்வு இலக்கியத்தில் உள்ள முக்கிய வார்த்தைகளைக் கண்டறிந்து விவாதித்தல், ட்ரோன்கள் துறையில் சொற்பொருளியல் ரீதியாக ஒத்த சமூகங்களை உருவாக்கும் போது அறிவுக் கொத்துகளை வெளிப்படுத்துதல், முந்தைய ஆராய்ச்சியை கோடிட்டுக் காட்டுதல் மற்றும் எதிர்கால ஆராய்ச்சி திசைகளை பரிந்துரைத்தல் ஆகியவற்றின் மூலம் பல பங்களிப்புகளை வழங்குகிறது. கீழே, விவசாய ட்ரோன்களின் வளர்ச்சி குறித்த மதிப்பாய்வின் முக்கிய கண்டுபிடிப்புகளை நாங்கள் கோடிட்டுக் காட்டுகிறோம்:
• 2012க்குப் பிறகு கட்டுரைகளின் எண்ணிக்கை அதிகரித்ததன் மூலம் ஒட்டுமொத்த இலக்கியம் கடந்த பத்தாண்டுகளில் வேகமாக வளர்ந்து பெரும் கவனத்தை ஈர்த்துள்ளது. இந்த அறிவுத் துறை இன்னும் அதன் முழு முதிர்ச்சியை அடையவில்லை என்றாலும் (Barrientos et al., 2011; Maes & ஸ்டெப்பி, 2019), பல கேள்விகளுக்கு இன்னும் பதிலளிக்கப்படவில்லை. எடுத்துக்காட்டாக, உட்புற விவசாயத்தில் ட்ரோன்களின் பயன்பாடு இன்னும் விவாதத்திற்குத் திறந்தே உள்ளது (அஸ்லான் மற்றும் பலர், 2022; க்ருல் மற்றும் பலர்., 2021; ரோல்ட் ஆன் மற்றும் பலர்., 2015). புலங்களின் காட்சிகளின் சிக்கலான தன்மை மற்றும் வெவ்வேறு இமேஜிங் சூழ்நிலைகள் (எ.கா., நிழல்கள் மற்றும் வெளிச்சம்) அதிக நிறமாலை இன்-கிளாஸ் மாறுபாட்டை ஏற்படுத்தலாம் (யாவ் மற்றும் பலர்., 2019). பிந்தைய ஆய்வுக் கட்டங்களில் கூட, குறிப்பிட்ட சூழ்நிலைகள் மற்றும் தேவையான படத் தரத்திற்கு ஏற்ப உகந்த விமானத் திட்டங்களைத் தீர்மானிக்க ஆராய்ச்சியாளர்கள் சவால் செய்யப்பட்டுள்ளனர் (சோரெஸ் மற்றும் பலர், 2021; டு மற்றும் பலர்.,
2020).
• திறமையான UAV அமைப்புகளை உருவாக்குவதிலிருந்து, இயந்திரக் கற்றல் மற்றும் விவசாய ட்ரோன்களின் வடிவமைப்பில் ஆழமான கற்றல் போன்ற AI நுட்பங்களை ஒருங்கிணைப்பதில் இருந்து களம் முன்னேறி வருவதை நாங்கள் கவனிக்கிறோம் (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; மஸ்சியா மற்றும் பலர்., 2020; டெட்டிலா மற்றும் பலர்., 2020).
• விவசாய ட்ரோன்கள் மீதான ஆராய்ச்சி, சுற்றுச்சூழல் கண்காணிப்பு, பயிர் மேலாண்மை மற்றும் களை மேலாண்மை (கிளஸ்டர் 1) மற்றும் தொலைநிலை பினோடைப்பிங் மற்றும் மகசூல் மதிப்பீடு (கிளஸ்டர் 2) ஆகியவற்றில் தொழில்நுட்பத்தின் திறன்களை ஆராய்வதன் மூலம் தொலைநிலை உணர்தல் பற்றி முக்கியமாக விவாதிக்கப்பட்டது. ஆஸ்டின் (2010), பெர்னி மற்றும் பலர் விவசாய ட்ரோன்கள் மீதான செல்வாக்குமிக்க ஆய்வுகளின் தொகுப்பில் அடங்கும். (2009), ஹெர்விட்ஸ் மற்றும் பலர். (2004), Nex and Remondino (2014), மற்றும் Zhang and Kovacs (2012). இந்த ஆய்வுகள் விவசாயத்தின் சூழலில் ட்ரோன் தொடர்பான ஆராய்ச்சியின் கருத்தியல் அடிப்படையை உருவாக்கியது.
• முறையுடன் தொடர்புடையது, இதுவரை செய்யப்பட்ட பெரும்பாலான ஆராய்ச்சிகள் கணினி வடிவமைப்பு, கருத்தியல் அல்லது மதிப்பாய்வு அடிப்படையிலான ஆய்வுகள் (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; யாவ் மற்றும் பலர்., 2019). விவசாய ட்ரோன்களை விசாரிப்பதில் அனுபவ, தரம் மற்றும் வழக்கு-ஆய்வு அடிப்படையிலான முறைகள் இல்லாததையும் நாங்கள் கவனிக்கிறோம்.
• சமீபத்தில், துல்லியமான விவசாயம், AI நுட்பங்கள், துல்லியமான திராட்சை வளர்ப்பு மற்றும் நீர் அழுத்த மதிப்பீடு தொடர்பான தலைப்புகள் கணிசமான கவனத்தை ஈர்த்துள்ளன (Espinoza et al., 2017; Gomez-Cand´ on ô et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). 1990-2010 மற்றும் 2011-2021 ஆகிய இரண்டு வெவ்வேறு காலகட்டங்களில் உள்ள ஆராய்ச்சிக் குழுக்களை கவனமாக ஆய்வு செய்வது, களத்தின் அறிவுசார் கட்டமைப்பின் முன்னேற்றத்தை வெளிப்படுத்துகிறது. 1990 முதல் 2010 வரையிலான காலப்பகுதியானது ட்ரோன்களின் மையக் கருத்துக்கள் மற்றும் கருத்துகளின் கட்டமைப்பை உருவாக்கியது, இது UAV வடிவமைப்பு, மேம்பாடு மற்றும் செயல்படுத்தல் பற்றிய விவாதத்திலிருந்து தெளிவாகிறது. இரண்டாவது சகாப்தத்தில், ஆராய்ச்சி கவனம் முந்தைய ஆய்வுகளில் விரிவடைகிறது, விவசாயத்தில் UAV பயன்பாட்டு நிகழ்வுகளை ஒருங்கிணைக்க முயற்சிக்கிறது. இமேஜிங் பணிகள் மற்றும் துல்லியமான விவசாயத்தில் ட்ரோன் பயன்பாடுகளைப் பற்றி விவாதிக்கும் பல ஆய்வுகளையும் நாங்கள் கண்டறிந்தோம்.
ரேங்க் | ஜர்னல் | கவுண்ட் |
1 | தொலை உணர்வு | 258 |
2 | நுண்ணறிவு மற்றும் ரோபோ அமைப்புகளின் இதழ்: கோட்பாடு மற்றும் | 126 |
பயன்பாடுகள் | ||
3 | விவசாயத்தில் கணினிகள் மற்றும் மின்னணுவியல் | 98 |
4 | IEEE ரோபாட்டிக்ஸ் மற்றும் ஆட்டோமேஷன் கடிதங்கள் | 87 |
5 | சென்ஸார்ஸ் | 73 |
6 | ரிமோட் சென்சிங் இன்டர்நேஷனல் ஜர்னல் | 42 |
7 | துல்லிய வேளாண்மை | 41 |
8 | ட்ரான்ஸ் | 40 |
9 | அக்ரோனமி | 34 |
10 | IEEE அணுகல் | 34 |
11 | இன்டர்நேஷனல் ஜர்னல் ஆஃப் அட்வான்ஸ்டு ரோபோடிக் சிஸ்டம்ஸ் | 31 |
12 | வேளாண்மை மற்றும் உயிரியல் பொறியியல் சர்வதேச இதழ் | 25 |
13 | PLoS ONE | 25 |
14 | ஜர்னல் ஆஃப் ஃபீல்ட் ரோபோடிக்ஸ் | 23 |
15 | பயோசிஸ்டம்ஸ் இன்ஜினியரிங் | 22 |
தாக்கங்கள்
அறிஞர்கள், விவசாயிகள், விவசாய நிபுணர்கள், பயிர் ஆலோசகர்கள் மற்றும் UAV அமைப்பு வடிவமைப்பாளர்களை மனதில் கொண்டு எங்கள் நூலியல் மதிப்பாய்வு வடிவமைக்கப்பட்டு நடத்தப்பட்டது. ஆசிரியர்களின் சிறந்த அறிவுக்கு, இது ஒரு ஆழமான நூலியல் பகுப்பாய்வை மேற்கொண்ட முதல் அசல் மதிப்புரைகளில் ஒன்றாகும்.
விவசாயத்தில் ட்ரோன் பயன்பாடுகள். வெளியீடுகளின் மேற்கோள் மற்றும் இணை மேற்கோள் பகுப்பாய்வுகளைப் பயன்படுத்தி, இந்த அறிவு அமைப்பின் விரிவான மதிப்பாய்வை நாங்கள் நடத்தியுள்ளோம். ட்ரோன் ஆராய்ச்சியின் அறிவுசார் கட்டமைப்பை விவரிக்கும் எங்கள் முயற்சிகள் கல்வியாளர்களுக்கு புதிய நுண்ணறிவுகளையும் வழங்குகின்றன. காலப்போக்கில் பயன்படுத்தப்படும் முக்கிய வார்த்தைகளை கவனமாக மதிப்பாய்வு செய்வது ட்ரோன் தொடர்பான இலக்கியங்களில் உள்ள ஹாட்ஸ்பாட்கள் மற்றும் குவிய ஆராய்ச்சி பகுதிகளை வெளிப்படுத்துகிறது. மேலும், இந்தத் துறையில் முடிக்கப்பட்ட மிகவும் தாக்கத்தை ஏற்படுத்தும் ஆராய்ச்சிப் பணிகளை அடையாளம் காண, மேற்கோள் காட்டப்பட்ட ஆய்வுகளின் பட்டியலை நாங்கள் வழங்குகிறோம். கட்டுரைகள் மற்றும் முக்கிய வார்த்தைகளை அடையாளம் காண்பது எதிர்கால ஆய்வுகளுக்கான பல வழிகளை வெளிக்கொணர ஒரு திடமான தொடக்க புள்ளியாக இருக்கும்.
முக்கியமாக, ஒப்பிடக்கூடிய படைப்புகளை வகைப்படுத்தும் மற்றும் முடிவுகளை விரிவாகக் கூறும் கிளஸ்டர்களை நாங்கள் வெளிப்படுத்தினோம். கிளஸ்டர்களில் வகைப்படுத்தப்பட்ட ஆய்வுகள் UAV ஆராய்ச்சியின் அறிவுசார் கட்டமைப்பைப் புரிந்து கொள்ள உதவுகின்றன. குறிப்பிடத்தக்க வகையில், ட்ரோன்களின் தத்தெடுப்பு காரணிகளை ஆராயும் ஆய்வுகளின் பற்றாக்குறையை நாங்கள் கண்டுபிடித்தோம்
மற்றும் விவசாய நடவடிக்கைகளில் தடைகள் (அட்டவணை 9 பார்க்கவும்). வெவ்வேறு விவசாய நடவடிக்கைகள் மற்றும் காலநிலை நிலைகளில் ட்ரோன்களின் தத்தெடுப்பு காரணிகளை மதிப்பிடும் அனுபவ விசாரணைகளை நடத்துவதன் மூலம் எதிர்கால ஆராய்ச்சியாளர்கள் இந்த சாத்தியமான இடைவெளியை நிவர்த்தி செய்யலாம். மேலும், ட்ரோன்களின் செயல்திறன் தொடர்பான வழக்கு ஆய்வு அடிப்படையிலான ஆராய்ச்சி, புலத்தில் இருந்து உண்மையான தரவுகளுடன் ஆதரிக்கப்பட வேண்டும். மேலும், கல்வி ஆராய்ச்சியில் விவசாயிகள் மற்றும் மேலாளர்களை ஈடுபடுத்துவது ட்ரோன் ஆராய்ச்சியின் தத்துவார்த்த மற்றும் நடைமுறை முன்னேற்றத்திற்கு சாதகமாக இருக்கும். மிக முக்கியமான ஆராய்ச்சியாளர்களையும் அவர்களின் பங்களிப்புகளையும் எங்களால் அடையாளம் காண முடிந்தது, இது மதிப்புமிக்கது, ஏனெனில் சமீபத்திய செமினல் படைப்புகள் பற்றிய விழிப்புணர்வு எதிர்கால கல்வி முயற்சிகளுக்கு சில வழிகாட்டுதல்களை வழங்க முடியும்.
டேபிள் 9
UAV தத்தெடுப்பு தடைகள்.
தடை | விளக்கம் |
தரவு பாதுகாப்பு | செயல்படுத்துவதில் சைபர் பாதுகாப்பு பெரும் சவாலாக உள்ளது IoT தீர்வுகள் (மஸ்ரூர் மற்றும் பலர், 2021). |
இயங்கக்கூடிய தன்மை மற்றும் ஒருங்கிணைப்பு | UAV, WSN, IoT போன்ற பல்வேறு தொழில்நுட்பங்கள். ஒருங்கிணைக்கப்பட்டு தரவுகளை அனுப்ப வேண்டும் சிக்கலான அளவை அதிகரிக்கவும் (Alsamhi et al., 2021; போப்ஸ்கு மற்றும் பலர்., 2020; வுரன் மற்றும் பலர்., 2018). |
நடைமுறைச் செலவுகள் | இது குறிப்பாக சிறு விவசாயிகளுக்கும் மற்றும் விவசாயிகளுக்கும் பொருந்தும் பல்வேறு அதிநவீன தொழில்நுட்பங்களை ஒருங்கிணைத்தல் ( மஸ்ரூர் மற்றும் பலர்., 2021). |
தொழிலாளர் அறிவு மற்றும் நிபுணத்துவம் | யுஏவிகளை இயக்க திறமையான ட்ரோன் பைலட்டுகள் தேவை. மேலும், பல்வேறு அதிநவீனங்களை செயல்படுத்துகிறது தொழில்நுட்பங்களுக்கு திறமையான தொழிலாளர்கள் தேவை (YB Huang மற்றும் பலர், 2013; டிசோரோஸ் மற்றும் பலர்., 2019). |
இயந்திர சக்தி மற்றும் விமானம் காலம் | ட்ரோன்களை நீண்ட நேரம் இயக்க முடியாது பெரிய பகுதிகள் (Hardin & Hardin, 2010; Laliberte et al., 2007). |
நிலைத்தன்மை, நம்பகத்தன்மை மற்றும் சூழ்ச்சி | மோசமான வானிலையின் போது ட்ரோன்கள் நிலையாக இருக்காது (Hardin & Hardin, 2010; Laliberte et al., 2007). |
பேலோட் வரம்புகள் மற்றும் சென்சார்களின் தரம் | ட்ரோன்கள் குறைந்த சுமைகளை மட்டுமே கொண்டு செல்ல முடியும் குறைந்த தர உணரிகளை ஏற்றும் திறன் (Nebiker மற்றும் பலர்., 2008). |
கட்டுப்பாடு | ட்ரோன்கள் ஆபத்தானவை என்பதால், கடுமையானவை உள்ளன சில பகுதிகளில் விதிமுறைகள் (Hardin & Jensen, 2011; லாலிபெர்டே & ரங்கோ, 2011). |
விவசாயிகளின் அறிவு மற்றும் ஆர்வம் | மற்ற அதிநவீன தொழில்நுட்பங்களைப் போலவே, ட்ரோன்களும் வெற்றிகரமாக செயல்படுத்த நிபுணத்துவம் தேவை நிச்சயமற்ற தன்மைகளுடன் (ஃபிஷர் மற்றும் பலர், 2009; லம்பேர்ட் மற்றும் பலர்., 2004; ஸ்டாஃபோர்ட், 2000). |
விளைச்சலை அதிகரிக்க கிடைக்கக்கூடிய வளங்களை திறமையாகப் பயன்படுத்த வேண்டிய நிலையான தேவை இருப்பதால், விவசாயிகள் தங்கள் வயல்களில் விரைவான, துல்லியமான மற்றும் செலவு குறைந்த ஸ்கேன் செய்வதை உறுதிசெய்ய ட்ரோன்களைப் பயன்படுத்திக் கொள்ளலாம். இந்தத் தொழில்நுட்பம் விவசாயிகளின் பயிர்களின் நிலையைத் தீர்மானிக்கவும், நீர் நிலை, பழுக்க வைக்கும் நிலை, பூச்சித் தாக்குதல்கள் மற்றும் ஊட்டச்சத்து தேவைகளை மதிப்பிடவும் உதவும். ஆளில்லா விமானங்களின் தொலை உணர்திறன் திறன்கள் விவசாயிகளுக்கு ஆரம்ப கட்டத்தில் சிக்கல்களை எதிர்நோக்குவதற்கும் உடனடியாக பொருத்தமான தலையீடுகளை செய்வதற்கும் முக்கியமான தரவுகளை வழங்க முடியும். இருப்பினும், சவால்களை சரியாக எதிர்கொண்டால் மட்டுமே தொழில்நுட்பத்தின் நன்மைகளை உணர முடியும். வெளிச்சத்தில்
தரவு பாதுகாப்பு தொடர்பான தற்போதைய சிக்கல்கள், சென்சார் தொழில்நுட்ப சிக்கல்கள் (எ.கா., நம்பகத்தன்மை அல்லது அளவீடுகளின் துல்லியம்), ஒருங்கிணைப்பின் சிக்கலான தன்மை மற்றும் கணிசமான செயல்படுத்தல் செலவுகள், எதிர்கால ஆய்வுகள் விவசாய ட்ரோன்கள் மற்றும் பிற வெட்டுக்களை ஒருங்கிணைப்பதற்கான தொழில்நுட்ப, பொருளாதார மற்றும் செயல்பாட்டு சாத்தியக்கூறுகளையும் ஆராய வேண்டும். விளிம்பு தொழில்நுட்பங்கள்.
வரம்புகள்
எங்கள் ஆய்வுக்கு பல வரம்புகள் உள்ளன. முதலாவதாக, இறுதி பகுப்பாய்விற்கு தேர்ந்தெடுக்கப்பட்ட வெளியீடுகளால் கண்டுபிடிப்புகள் தீர்மானிக்கப்படுகின்றன. விவசாய ட்ரோன்கள் தொடர்பான அனைத்து தொடர்புடைய ஆய்வுகளையும் கைப்பற்றுவது சவாலானது, குறிப்பாக ஸ்கோபஸ் தரவுத்தளத்தில் குறியிடப்படாதவை. மேலும், தரவு சேகரிப்பு செயல்முறையானது தேடல் முக்கிய வார்த்தைகளின் அமைப்பிற்கு மட்டுப்படுத்தப்பட்டுள்ளது, இது உள்ளடக்கியதாக இருக்காது மற்றும் முடிவில்லாத கண்டுபிடிப்புகளுக்கு வழிவகுக்கும். எனவே, எதிர்கால ஆய்வுகள் தரவு சேகரிப்பின் அடிப்படை சிக்கலில் அதிக கவனம் செலுத்த வேண்டும்
மிகவும் நம்பகமான முடிவுகள். மற்றொரு வரம்பு குறைந்த எண்ணிக்கையிலான மேற்கோள்களைக் கொண்ட புதிய வெளியீடுகளைப் பற்றியது. பிப்லியோமெட்ரிக் பகுப்பாய்வு முந்தைய வெளியீடுகளுக்குச் சார்புடையது, ஏனெனில் அவை பல ஆண்டுகளாக அதிக மேற்கோள்களைப் பெறுகின்றன. சமீபத்திய ஆய்வுகள் கவனத்தை ஈர்க்கவும் மேற்கோள்களைக் குவிக்கவும் ஒரு குறிப்பிட்ட அளவு நேரம் தேவைப்படுகிறது. இதன் விளைவாக, ஒரு முன்னுதாரண மாற்றத்தைக் கொண்டுவரும் சமீபத்திய ஆய்வுகள் முதல் பத்து செல்வாக்குமிக்க படைப்புகளில் இடம் பெறாது. விவசாய ட்ரோன்கள் போன்ற வேகமாக வளர்ந்து வரும் ஆராய்ச்சிக் களங்களை ஆய்வு செய்வதில் இந்த வரம்பு அதிகமாக உள்ளது. இந்த வேலைக்கான இலக்கியங்களைப் படிக்க ஸ்கோபஸை நாங்கள் கலந்தாலோசித்ததால், எதிர்கால ஆராய்ச்சியாளர்கள் வேறுவிதமாகக் கருதலாம்
அறிவியலின் வலை மற்றும் IEEE Xplore போன்ற தரவுத்தளங்கள், அடிவானத்தை விரிவுபடுத்துவதற்கும் ஆராய்ச்சி கட்டமைப்பை மேம்படுத்துவதற்கும்.
புதிய நுண்ணறிவுகளை உருவாக்க, மாநாட்டுத் தாள்கள், அத்தியாயங்கள் மற்றும் புத்தகங்கள் போன்ற பிற முக்கிய அறிவு ஆதாரங்களை சாத்தியமான நூலியல் ஆய்வுகள் கருத்தில் கொள்ளலாம். விவசாய ட்ரோன்கள் பற்றிய உலகளாவிய வெளியீடுகளை மேப்பிங் செய்து ஆய்வு செய்த போதிலும், எங்கள் கண்டுபிடிப்புகள் பல்கலைக்கழகங்களின் அறிவார்ந்த வெளியீடுகளுக்குப் பின்னால் உள்ள காரணங்களை வெளிப்படுத்தவில்லை. விவசாயம் பற்றிய ஆராய்ச்சிக்கு வரும்போது சில பல்கலைக்கழகங்கள் ஏன் மற்றவற்றை விட அதிக உற்பத்தி செய்கின்றன என்பதை தரமான முறையில் விளக்குவதில் இது ஒரு புதிய ஆராய்ச்சி பகுதிக்கு வழி வகுக்கிறது.
ட்ரோன்கள். கூடுதலாக, எதிர்கால ஆய்வுகள் பல ஆராய்ச்சியாளர்களால் சுட்டிக்காட்டப்பட்ட சுற்றுச்சூழல் கண்காணிப்பு, பயிர் மேலாண்மை மற்றும் களை மேப்பிங் போன்ற பல வழிகளில் விவசாய நிலைத்தன்மையை அதிகரிக்க ட்ரோன்களின் திறனைப் பற்றிய நுண்ணறிவுகளை வழங்க முடியும் (சாமுவா & சிங், 2019; இஸ்லாம் மற்றும் பலர்., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). தேர்ந்தெடுக்கப்பட்ட தாள்கள் அதிக எண்ணிக்கையில் இருப்பதால் உரை பகுப்பாய்வு சாத்தியமில்லை என்பதால், முறையான இலக்கிய விமர்சனங்களை ஆய்வு செய்ய வேண்டிய அவசியம் உள்ளது.
பயன்படுத்தப்படும் ஆராய்ச்சி முறைகள் மற்றும் முந்தைய ஆய்வுகளில் விவசாயிகளின் ஈடுபாடு. சுருக்கமாக, ட்ரோன் ஆராய்ச்சி பற்றிய எங்கள் பகுப்பாய்வு இந்த அறிவு உடலின் கண்ணுக்கு தெரியாத இணைப்புகளை அம்பலப்படுத்துகிறது. எனவே இந்த மதிப்பாய்வு வெளியீடுகளுக்கு இடையிலான உறவுகளை வெளிக்கொணர உதவுகிறது மற்றும் ஆராய்ச்சித் துறையின் அறிவுசார் கட்டமைப்பை ஆராய்கிறது. எழுத்தாளர்களின் முக்கிய வார்த்தைகள், இணைப்புகள் மற்றும் நாடுகள் போன்ற இலக்கியத்தின் பல்வேறு அம்சங்களுக்கிடையேயான தொடர்பை இது சித்தரிக்கிறது.
போட்டியிடும் வட்டி அறிவிப்பு
இந்த ஆய்வறிக்கையில் அறிக்கையிடப்பட்ட படைப்புகளில் செல்வாக்கு செலுத்துவதாகத் தோன்றக்கூடிய போட்டி நிதி நலன்கள் அல்லது தனிப்பட்ட உறவுகள் தங்களுக்குத் தெரியாது என்று ஆசிரியர்கள் அறிவிக்கிறார்கள்.
பின் இணைப்பு 1
TITLE-ABS-KEY (((ட்ரோன்* அல்லது "ஆளில்லா வான்வழி வாகனம்" அல்லது uav* அல்லது "ஆளில்லா விமான அமைப்பு”அல்லது அமெரிக்கா அல்லது “தொலைதூரத்தில் இயக்கப்படும் விமானம்”) மற்றும் (விவசாயம் அல்லது விவசாயம் அல்லது விவசாயம் அல்லது விவசாயி))) மற்றும் (விலக்கு (புபையர், 2022)) மற்றும் (வரம்புக்கு (மொழி, "ஆங்கிலம்")).
குறிப்புகள்
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. தாவரங்களைக் கண்காணிப்பதற்காக இலகுரக UAV ஸ்னாப்ஷாட் கேமராக்கள் மூலம் 3D ஹைப்பர்ஸ்பெக்ட்ரல் தகவலை உருவாக்குதல்: இருந்து
தர உத்தரவாதத்திற்கு கேமரா அளவுத்திருத்தம். ISPRS ஜே. போட்டோகிராம். ரிமோட் சென்ஸ். 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. ஆளில்லா வான்வழி வாகனப் படங்களிலிருந்து தானியங்கு பறவைகளைக் கண்டறிவதற்கான வடிவ அங்கீகாரம் அல்காரிதம் உருவாக்கம்.
சர்வே. நிலத் தகவல். அறிவியல் 65 (1), 37–45.
அப்துல்லாஹி, ஏ., ரெஜெப், கே., ரெஜெப், ஏ., மோஸ்டாஃபா, எம்எம், ஜைலானி, எஸ்., 2021. விவசாயத்தில் வயர்லெஸ் சென்சார் நெட்வொர்க்குகள்: பைபிலியோமெட்ரிக் பகுப்பாய்விலிருந்து நுண்ணறிவு. நிலைத்தன்மை 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., உயர் தெளிவுத்திறன் கொண்ட ஆப்டிகல் இமேஜரியில் நிழல் கண்டறிதலுக்கான பல்வேறு முறைகளின் மதிப்பீடு மற்றும் கணக்கீட்டில் நிழல் தாக்கத்தை மதிப்பீடு செய்தல் என்.டி.வி.ஐ, மற்றும் ஆவியாதல். நீர்ப்பாசனம். அறிவியல் 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. ஹைப்பர்ஸ்பெக்ட்ரல் இமேஜிங்: UAV அடிப்படையிலான சென்சார்கள், தரவு செயலாக்கம் மற்றும்
விவசாயம் மற்றும் வனத்துறைக்கான விண்ணப்பங்கள். ரிமோட் சென்சிங் 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. சூரியகாந்தி பயிரைக் கண்காணிக்க ஆளில்லா வான்வழி வாகனத்தைப் பயன்படுத்தி மல்டி-டெம்போரல் இமேஜிங். பயோசிஸ்ட். இன்ஜி.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. UAV இலிருந்து துல்லியமான டிஜிட்டல் எலிவேஷன் மாடல்களின் உருவாக்கம் குறைந்த சதவீத ஒன்றுடன் ஒன்று படங்களைப் பெற்றது. Int.
ஜே. ரிமோட் சென்ஸ். 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. ரிமோட் சென்சிங் தரவுகளிலிருந்து உயிரி மற்றும் மண்ணின் ஈரப்பதத்தை மீட்டெடுப்பதற்கான இயந்திர கற்றல் அணுகுமுறைகளின் மதிப்பாய்வு. ரிமோட் சென்சிங் 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., B5G நெட்வொர்க்குகளில் UAVகளைப் பயன்படுத்தும் விஷயங்களின் பசுமை இணையம்: பயன்பாடுகளின் மதிப்பாய்வு
மற்றும் உத்திகள். விளம்பரம். தற்காலிக. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. செம்மறி கால்நடை கண்காணிப்புக்கான ட்ரோன்கள். இல்: 20வது IEEE மெடிட்டரேனியன் எலக்ட்ரோடெக்னிகல் மாநாடு. https://doi.
org/10.1109/MELECON48756.2020.9140588.
ஆம்பாட்ஸிடிஸ், ஒய்., பார்டெல், வி., 2019. மல்டிஸ்பெக்ட்ரல் இமேஜிங் மற்றும் செயற்கை நுண்ணறிவைப் பயன்படுத்தி சிட்ரஸில் UAV-அடிப்படையிலான உயர் செயல்திறன் பினோடைப்பிங். ரிமோட் சென்சிங் 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: செயற்கை நுண்ணறிவைப் பயன்படுத்தி துல்லியமான விவசாயப் பயன்பாடுகளுக்கான UAV- சேகரிக்கப்பட்ட தரவை செயலாக்க, பகுப்பாய்வு மற்றும் காட்சிப்படுத்த கிளவுட் அடிப்படையிலான பயன்பாடு. கணினி. எதிர் மின்னணு. விவசாயம். 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. விவசாயத்தில் ஹைப்பர்ஸ்பெக்ட்ரல் தகவலுடன் பெரிய தரவு மற்றும் இயந்திர கற்றல். IEEE அணுகல் 9, 36699–36718. https://doi.org/10.1109/
அணுகல்.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. விமர்சனம்: மேய்ச்சல் அடிப்படையிலான கால்நடை வளர்ப்பு முறைகளில் துல்லியமான கால்நடை வளர்ப்பு தொழில்நுட்பங்கள். விலங்கு 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., மேம்பட்ட தகவல் மற்றும் தகவல் தொடர்பு தொழில்நுட்பங்களின் போக்குகள்
விவசாய உற்பத்தியை மேம்படுத்துதல்: ஒரு நூலியல் பகுப்பாய்வு. வேளாண்மை 10 (12), கட்டுரை 12. https://doi.org/10.3390/agronomy10121989.
ஆம்ஸ்ட்ராங், I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The flying gator: occam-π இல் வான்வழி ரோபாட்டிக்ஸ் நோக்கி. கம்யூனிஸ்ட். செயல்முறை கட்டிடக் கலைஞர். 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
அரோரா, எஸ்டி, சக்ரவர்த்தி, ஏ., 2021. நுகர்வோர் புகார் நடத்தை (CCB) ஆராய்ச்சியின் அறிவுசார் அமைப்பு: ஒரு நூலியல் பகுப்பாய்வு. ஜே. பிசினஸ் ரெஸ். 122, 60–74.
அஸ்லான், MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
திறந்த வயல்களிலும் பசுமை இல்லங்களிலும் துல்லியமான விவசாயத்திற்காக UAV உடனான சமீபத்திய ஆய்வுகளின் விரிவான ஆய்வு. ஆப்பிள். அறிவியல் 12 (3), 1047. https://doi.org/10.3390/
app12031047.
அட்கின்சன், ஜேஏ, ஜாக்சன், ஆர்ஜே, பென்ட்லி, ஏஆர், ஓபர், இ., & வெல்ஸ், டிஎம் (2018). எதிர்காலத்திற்கான ஃபீல்ட் பினோடைப்பிங். ஆன்லைனில் வருடாந்திர தாவர விமர்சனங்களில் (பக். 719–736). ஜான்
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
ஆஸ்டின், ஆர்., 2010. ஆளில்லா விமான அமைப்புகள்: UAVS வடிவமைப்பு, மேம்பாடு மற்றும் வரிசைப்படுத்தல். இல்: ஆளில்லா விமான அமைப்புகள்: UAVS வடிவமைப்பு, மேம்பாடு மற்றும்
வரிசைப்படுத்தல். ஜான் வில்லி மற்றும் சன்ஸ். https://doi.org/10.1002/9780470664797.
அவைஸ், எம்., லி, டபிள்யூ., சீமா, எம்.ஜே.எம்., ஜமான், கியூ., ஷஹீன், ஏ., அஸ்லாம், பி., ஜு, டபிள்யூ., அஜ்மல், எம்., ஃபஹீம், எம்., ஹுசைன், எஸ்., நதீம், AA, Afzal, MM, Liu, C., 2022. தாவர அழுத்தத்தில் UAV அடிப்படையிலான ரிமோட் சென்சிங் டிஜிட்டல் விவசாய நடைமுறைகளுக்கு உயர் தெளிவுத்திறன் கொண்ட வெப்ப உணரியைப் பயன்படுத்தி கற்பனை செய்து பாருங்கள்: ஒரு மெட்டா விமர்சனம். Int. ஜே. சுற்றுச்சூழல். அறிவியல் தொழில்நுட்பம். 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. ஸ்மார்ட் விவசாயம்: வாய்ப்புகள், சவால்கள்
மற்றும் தொழில்நுட்பம் செயல்படுத்துபவர்கள். 2018 ஐஓடி செங்குத்து மற்றும். விவசாயம் குறித்த மேற்பூச்சு உச்சி மாநாடு -டஸ்கனி (IOT டஸ்கனி) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. UAV படங்களில் லைன் பயிர்களில் களை கண்டறிவதற்கான மேற்பார்வை செய்யப்படாத தரவு லேபிளிங்குடன் ஆழமான கற்றல். ரிமோட் சென்சிங் 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
பால்டி, எஸ்., 1998. மேற்கோள்களின் ஒதுக்கீட்டில் இயல்பான மற்றும் சமூக ஆக்கபூர்வமான செயல்முறைகள்: நெட்வொர்க்-பகுப்பாய்வு மாதிரி. நான். சமூகம். ரெவ். 63 (6), 829–846. https://doi.
org / 10.2307 / 2657504.
பலுஜா, ஜே., டியாகோ, எம்.பி., பால்டா, பி., ஜோரர், ஆர்., மெஜியோ, எஃப்., மோரல்ஸ், எஃப்., டார்டகுயிலா, ஜே., 2012. திராட்சைத் தோட்டத்தின் நீர் நிலை மாறுபாடுகளை வெப்ப மற்றும் பல நிறமாலை மூலம் மதிப்பீடு செய்தல்
ஆளில்லா வான்வழி வாகனத்தை (UAV) பயன்படுத்தும் படங்கள். நீர்ப்பாசனம். அறிவியல் 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
பராபாச்சி, டி., டோண்டெல்லி, ஏ., டெசிடெரியோ, எஃப்., வோலண்டே, ஏ., வாசினோ, பி., வால்`இ, ஜி., கட்டிவெல்லி, எல்., அடுத்த தலைமுறை இனப்பெருக்கம். தாவர அறிவியல். 242, 3–13. https://doi.org/10.1016/j.
தாவரங்கள்.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. கால்நடைகளைக் கண்காணிக்க ஆளில்லா வான்வழி அமைப்புகளைப் பயன்படுத்துவதற்கான முன்னோக்குகள். அவுட்லுக் அக்ரிக். 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. குறைந்த எடை மற்றும் UAV அடிப்படையிலான ஹைப்பர்ஸ்பெக்ட்ரல் முழு-பிரேம் கேமராக்கள்
பயிர்களைக் கண்காணிப்பதற்கு: கையடக்க நிறமாலை அளவீடுகளுடன் நிறமாலை ஒப்பீடு. போட்டோகிராமெட்ரி, ஃபெர்னர்குண்டுங், ஜியோஇன்ஃபர்மேஷன் 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
பேரியண்டோஸ், ஏ., கொலராடோ, ஜே., டெல் செரோ, ஜே., மார்டினெஸ், ஏ., ரோஸ்ஸி, சி., சான்ஸ், டி., வாலண்டே, ஜே., ஏரியல் ரிமோட் சென்சிங் இன் விவசாயம்: ஏரியா கவரேஜுக்கான நடைமுறை அணுகுமுறை
மற்றும் மினி வான்வழி ரோபோக்களின் கடற்படைகளுக்கான பாதை திட்டமிடல். ஜே. ஃபீல்ட் ராப். 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. மல்டி-ரோட்டர் UAVகளுக்கான பாதை திட்டமிடல் அல்காரிதம்களை துல்லியமாகப் பயன்படுத்துவதற்கான ஆய்வு
வேளாண்மை. ஜே. நவிக் 75 (2), 364–383.
Basnet, B., Bang, J., 2018. அறிவு-தீவிர விவசாயத்தின் அதிநவீன-கலை: பயன்பாட்டு உணர்திறன் அமைப்புகள் மற்றும் தரவு பகுப்பாய்வு பற்றிய ஆய்வு. ஜே. சென்ஸ் 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. பயிர் வளர்ச்சி மாறுபாட்டைக் கண்காணிக்க மல்டி-டெம்போரல், மிக உயர் தெளிவுத்திறன் கொண்ட பயிர் மேற்பரப்பு மாதிரிகளுக்கான UAV-அடிப்படையிலான இமேஜிங். போட்டோகிராமெட்ரி, ஃபெர்னர்குண்டுங், ஜியோ இன்ஃபர்மேஷன் 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. UAV அடிப்படையிலான RGB இமேஜிங்கிலிருந்து பெறப்பட்ட பயிர் மேற்பரப்பு மாதிரிகளை (CSMs) பயன்படுத்தி பார்லியின் உயிரியலை மதிப்பிடுதல். ரிமோட் சென்சிங் 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. பயிர் மேற்பரப்பில் இருந்து UAV அடிப்படையிலான தாவர உயரத்தை இணைத்தல் மாதிரிகள்,
பார்லியில் பயோமாஸ் கண்காணிப்புக்கான அகச்சிவப்பு தாவர குறியீடுகளுக்கு அருகில் தெரியும். Int. J. Appl. எர்த் ஒப்ஸ். Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
பெர்னி, ஜேஏ, சர்கோ-தேஜாடா, பிஜே, செபுல்க்ரே-காண்டோ, ´ ஜி., ஃபெரெஸ், ஈ., வில்லலோபோஸ், எஃப்., 2009a. உயர் தெளிவுத்திறனைப் பயன்படுத்தி ஆலிவ் தோட்டங்களில் மேப்பிங் விதானம் நடத்துதல் மற்றும் CWSI
தெர்மல் ரிமோட் சென்சிங் படங்கள். ரிமோட் சென்ஸ் சுற்றுச்சூழல். 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
பெர்னி, ஜேஏ, சர்கோ-தேஜாடா, பிஜே, சுரேஸ், எல்., ஃபெரெஸ், ஈ., 2009பி. ஆளில்லா வான்வழி வாகனத்திலிருந்து தாவரங்களைக் கண்காணிப்பதற்கான வெப்ப மற்றும் குறுகலான மல்டிஸ்பெக்ட்ரல் ரிமோட் சென்சிங். IEEE Trans. புவியியல். ரிமோட் சென்ஸ். 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. இன்டர்நெட் ஆஃப் திங்ஸ் இன் உணவுப் பாதுகாப்பு: இலக்கிய ஆய்வு மற்றும் ஒரு நூலியல் பகுப்பாய்வு. போக்குகள் உணவு அறிவியல். தொழில்நுட்பம். 94,54-64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. விவசாயத்தில் IoT: ஐரோப்பா முழுவதும் பெரிய அளவிலான பைலட்டை வடிவமைத்தல். IEEE கம்யூ. மேக். 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. மில்லிமீட்டர் துல்லியத்தில் தனிப்பட்ட நாற்றுகள் மற்றும் நாற்று சமூகங்களின் மல்டி-சென்சார் UAV கண்காணிப்பு. ட்ரோன்கள் 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. UAV படங்களிலிருந்து துல்லியமான விவசாயப் பயன்பாடுகளுக்கான மல்டிஸ்பெக்ட்ரல் படங்கள் மற்றும் தாவரக் குறியீடுகளை மதிப்பீடு செய்தல். ரிமோட் சென்சிங் 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. UAV இலிருந்து பெறப்பட்ட வைட்-டைனமிக்-ரேஞ்ச் வெஜிடேஷன் இன்டெக்ஸை (WDRVI) பயன்படுத்தி சர்க்கரைவள்ளிக்கிழங்கு வளர்ச்சி குறிகாட்டிகளைக் கண்காணித்தல்
பல நிறமாலை படங்கள். கணினி. எதிர் மின்னணு. விவசாயம். 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
கேசிலாஸ், ஜே., அசிடோ, எஃப்., 2007. குடும்ப வணிக இலக்கியத்தின் அறிவுசார் கட்டமைப்பின் பரிணாமம்: FBR இன் பைபிலியோமெட்ரிக் ஆய்வு. குடும்ப வணிகம் ரெவ். 20 (2), 141–162.
சென், எச்., வான், எல்., ஜு, ஜே., லி, ஒய்., லி, எக்ஸ்., ஜு, ஒய்., வெங், எச்., வு, டபிள்யூ., யின், டபிள்யூ., சூ, சி., Bao, Y., Feng, L., Shou, J., He, Y., 2019
இரட்டை இமேஜ்-பிரேம் ஸ்னாப்ஷாட் கேமராக்கள் கொண்ட இலகுரக UAV ஐப் பயன்படுத்தி வெவ்வேறு நைட்ரஜன் சிகிச்சைகள். தாவர முறைகள் 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
சமுவா, ஏ., சிங், ஆர்., 2019. சிவிலியன் யுஏவி மூலம் இந்திய விவசாயத்தில் நிலைத்தன்மையைப் பாதுகாத்தல்: ஒரு பொறுப்பான கண்டுபிடிப்பு முன்னோக்கு. SN Appl. அறிவியல் 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
சாமுவா, ஏ., சிங், ஆர்., 2022. இந்திய பயிர் காப்பீட்டு விண்ணப்பங்களுக்கான சிவிலியன் ஆளில்லா வான்வழி வாகனம் (யுஏவி) கண்டுபிடிப்புகளின் பொறுப்பான நிர்வாகம். ஜே. பொறுப்பு
தொழில்நுட்பம். 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
சென், ஏ., ஓர்லோவ்-லெவின், வி., மெரோன், எம்., 2019. துல்லியமான நீர்ப்பாசன மேலாண்மைக்கு பயிர் விதானத்தின் உயர் தெளிவுத்திறன் காணக்கூடிய சேனல் வான்வழி இமேஜிங்கைப் பயன்படுத்துதல். விவசாயம். தண்ணீர்
மானாக். 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. ஆன்-போர்டு போட்டோகிராமெட்ரி மற்றும் ஒற்றை அதிர்வெண் GPS பொசிஷனிங் கொண்ட இலகுரக UAV அளவியல் பயன்பாடுகளுக்கு. ISPRS ஜே. போட்டோகிராம். ரிமோட் சென்ஸ் 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. தன்னாட்சி ட்ரோன் செயல்பாட்டு மேலாண்மைக்கான பிளாக்செயின் அடிப்படையிலான IoT இயங்குதளம். இல்: 2வது ACM இன் நடவடிக்கைகள்
5G மற்றும் அதற்கு அப்பால் ட்ரோன் அசிஸ்டெட் வயர்லெஸ் கம்யூனிகேஷன்ஸ் பற்றிய மொபிகாம் பட்டறை, பக். 31–36. https://doi.org/10.1145/3414045.3415939.
டே, RA, Gastel, B., 1998. அறிவியல் கட்டுரையை எழுதுவது மற்றும் வெளியிடுவது எப்படி. கேம்பிரிட்ஜ் பல்கலைக்கழக அச்சகம். de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. மேப்பிங் சைனோடான் டாக்டைலோன் இன்ஃப் தானியங்கு முடிவு மரம்-OBIA செயல்முறை மற்றும் துல்லியமான திராட்சை வளர்ப்பிற்கான UAV படங்களுடன் பயிர்களை மூடவும். ரிமோட் சென்சிங் 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. ஒரு தானியங்கி சீரற்ற காடு-OBIA அல்காரிதம் UAV படத்தைப் பயன்படுத்தி பயிர் வரிசைகளுக்கு இடையேயும் உள்ளேயும் ஆரம்ப களை மேப்பிங். ரிமோட் சென்சிங் 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. UAV இமேஜரியில் இருந்து பெறப்பட்ட DSM ஐப் பயன்படுத்தி கோதுமை மரபணு வகைகளின் தாவர உயரத்தின் தானியங்கு அளவீடு. செயல்முறைகள் 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
டெங், ஜே., ஜாங், இசட்., ஹுவாங், எச்., லான், ஒய்., ஹான், ஒய்., ஜாங், ஒய்., 2020. ஆளில்லா வான்வழி வாகனங்களைப் பயன்படுத்தி நிகழ்நேர களை மேப்பிங்கிற்கான இலகுரக சொற்பொருள் பிரிவு நெட்வொர்க். Appl. அறிவியல் 10 (20), 7132. https://doi.org/10.3390/app10207132.
டெங், எல்., மாவோ, இசட்., லி, எக்ஸ்., ஹு, இசட்., டுவான், எஃப்., யான், ஒய்., 2018. யுஏவி-அடிப்படையிலான மல்டிஸ்பெக்ட்ரல் ரிமோட் சென்சிங் துல்லியமான விவசாயம்: வெவ்வேறு கேமராக்களுக்கு இடையேயான ஒப்பீடு. ISPRS ஜே. போட்டோகிராம். ரிமோட் சென்ஸ் 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. மண் குறிகாட்டிகளை மதிப்பிடுவதற்குப் பயன்படுத்தப்படும் இயந்திர கற்றல் மற்றும் தொலைநிலை உணர்தல் நுட்பங்கள் - மதிப்பாய்வு. Ecol. இந்திய எண் 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. 3D புகைப்படத்தைப் பயன்படுத்தி ஆலிவ் மர கிரீடத்தின் அளவுருக்களை மதிப்பிடுவதற்கான உயர் தெளிவுத்திறன் கொண்ட வான்வழி UAV படங்கள்
புனரமைப்பு: இனப்பெருக்கம் சோதனைகளில் பயன்பாடு. ரிமோட் சென்சிங் 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
தீட்சித், ஏ., ஜாகர், எஸ்கே, 2021. விமான நிலைய திறன் மேலாண்மை: ஒரு ஆய்வு மற்றும் நூலியல் பகுப்பாய்வு. ஜே. ஏர் டிரான்ஸ்ப். மானாக். 91, 102010.
டோங், டி., ஷாங், ஜே., லியு, ஜே., கியான், பி., ஜிங், கியூ., மா, பி., ஹஃப்மேன், டி., கெங், எக்ஸ்., சோவ், ஏ., ஷி, ஒய்., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
கனடாவின் ஒன்டாரியோவில் பயிர் வளர்ச்சி மற்றும் விளைச்சலில் உள்ள வயல் மாறுபாட்டைக் கண்டறிய RapidEye படத்தைப் பயன்படுத்துதல். துல்லிய வேளாண்மை. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-வ.
தத்தா, பிகே, மித்ரா, எஸ்., 2021. கோவிட்-19க்குப் பிந்தைய காலத்தில் உணவு விநியோகச் சங்கிலியைப் புரிந்துகொள்வதற்காக விவசாய ட்ரோன்கள் மற்றும் ஐஓடிகளைப் பயன்படுத்துதல். இல்: சௌத்ரி, ஏ., பிஸ்வாஸ், ஏ., பிரதீக், எம்.,
சக்ரபர்தி, ஏ. (பதிப்பு.), விவசாய தகவல்: IoT மற்றும் இயந்திர கற்றலைப் பயன்படுத்தி ஆட்டோமேஷன். விலே, பக். 67–87. வான் எக், என்., வால்ட்மேன், எல்., 2009. மென்பொருள் ஆய்வு: VOSviewer, பிப்லியோமெட்ரிக் மேப்பிங்கிற்கான கணினி நிரல். சைண்டோமெட்ரிக்ஸ் 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
எலியா, ஓ., ரஹ்மான், டிஏ, ஓரிகும்ஹி, ஐ., லியோ, சிஒய், ஹிந்தியா, எம்என், 2018. இன்டர்நெட் ஆஃப் திங்ஸ் (ஐஓடி) மற்றும் விவசாயத்தில் தரவு பகுப்பாய்வு: நன்மைகள் மற்றும் சவால்கள்.
IEEE இன்டர்நெட் திங்ஸ் ஜே. 5 (5), 3758–3773.
Enciso, J., Avila, CA, Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J., Maeda, M., Chavez, JC, 2019. வேளாண்மை சரிபார்ப்பு UAV மற்றும் புலம்
தக்காளி வகைகளுக்கான அளவீடுகள். கணினி. எதிர் மின்னணு. விவசாயம். 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. உயர் தெளிவுத்திறன் மல்டிஸ்பெக்ட்ரல் மற்றும் தெர்மல் ரிமோட் சென்சிங் அடிப்படையிலான நீர் அழுத்த மதிப்பீடு
நிலத்தடி நீர்ப்பாசன திராட்சைக் கொடிகள். ரிமோட் சென்சிங் 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
எவிங், ஜே., உம்மன், டி., ஜெயக்குமார், பி., அல்ஜர், ஆர்., 2020. மண்ணின் தரத்திற்கு ஹைப்பர்ஸ்பெக்ட்ரல் ரிமோட் சென்சிங்கைப் பயன்படுத்துதல். ரிமோட் சென்சிங் 12 (20), 3312. ttps://doi.org/10.3390/
ரூ.12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., ஆண்டர்சன், கே., 2020. ட்ரோன் அடிப்படையிலான மல்டிஸ்பெக்ட்ரல் மேற்பரப்பு பிரதிபலிப்பு மற்றும் செயல்பாட்டு நிலைமைகளில் தாவர குறியீடுகளின் பன்முக மதிப்பீடு. ரிமோட் சென்சிங் 12 (3), 514.
ஃபெங், எக்ஸ்., யான், எஃப்., லியு, எக்ஸ்., 2019. துல்லியமான விவசாயத்திற்கான இன்டர்நெட் ஆஃப் திங்ஸில் வயர்லெஸ் தகவல் தொடர்பு தொழில்நுட்பங்கள் பற்றிய ஆய்வு. வயர்லெஸ் பெர்ஸ். கம்யூனிஸ்ட். 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. சர்வதேச வணிக ஆராய்ச்சியில் பரிவர்த்தனை செலவுகள் கோட்பாடு: மூன்று தசாப்தங்களாக ஒரு பைபிலியோமெட்ரிக் ஆய்வு. சைண்டோமெட்ரிக்ஸ் 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
ஃபிஷர், பி., அபுசார், எம்., ரப், எம்., பெஸ்ட், எஃப்., சந்திரா, எஸ்., 2009. தென்கிழக்கு ஆஸ்திரேலியாவில் துல்லியமான விவசாயத்தில் முன்னேற்றம். I. உருவகப்படுத்த ஒரு பின்னடைவு முறை
விவசாயிகளின் வரலாற்று நெல் விளைச்சலைப் பயன்படுத்தி தானிய விளைச்சலில் இடஞ்சார்ந்த மாறுபாடு மற்றும் இயல்பான வேறுபாடு தாவரக் குறியீடு. பயிர் மேய்ச்சல் அறிவியல். 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. அறிவியல், தொழில்நுட்பம் மற்றும் சிறிய தன்னாட்சி ட்ரோன்களின் எதிர்காலம். இயற்கை 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. ஸ்மார்ட் விவசாயத்தின் எதிர்காலத்திற்கான விஷயங்களின் இணையம்: வளர்ந்து வரும் தொழில்நுட்பங்களின் விரிவான ஆய்வு. IEEE CAA ஜே. ஆட்டோம். சினிகா 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. அத்தி செடி பிரிவு ஆழமான கன்வல்யூஷனல் என்கோடர்-டிகோடர் நெட்வொர்க்கைப் பயன்படுத்தி வான்வழிப் படங்களிலிருந்து. ரிமோட் சென்சிங் 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. UAVs சவால் நீர் அழுத்தத்தை மதிப்பிடுவதற்கு
நிலையான விவசாயம். விவசாயம். நீர் மேனாக். 153, 9–19. https://doi.org/10.1016/j. ஆகஸ்ட்.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. தெர்மல் இமேஜிங் ஆலையில்
பற்றாக்குறை நீர்ப்பாசன உத்திகளின் கீழ் பாதாம் மரங்களில் (cv. Guara) பயிர்-நீர் நிலையை மதிப்பிடுவதற்கான நிலை. விவசாயம். நீர் மேனாக். 208, 176–186. https://doi.org/10.1016/j.
ஆகஸ்ட்.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. ஒரு சிறிய ஹைப்பர்ஸ்பெக்ட்ரல் UAS ஐப் பயன்படுத்தி மேற்பரப்பு பிரதிபலிப்பு மற்றும் சூரிய ஒளியில் ஒளிரும் நிறமாலை அளவீடுகள். ரிமோட் சென்சிங் 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. ஒரு தானியங்கி முறை
UAV படங்களின் அடிப்படையில் ஓட்ஸ் வயல்களில் களை மேப்பிங். கணினி. எதிர் மின்னணு. விவசாயம்.
Gebbers, R., Adamchuk, VI, 2010. துல்லியமான விவசாயம் மற்றும் உணவுப் பாதுகாப்பு. அறிவியல் 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. ஆளில்லா விமான அமைப்பு மூலம் பெறப்பட்ட வான்வழிப் படங்கள் மற்றும் பயிர் மேற்பரப்பு மாதிரிகள் ஆகியவற்றின் அடிப்படையில் சோள விளைச்சலின் ஒருங்கிணைந்த நிறமாலை மற்றும் இடஞ்சார்ந்த மாதிரியாக்கம். ரிமோட் சென்சிங் 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. பயனர்களுக்கான நிலையான வடிவமைப்பு: ஒரு இலக்கிய ஆய்வு மற்றும் நூலியல் பகுப்பாய்வு. சுற்றுச்சூழல். அறிவியல் மாசு. ரெஸ். 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. மல்டிஸ்பெக்ட்ரல் செயற்கைக்கோள் மற்றும் ஹைப்பர்ஸ்பெக்ட்ரல் ஆகியவற்றை இணைப்பதன் மூலம் ஸ்பெக்ட்ரல் டெம்போரல் ரெஸ்பான்ஸ் மேற்பரப்புகளை உருவாக்குதல்
துல்லியமான விவசாய பயன்பாடுகளுக்கான UAV படங்கள். IEEE ஜே. செல். மேல். Appl. எர்த் ஒப்ஸ். ரிமோட் சென்ஸ். 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT சார்ந்த விவசாயம் ஒரு கிளவுட் மற்றும் பிக் டேட்டா சர்வீஸ்: டிஜிட்டல் இந்தியாவின் ஆரம்பம். ஜே. மற்றும் இறுதி பயனர் கணினி. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. இணை மேற்கோள் பகுப்பாய்வு மற்றும் கண்ணுக்கு தெரியாத கல்லூரிகளுக்கான தேடல்: ஒரு முறையான மதிப்பீடு. சைண்டோமெட்ரிக்ஸ் 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. ஆளில்லா வான்வழி வாகனங்கள் (UAVகள்) மூலம் மக்காச்சோளச் செடிகளின் டிஜிட்டல் எண்ணிக்கை. ரிமோட் சென்சிங் 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. ஒரு ரோட்டரி-சாரி ஆளில்லா விமான வாகனம் நீர்வாழ் களை கண்காணிப்பு மற்றும்
மேலாண்மை. ஜே. இன்டெல். ரோபோடிக் சிஸ்ட்.: தியர். ஆப்பிள். 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. கோதுமையில் துல்லியமான விவசாய நோக்கங்களுக்காக ஆளில்லா வான்வழி வாகனம் (UAV) படங்களிலிருந்து மொசைக்ஸின் துல்லியத்தை மதிப்பிடுதல். துல்லியமானது. விவசாயம். 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labbe, S., Jolivot, A., Regnard, J.-L., 2016. UAV-உணர்ந்த படங்களின் மூலம் மர அளவில் நீர் அழுத்தத்தின் ஃபீல்ட் பினோடைப்பிங் : புதிய நுண்ணறிவு
வெப்ப கையகப்படுத்தல் மற்றும் அளவுத்திருத்தம். துல்லியமானது. விவசாயம். 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. சிட்ரஸ் பழத்தோட்டங்களில் நீர் பற்றாக்குறையின் குறிகாட்டியாக பயிர் நீர் அழுத்தக் குறியீட்டைப் பயன்படுத்துவதற்கான பொருந்தக்கூடிய தன்மை மற்றும் வரம்புகள். விவசாயம். க்கு. விண்கல். 198-199, 94-104. https://doi.org/10.1016/j. agroformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. உயர் தெளிவுத்திறன் UAV வெப்பப் படத்தைப் பயன்படுத்துதல்
ஒரு வணிகப் பழத்தோட்டத்தில் உள்ள ஐந்து பழ மரங்களின் நீர் நிலையில் உள்ள மாறுபாட்டை மதிப்பிடுக. துல்லியமானது. விவசாயம். 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
கோயல், கே., குமார், எஸ்., 2021. நிதி கல்வியறிவு: ஒரு முறையான ஆய்வு மற்றும் நூலியல் பகுப்பாய்வு. Int. ஜே. நுகர்வோர் ஆய்வுகள் 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. வனவியல் மற்றும் விவசாயத்தில் குறைந்த விலை uavs இன் ஒளிப்படவியல் திறன். ஃபோட்டோகிராமெட்ரி, ரிமோட் சென்சிங் மற்றும் ஸ்பேஷியல் இன்ஃபர்மேஷன் சயின்சஸ் இன் இன்டர்நேஷனல் ஆர்க்கிவ்ஸ் – ISPRS ஆர்க்கிவ்ஸ் 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
குவான், எஸ்., ஃபுகாமி, கே., மாட்சுனகா, எச்., ஒகாமி, எம்., டனகா, ஆர்., நகானோ, எச்., சகாய், டி., நகனோ, கே., ஓடன், எச்., தகாஹாஷி, கே., 2019. உயர் தெளிவுத்திறனின் தொடர்புகளை மதிப்பிடுதல்
NDVI உரம் இடும் நிலை மற்றும் சிறிய UAVகளைப் பயன்படுத்தி அரிசி மற்றும் கோதுமை பயிர்களின் மகசூல். ரிமோட் சென்சிங் 11 (2), 112.
Gundolf, K., Filser, M., 2013. மேலாண்மை ஆராய்ச்சி மற்றும் மதம்: ஒரு மேற்கோள் பகுப்பாய்வு. ஜே. பேருந்து. நெறிமுறைகள் 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD உருவகப்படுத்துதல் மற்றும் இடஞ்சார்ந்த சோதனை சரிபார்ப்பு மற்றும் தற்காலிக விநியோகங்கள்
மிதவையில் உள்ள குவாட்-ரோட்டர் விவசாய UAV இன் கீழ்வாழும் காற்றோட்டம். கணினி. எதிர் மின்னணு. விவசாயம். 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
ஹகிகத்தலாப், ஏ., கோன்ஸெலஸ் பெரெஸ், எல்., மொண்டல், எஸ்., சிங், டி., ஷின்ஸ்டோக், டி., ருட்கோஸ்கி, ஜே., ஆர்டிஸ்-மொனாஸ்டிரியோ, ஐ., சிங், ஆர்.பி, குடின், டி. , போலந்து, ஜே., 2016.
பெரிய கோதுமை வளர்ப்பு நர்சரிகளின் உயர் செயல்திறன் பினோடைப்பிங்கிற்கான ஆளில்லா வான்வழி அமைப்புகளின் பயன்பாடு. தாவர முறைகள் 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. UAV களில் இருந்து மாறுபட்ட வெளிச்ச நிலைமைகளின் கீழ் ஸ்பெக்ட்ரல் இமேஜிங் . ஜிஜி பில் ஆர். (எட்.), இன்டர்நேஷனல் ஆர்க்கிவ்ஸ் ஆஃப் தி ஃபோட்டோகிராமெட்ரி, ரிமோட் சென்சிங் மற்றும் ஸ்பேஷியல் இன்ஃபர்மேஷன் சயின்ஸ்-ஐஎஸ்பிஆர்எஸ் ஆர்கைவ்ஸ் (தொகுதி. 40, வெளியீடு 1W2, பக். 189-194). போட்டோகிராமெட்ரி மற்றும் ரிமோட் சென்சிங்கிற்கான சர்வதேச சங்கம். 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.ஆளில்லா வான்வழியிலிருந்து தீவு தாவரங்களை மேப்பிங் செய்வதற்கான உத்திகள்
வாகனம் (UAV) படங்கள்: பிக்சல் வகைப்பாடு, காட்சி விளக்கம் மற்றும் இயந்திர கற்றல் அணுகுமுறைகள். Int. J. Appl. எர்த் ஒப்ஸ். Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. பங்களாதேஷில் பொறுப்பான தலைமையின் மூலம் ஸ்மார்ட் விவசாயம்: சாத்தியங்கள், வாய்ப்புகள் மற்றும் அதற்கு அப்பால்.
நிலைத்தன்மை 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. சுற்றுச்சூழல் ஆராய்ச்சியில் சிறிய அளவிலான ரிமோட் பைலட் வாகனங்கள். புவியியல் திசைகாட்டி 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x
Hardin, PJ, Jensen, RR, 2011. சுற்றுச்சூழல் தொலை உணர்வில் சிறிய அளவிலான ஆளில்லா வான்வழி வாகனங்கள்: சவால்கள் மற்றும் வாய்ப்புகள். GISci. ரிமோட் சென்ஸ். 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. விவசாய இணையம்: தொழில்நுட்பங்கள் மற்றும் பயன்பாடுகள், (1வது பதிப்பு. 2021 பதிப்பு). ஸ்பிரிங்கர்.
ஹெர்விட்ஸ், எஸ்ஆர், ஜான்சன், எல்எஃப், டுனகன், எஸ்இ, ஹிக்கின்ஸ், ஆர்ஜி, சல்லிவன், டிவி, ஜெங், ஜே., லோபிட்ஸ், பிஎம், லியுங், ஜேஜி, கால்மேயர், பிஏ, அயோயாகி, எம்., ஸ்லை, ஆர்ஈ, பிராஸ், ஜேஏ, 2004.
ஆளில்லா வான்வழி வாகனத்திலிருந்து இமேஜிங்: விவசாய கண்காணிப்பு மற்றும் முடிவு ஆதரவு. கணினி. எதிர் மின்னணு. விவசாயம். 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, UAV அடிப்படையிலான தொலைநிலை உணர்திறனைப் பயன்படுத்தி கோதுமை செடியின் உயரம் மற்றும் வயல் நிலத்தின் வளர்ச்சி விகிதத்தின் உயர் செயல்திறன் புல பினோடைப்பிங். ரிமோட் சென்சிங் 8 (12). https://doi. org/10.3390/rs8121031.
Honkavaara, E., Saari, H., Kaivosoja, J., Pol ¨ onen, ¨ I., Hakala, T., Litkey, P., M¨kynen, J., Pesonen, L., 2013. செயலாக்கம் மற்றும் மதிப்பீடு துல்லியமான விவசாயத்திற்காக இலகுரக UAV ஸ்பெக்ட்ரல் கேமராவைப் பயன்படுத்தி சேகரிக்கப்பட்ட ஸ்பெக்ட்ரோமெட்ரிக், ஸ்டீரியோஸ்கோபிக் படங்கள். ரிமோட் சென்சிங் 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. குறைந்த உயரத்தில் உள்ள ஆளில்லா வான்வழி வாகனங்கள் அடிப்படையிலான விஷயங்கள் சேவைகள்: விரிவான ஆய்வு மற்றும் எதிர்கால முன்னோக்குகள். IEEE இன்டர்நெட் திங்ஸ் ஜே. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., Roberts, J., 2005. UAVக்கான நகர்ப்புற பள்ளத்தாக்குகளின் ஒருங்கிணைந்த ஆப்டிக்-ஃப்ளோ மற்றும் ஸ்டீரியோ அடிப்படையிலான வழிசெலுத்தல். இல்: 2005 IEEE/RSJ
நுண்ணறிவு ரோபோக்கள் மற்றும் அமைப்புகள் பற்றிய சர்வதேச மாநாடு, பக். 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. கிளவுட் ஃபாக் கம்ப்யூட்டிங்கிற்கான கிரியேட்டிவ் IoT விவசாய தளம். தக்கவைத்துக்கொள். கணினி. Inf. சிஸ்ட். 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. ஆளில்லா வான்வழி வாகனத்தின் களை மேப்பிங்கிற்கான முழு மாற்றமான நெட்வொர்க் ( UAV) படங்கள். PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. UAV படங்களின் களை மேப்பிங்கில் ஆழமான கற்றல் மற்றும் பொருள் சார்ந்த பட பகுப்பாய்வு (OBIA). Int. ஜே.
ரிமோட் சென்ஸ். 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
ஹுவாங், எச்., யாங், ஏ., டாங், ஒய்., ஜுவாங், ஜே., ஹூ, சி., டான், இசட்., தனஞ்சயன், எஸ்., ஹெ, ஒய்., குவோ, கே., லுவோ, எஸ்., 2021. பயிர் கண்காணிப்பில் UAV படத்திற்கான ஆழமான வண்ண அளவுத்திருத்தம்
உலகளாவிய கவனத்திற்கு உள்ளூர் கவனத்துடன் சொற்பொருள் பாணி பரிமாற்றத்தைப் பயன்படுத்துதல். Int. J. Appl. எர்த் ஒப்ஸ். Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. விவசாய உற்பத்திக்கான ஆளில்லா வான்வழி வாகன தொழில்நுட்பங்களின் வளர்ச்சி மற்றும் வாய்ப்பு
மேலாண்மை. Int. ஜே. அக்ரிக். உயிரியல் இன்ஜி. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. ஆளில்லா வான்வழி வாகனத் தளத்திற்கான ஸ்ப்ரே அமைப்பின் உருவாக்கம். Appl. இன்ஜி. விவசாயம். 25 (6), 803–809.
ஹன்ட் ஜூனியர், ஈஆர், டீன் ஹைவ்லி, டபிள்யூ., புஜிகாவா, எஸ்ஜே, லிண்டன், டிஎஸ், டாட்ரி, சிஎஸ்டி, மெக்கார்ட்டி, ஜிடபிள்யூ, 2010. என்ஐஆர்-கிரீன்-ப்ளூ டிஜிட்டல் புகைப்படங்களைப் பெறுதல்
பயிர் கண்காணிப்புக்கு ஆளில்லா விமானம். ரிமோட் சென்சிங் 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. புத்திசாலித்தனமான விவசாயத்திற்கான பயிர்கள் மற்றும் மண்ணின் செயற்கைக்கோள் மற்றும் ட்ரோன் அடிப்படையிலான ரிமோட் சென்சிங்-ஒரு ஆய்வு. மண் அறிவியல். தாவர நட்ர். 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
இஸ்லாம், என்., ரஷீத், எம்.எம்., பசண்டிதே, எஃப்., ரே, பி., மூர், எஸ்., கேடல், ஆர்., 2021. இன்டர்நெட் ஆஃப் திங்ஸ் (IoT)க்கான பயன்பாடுகள் மற்றும் தகவல் தொடர்பு தொழில்நுட்பங்களின் ஆய்வு மற்றும்
ஆளில்லா வான்வழி வாகனம் (UAV) அடிப்படையிலான நிலையான ஸ்மார்ட் விவசாயம். நிலைத்தன்மை 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. உயர் தெளிவுத்திறன் டிஜிட்டல் மேற்பரப்பு மாதிரிகளின் துல்லியத்தை மதிப்பிடுதல்
PhotoScan® மற்றும் MicMac® துணை உகந்த ஆய்வு நிலைகளில். ரிமோட் சென்சிங் 8 (6), https://doi.org/10.3390/rs8060465.
ஜிமினெஸ்-ப்ரெனெஸ், எஃப்எம், லோபஸ்-கிரனாடோஸ், எஃப்., காஸ்ட்ரோ, ஏஐ, டோரஸ்-எஸ், அஞ்செஸ், ஜே., செரானோ, என்., பெனா, ˜ ஜேஎம், 2017 UAV அடிப்படையிலான 3D மாடலிங் மூலம் விதான வளர்ச்சி. தாவர முறைகள் 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. மிகக் குறைந்த உயர UAV படங்களிலிருந்து வெளிப்படும் கோதுமை பயிர்களின் தாவர அடர்த்தியின் மதிப்பீடுகள். ரிமோட் சென்ஸ்.
சுற்றுச்சூழல். 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
ஜின்போ, சி., சியாங்லியாங், சி., ஹான்-சி, எஃப்., லாம், ஏ., 2019. கிளவுட் கம்ப்யூட்டிங்கால் ஆதரிக்கப்படும் விவசாய தயாரிப்பு கண்காணிப்பு அமைப்பு. கிளஸ்டர் கம்ப்யூட். 22 (4), 8929–8938.
ஜூ, சி., & சன், HI 2018a. விவசாயத்தில் ரிமோட் சென்சிங்கிற்கான பல UAV அமைப்புகளின் செயல்திறன் மதிப்பீடு. ரோபோட்டிக்ஸ் மற்றும் ஆட்டோமேஷன் மீதான IEEE சர்வதேச மாநாட்டில் (ICRA), பிரிஸ்பேன், ஆஸ்திரேலியா, 21-26 இல் ரோபோட்டிக் பார்வை மற்றும் விவசாயத்தில் நடவடிக்கை குறித்த பட்டறையின் செயல்முறைகள்.
ஜூ, சி., சன், எச்ஐ, 2018பி. விவசாய பயன்பாடுகளுக்கான பல UAV அமைப்புகள்: கட்டுப்பாடு, செயல்படுத்தல் மற்றும் மதிப்பீடு. எலக்ட்ரானிக்ஸ் 7 (9), 162. https://doi.org/10.3390/
மின்னணுவியல்7090162.
ஜங், ஜே., மேடா, எம்., சாங், ஏ., பண்டாரி, எம்., ஆஷாபுரே, ஏ., லாண்டிவர்-பௌல்ஸ், ஜே., 2021. ரிமோட் சென்சிங் மற்றும் செயற்கை நுண்ணறிவின் திறன் மேம்படுத்துவதற்கான கருவிகள்
விவசாய உற்பத்தி முறைகளின் பின்னடைவு. கர்ர். கருத்து. பயோடெக்னோல். 70, 15–22. https://doi.org/10.1016/j.copbio.2020.09.003.
கலிசுக், எம்., பாரெட், எம்.எல், ஃப்ரீமேன், ஜே.எச், ராஜ், டி., டா சில்வா, எஸ்., யூபாங்க்ஸ், எஸ்., விக்கின்ஸ், டி.ஜே, லொல்லர், எம்., மரோயிஸ், ஜே.ஜே, மெல்லிங்கர், எச்.சி, தாஸ், ஜே. . தாவர டிஸ். 2019 (103), 7–1642.
கபூர், கே.கே., தமிழ்மணி, கே., ராணா, என்.பி., பாட்டீல், பி., திவேதி, ஒய்.கே., நெரூர், எஸ்., 2018. சமூக ஊடக ஆராய்ச்சியில் முன்னேற்றங்கள்: கடந்த காலம், நிகழ்காலம் மற்றும் எதிர்காலம். தெரிவிக்கவும். சிஸ்ட். முன். 20
(3), 531-XX.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: மல்டிஸ்பெக்ட்ரல் படங்கள் மற்றும் ஆழமான வரைபடத்தின் அடிப்படையில் கொடி நோய் கண்டறிதல் நெட்வொர்க். ரிமோட் சென்சிங் 12 (20), 3305. https://doi. org/10.3390/rs12203305.
காலிக், A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. திராட்சைத் தோட்டத்திற்கான செயற்கைக்கோள் மற்றும் UAV அடிப்படையிலான மல்டிஸ்பெக்ட்ரல் படங்களின் ஒப்பீடு
மாறுபாடு மதிப்பீடு. ரிமோட் சென்சிங் 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain ஆனது மேம்பட்ட ஆழமான கற்றலைப் பயன்படுத்தி உணவுத் துறை 4.0க்கான உகந்த ஆதார அமைப்பை இயக்கியது. சென்சார்கள் 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. படத்தின் அடிப்படையிலான தாவர நோய்களைக் கண்டறிதல்: பாரம்பரிய இயந்திரக் கற்றலில் இருந்து ஆழ்ந்த கற்றல் பயணம் வரை. வயர்லெஸ் கம்யூனிஸ்ட். மொபைல் கம்ப்யூட். 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. UAV அடிப்படையிலான பயிர்/களை வகைப்பாட்டிற்கான ஒரு புதிய அரை-கண்காணிக்கப்பட்ட கட்டமைப்பு. PLoS ONE 16 (5), e0251008.
கானல், எஸ்., ஃபுல்டன், ஜே., ஷீரர், எஸ்., 2017. துல்லியமான விவசாயத்தில் தெர்மல் ரிமோட் சென்சிங்கின் தற்போதைய மற்றும் சாத்தியமான பயன்பாடுகளின் மேலோட்டம். கணினி. எதிர் மின்னணு.
விவசாயம். 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
கன்னா, ஏ., கவுர், எஸ்., 2019. இன்டர்நெட் ஆஃப் திங்ஸ் (IoT) பரிணாமம் மற்றும் துல்லியமான விவசாயத் துறையில் அதன் குறிப்பிடத்தக்க தாக்கம். கணினி. எதிர் மின்னணு. விவசாயம். 157, 218–231.
கிம், டபிள்யூ., கான், ஜிஎஃப், வூட், ஜே., மஹ்மூத், எம்டி, 2016. நிலையான நிறுவனங்களுக்கான பணியாளர் ஈடுபாடு: சமூக வலைப்பின்னல் பகுப்பாய்வு மற்றும் வெடிப்பைப் பயன்படுத்தி முக்கிய பகுப்பாய்வு
கண்டறிதல் அணுகுமுறை. நிலைத்தன்மை 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. ஒருங்கிணைப்பு நிலப்பரப்பு மற்றும் ட்ரோன் மூலம் பரவும்
ஆய்வு மேப்பிங் மற்றும் சுரங்க கண்காணிப்புக்கான ஹைப்பர்ஸ்பெக்ட்ரல் மற்றும் ஃபோட்டோகிராமெட்ரிக் சென்சிங் முறைகள். ரிமோட் சென்சிங் 10 (9), 1366. https://doi.org/10.3390/
ரூ.10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. ஆழமான கற்றல் மற்றும் UAV படங்களைப் பயன்படுத்தி சோள ஆலை எண்ணுதல். IEEE Geosci. ரிமோட் சென்ஸ் லெட். 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
கோ, ஜேசிஓ, ஸ்பாங்கன்பெர்க், ஜி., கான்ட், எஸ்., 2021. ஹைத்ரூபுட் பட அடிப்படையிலான தாவர பினோடைப்பிங்கிற்கான தானியங்கு இயந்திர கற்றல். ரிமோட் சென்சிங் 13 (5), 858. https://
doi.org/10.3390/rs13050858.
கோவலேவ், IV, வோரோஷிலோவா, ஏஏ, 2020. சரக்கு UAV களின் சுற்றுச்சூழல் அமைப்பின் வளர்ச்சியில் நவீன தொழில்நுட்ப போக்குகள். ஜே. இயற்பியல் conf. செர். 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. மோனோகுலர் கேமராவுடன் சிறிய ட்ரோனைப் பயன்படுத்தி உட்புற கால்நடைகள் மற்றும் விவசாயத்திற்கான விஷுவல் SLAM: ஒரு சாத்தியக்கூறு ஆய்வு.
ட்ரோன்கள் 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. விவசாய தானியக்கத்திற்கான ட்ரோன்களின் ஆய்வு நடவு முதல்
அறுவடை. இல்: INES 2018 – IEEE 22வது சர்வதேச மாநாடு பற்றிய நுண்ணறிவு பொறியியல் அமைப்புகள், பக். 000353–358. https://doi.org/10.1109/INES.2018.8523943.
லக்காஸ், டி., ஆர்கிரியோ, வி., பிபி, எஸ்., சாரிஜியான்னிடிஸ், பி., 2018. UAV IoT கட்டமைப்பின் பார்வைகள் மற்றும் சவால்கள்: ட்ரோன்களை "திங்ஸ்" ஆகப் பாதுகாப்பதை நோக்கி. சென்சார்கள் 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. ஆளில்லா விமானம் வறண்ட நிலையில் பெறப்பட்ட துணை-டெசிமீட்டர் படங்களின் பகுப்பாய்வுக்கான பட செயலாக்கம் மற்றும் வகைப்படுத்தல் நடைமுறைகள்
எல்லை நிலங்கள். GISci. ரிமோட் சென்ஸ் 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. ரேஞ்ச்லேண்ட் மேப்பிங் மற்றும் கண்காணிப்புக்கான ஆளில்லா வான்வழி வாகனங்கள்: இரண்டு அமைப்புகளின் ஒப்பீடு. ASPRS வருடாந்திர மாநாட்டு நடவடிக்கைகள்.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. பூர்வீக புல்வெளியில் களை மேப்பிங்கிற்கான திறந்த மூலப் பணிப்பாய்வு
ஆளில்லா வான்வழி வாகனத்தைப் பயன்படுத்துதல்: Rumex obtusifolius ஒரு வழக்கு ஆய்வாகப் பயன்படுத்துதல். யூரோ. ஜே.ரிமோட் சென்ஸ் 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. தத்தெடுப்பு, லாபம், மற்றும் துல்லியமான விவசாயத் தரவை சிறப்பாகப் பயன்படுத்துதல்.
பணித்தாள். பர்டூ பல்கலைக்கழகம். https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labbe, S., Baret, F., 2008. சிறிய அடுக்குகளில் கோதுமை பயிரின் அளவைக் கண்காணிப்பதற்கான ஆளில்லா வான்வழி வாகனப் படங்களின் மதிப்பீடு. சென்சார்கள் 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
லி, சி., நியு, பி., 2020. பெரிய தரவு மற்றும் இன்டர்நெட் ஆஃப் திங்ஸின் அடிப்படையில் ஸ்மார்ட் விவசாயத்தின் வடிவமைப்பு. Int. ஜே. டிஸ்ட்ரிப். சென்ஸ். Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. உயர் தெளிவுத்திறன் கொண்ட ஸ்டீரியோ படங்களைப் பயன்படுத்தி மக்காச்சோளத்தின் விதான உயரம் மற்றும் நிலத்தடி உயிர்ப்பொருளின் தொலைநிலை மதிப்பீடு குறைந்த விலை ஆளில்லா வான்வழி வாகன அமைப்பு. Ecol. இந்தியன். 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. விவசாயத்தில் இயந்திர கற்றல்: ஒரு ஆய்வு. சென்சார்கள் 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. மொபைல் மல்டி சென்சார் அணுகுமுறையுடன் மக்காச்சோளப் பண்புகளின் தொலைநிலை, வான்வழி பினோடைப்பிங். தாவர முறைகள் 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
லின், இசட்., குவோ, டபிள்யூ., 2020. ஆளில்லா வான்வழி அமைப்பு படங்கள் மற்றும் ஆழமான கற்றல் மூலம் சோர்கம் பேனிகல் கண்டறிதல் மற்றும் எண்ணுதல். முன். தாவர அறிவியல். 11.
லியு, எஸ்., குவோ, எல்., வெப், எச்., யா, எக்ஸ்., சாங், எக்ஸ்., 2019. கிளவுட் கம்ப்யூட்டிங் அடிப்படையிலான நவீன சுற்றுச்சூழல் விவசாயத்தின் இன்டர்நெட் ஆஃப் திங்ஸ் கண்காணிப்பு அமைப்பு. IEEE அணுகல் 7, 37050–37058.
Lopez-Granados, ´ F., 2011. தளம் சார்ந்த களை மேலாண்மைக்கான களை கண்டறிதல்: மேப்பிங் மற்றும் நிகழ் நேர அணுகுமுறைகள். களை ரெஸ். 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. உயர் தெளிவுத்திறன் UAV படத்தைப் பயன்படுத்தி புல் பயிர்களில் புல் களையின் பொருள் அடிப்படையிலான ஆரம்ப கண்காணிப்பு. அக்ரோன். தக்கவைத்துக்கொள். தேவ். 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. UAV தொழில்நுட்பத்தைப் பயன்படுத்தி சூரியகாந்தியில் ஆரம்பகால களை மேப்பிங்: களை வாசலுக்கு எதிராக களைக்கொல்லி சிகிச்சை வரைபடங்களின் மாறுபாடு. துல்லியமானது. விவசாயம். 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS - மல்டிரோட்டர் ஆளில்லா விமான அமைப்பிலிருந்து இமேஜிங் ஸ்பெக்ட்ரோஸ்கோபி. ஜே. ஃபீல்ட் ராப். 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kartinen, H., Kukko, A., Hyyppa, ¨ J., Hypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Terrestrial laser scanning of விவசாய பயிர்கள். ஜே.ஜே
சென் ஜே. மாஸ் எச்–ஜி. (எட்.), போட்டோகிராமெட்ரி, ரிமோட் சென்சிங் மற்றும் ஸ்பேஷியல் இன்ஃபர்மேஷன் சயின்சஸ் இன் இன்டர்நேஷனல் ஆர்க்கிவ்ஸ்-ஐஎஸ்பிஆர்எஸ் ஆர்கைவ்ஸ் (தொகுதி. 37, பக். 563–566).
போட்டோகிராமெட்ரி மற்றும் ரிமோட் சென்சிங்கிற்கான சர்வதேச சங்கம். 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. மேற்பார்வையிடப்பட்ட பொருள் அடிப்படையிலான நில-கவர் பட வகைப்பாட்டின் மதிப்பாய்வு. ISPRS ஜே. போட்டோகிராம். ரிமோட் சென்ஸ். 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. துல்லியமான விவசாயத்தில் ஆளில்லா வான்வழி வாகனங்கள் மூலம் ரிமோட் சென்சிங்கிற்கான முன்னோக்குகள். போக்குகள் தாவர அறிவியல். 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
மைமைதிஜியாங், எம்., குலாம், ஏ., சிடிகே, பி., ஹார்ட்லிங், எஸ்., மைமைதியிமிங், எம்., பீட்டர்சன், கே., ஷேவர்ஸ், ஈ., ஃபிஷ்மேன், ஜே., பீட்டர்சன், ஜே., கடம், எஸ்., பர்கன், ஜே., ஃபிரிட்சி, எஃப்., 2017.
ஆளில்லா வான்வழி அமைப்பு (UAS) - பல சென்சார் தரவு இணைவு மற்றும் தீவிர கற்றல் இயந்திரத்தைப் பயன்படுத்தி சோயாபீனின் பினோடைப்பிங். ISPRS ஜே. போட்டோகிராம். ரிமோட் சென்ஸ். 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.
செயற்கைக்கோள்/UAV தரவு இணைவு மற்றும் இயந்திர கற்றலைப் பயன்படுத்தி பயிர் கண்காணிப்பு. ரிமோட் சென்சிங் 12 (9), 1357. https://doi.org/10.3390/rs12091357.
மன்ஃப்ரெடா, எஸ்., மெக்கேப், எம்., மில்லர், பி., லூகாஸ், ஆர்., பஜுலோ மாட்ரிகல், வி., மல்லினிஸ், ஜி., பென் டோர், ஈ., ஹெல்மேன், டி., எஸ்டெஸ், எல்., சிராலோ, ஜி. ., Müllerova, ´ J., Tauro, F., de Lima, M., de
லிமா, ஜே., மால்டிஸ், ஏ., பிரான்சிஸ், எஃப்., கேலர், கே., கோவ், எம்., பெர்க்ஸ், எம்., ரூயிஸ்-பெரெஸ், ஜி., சு, இசட்., விகோ, ஜி., டோத் , பி., 2018. ஆளில்லா வான்வழி அமைப்புகளைப் பயன்படுத்துவது குறித்து
சுற்றுச்சூழல் கண்காணிப்பு. ரிமோட் சென்சிங் 10 (4), 641.
Marinko, RA, 1998. மேற்கோள்கள் பெண்களின் ஆய்வு இதழ்கள் ஆய்வுக் கட்டுரைகள், 1989 மற்றும் The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
மஸ்ரூர், ஆர்., நயீம், எம்., எஜாஸ், டபிள்யூ., 2021. யுஏவி-உதவி வயர்லெஸ் நெட்வொர்க்குகளில் வள மேலாண்மை: ஒரு தேர்வுமுறை முன்னோக்கு. தற்காலிக நெட்வொர்க். 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. மல்டிஸ்பெக்ட்ரல், தெர்மல் மற்றும் RGB உயர் தெளிவுத்திறன் படங்களை அடிப்படையாகக் கொண்ட மல்டிசென்சர் UAV இயங்குதளத்தின் நடைமுறை பயன்பாடுகள்
திராட்சை வளர்ப்பு. விவசாயம் 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. பாரம்பரிய NDVI குறியீட்டிற்கு அப்பால், துல்லியமான திராட்சை வளர்ப்பில் UAV இன் முக்கியப் பயன்பாட்டிற்கு முக்கிய காரணியாக உள்ளது. அறிவியல் ரெப். 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vacari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 . UAV, விமானத்தின் இடை ஒப்பீடு
மற்றும் துல்லியமான திராட்சை வளர்ப்பிற்கான செயற்கைக்கோள் ரிமோட் சென்சிங் தளங்கள். ரிமோட் சென்சிங் 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV மற்றும் இயந்திர கற்றல் அடிப்படையிலான துல்லியமான செயற்கைக்கோள் மூலம் இயக்கப்படும் தாவரக் குறியீட்டின் சுத்திகரிப்பு
வேளாண்மை. சென்சார்கள் 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. மேப்பிங் ஆசிரியர்கள் இன் இன்டலெக்சுவல் ஸ்பேஸ்: எ டெக்னிகல் கண்ணோட்டம். ஜே. ஆம். Soc. தகவல். அறிவியல் 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. விவசாய அரிப்பு மாதிரியாக்கம்: UAV நேர-தொடர் தரவைப் பயன்படுத்தி USLE மற்றும் WEPP புல அளவிலான அரிப்பு மதிப்பீடுகளை மதிப்பீடு செய்தல். சுற்றுச்சூழல். மாதிரி. மென்பொருள் 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019
டாஸ்மேனியன் மிட்லாண்ட்ஸ். ட்ரோன்கள் 3 (1), 5.
மெசினா, ஜி., மோடிகா, ஜி., 2020. துல்லியமான விவசாயத்தில் UAV வெப்பப் படங்களின் பயன்பாடுகள்: கலையின் நிலை மற்றும் எதிர்கால ஆராய்ச்சிக் கண்ணோட்டம். ரிமோட் சென்சிங் 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. பெரிய தரவு: கருத்துகள், போக்குகள் மற்றும் சவால்கள் பற்றிய ஒரு நூலியல் ஆய்வு. வணிக செயல்முறை மேலாளர். ஜே. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. கள நிலைமைகளின் கீழ் பெறப்பட்ட வாழ்க்கை சுழற்சி தரவுத்தொகுப்புகளைப் பயன்படுத்தி பயிர் மேம்பாடு. முன். தாவர அறிவியல். 6 https://doi.org/10.3389/
fpls.2015.00740.
மொகிலி, UM.R., தீபக், BBVL, 2018. துல்லியமான விவசாயத்தில் ட்ரோன் அமைப்புகளின் பயன்பாடு பற்றிய ஆய்வு. ப்ரோசீடியா கம்ப்யூட். அறிவியல் 133, 502–509.
மொஹரானா, எஸ்., தத்தா, எஸ்., 2016. ஹைப்பர்ஸ்பெக்ட்ரல் இமேஜரியில் இருந்து அரிசியின் குளோரோபில் மற்றும் நைட்ரஜன் உள்ளடக்கத்தின் இடஞ்சார்ந்த மாறுபாடு. ISPRS ஜே. போட்டோகிராம். ரிமோட் சென்ஸ் 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. ஸ்மார்ட் பண்ணைக்கான IoT மற்றும் விவசாய தரவு பகுப்பாய்வு. கணினி. எதிர் மின்னணு. விவசாயம். 156, 467–474.
நான்சென், சி., எலியட், என்., 2016. பூச்சியியலில் ரிமோட் சென்சிங் மற்றும் பிரதிபலிப்பு விவரக்குறிப்பு. அண்ணு. ரெவ். என்டோமோல். 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. விவசாயத்தில் மல்டிஸ்பெக்ட்ரல் மேப்பிங்: ஒரு தன்னாட்சி குவாட்காப்டர் UAV பயன்படுத்தி நிலப்பரப்பு மொசைக். Int. conf.
ஆளில்லா விமான அமைப்பு. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. ட்ரோன் விஷயங்களின் இணையம் (Iodt): ஸ்மார்ட் ட்ரோன்களின் எதிர்கால கற்பனை. அட்வ. நுண்ணறிவு. சிஸ்ட். கணினி. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. மைக்ரோ UAV-க்கான லைட்-வெயிட் மல்டிஸ்பெக்ட்ரல் சென்சார்-அதிக உயர் தெளிவுத்திறன் வான்வழி ரிமோட் சென்சிங்கிற்கான வாய்ப்புகள். Int. வளைவு. புகைப்படம். ரிமோட் சென்ஸ். Inf. அறிவியல் 37 (B1), 1193–1200.
நெகாஷ், எல்., கிம், எச்.-ஒய்., சோய், எச்.-எல்., 2019. விவசாயத்தில் வளர்ந்து வரும் யுஏவி பயன்பாடுகள். இல்: 2019 7வது சர்வதேச ரோபோ நுண்ணறிவு தொழில்நுட்ப மாநாடு மற்றும்
பயன்பாடுகள் (RITA), பக். 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
நெரூர், எஸ்பி, ரஷீத், ஏஏ, நடராஜன், வி., 2008. மூலோபாய மேலாண்மைத் துறையின் அறிவுசார் அமைப்பு: ஒரு ஆசிரியர் இணை மேற்கோள் பகுப்பாய்வு. உத்தி. மானாக். ஜே. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. ஆளில்லா வான்வழி வாகனங்களைப் பயன்படுத்தி தாவர நோய்களை தானியங்கு அடையாளம் மற்றும் கண்காணிப்பு: ஒரு ஆய்வு. ரிமோட் சென்சிங் 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. 3D மேப்பிங் பயன்பாடுகளுக்கான UAV: ஒரு ஆய்வு. ஆப்பிள். புவியியல் 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. துல்லியமான விவசாயத்தில் சிறிய UAVகள் மூலம் எவாபோட்ரான்ஸ்பிரேஷன் மதிப்பீடு. சென்சார்கள் 20 (22), 6427. https://
doi.org/10.3390/s20226427.
ஓசரே, எஃப்., 1996. பைபிலியோமெட்ரிக்ஸ், மேற்கோள் பகுப்பாய்வு மற்றும் இணை மேற்கோள் பகுப்பாய்வு. இலக்கியத்தின் விமர்சனம் 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, சென்சார்கள் மற்றும் தரவு செயலாக்கம் வேளாண் வனவியல்: நடைமுறை பயன்பாடுகளுக்கான மதிப்பாய்வு. Int. ஜே. ரிமோட் சென்ஸ். 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
பாண்டே, யுஎஸ், பிரதிஹாஸ்ட், ஏகே, ஆர்யல், ஜே., காயஸ்தா, ஆர்பி, 2020. தானிய பயிர்களுக்கான ட்ரோன் அடிப்படையிலான தரவு தீர்வுகள் பற்றிய ஆய்வு. ட்ரோன்கள் 4 (3), 1–29. https://doi.org/10.3390/
ட்ரோன்கள் 4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. பட செயலாக்கம் மற்றும் செயற்கை நரம்பியல் வலையமைப்பைப் பயன்படுத்தி எள் விதைகளின் எண்ணெய் மற்றும் புரத உள்ளடக்கத்தை மதிப்பிடுதல். ஜே. ஆம். எண்ணெய்
வேதியியலாளர்களின் Soc. 97 (7), 691–702.
பெனா, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., பொருள் அடிப்படையிலான பகுப்பாய்வைப் பயன்படுத்தி ஆரம்பகால மக்காச்சோள வயல்களில் களை மேப்பிங் இன்
ஆளில்லா வான்வழி வாகனம் (UAV) படங்கள். PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. ஆளில்லா வான்வழி வாகனங்கள் மற்றும் பயிர் வரிசை கண்டறிதல் முறையைப் பயன்படுத்தி சூரியகாந்தி பயிர்களில் களை மேப்பிங் செய்வதற்கான அரை-கண்காணிப்பு அமைப்பு. ஆப்பிள். மென்மையான கணினி. ஜே. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. துல்லியமான விவசாயத்தில் பிளாக்செயின் அடிப்படையிலான நீர் மேலாண்மை அமைப்புக்கான நம்பகமான தரவு ஆதாரங்களாக செலவு குறைந்த IoT சாதனங்கள். கணினி. எதிர் மின்னணு. விவசாயம். 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. துல்லியமான விவசாயத்தில் அறிவார்ந்த கண்காணிப்புக்கான மேம்பட்ட UAV-WSN அமைப்பு. சென்சார்கள் 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. விநியோகச் சங்கிலிகள், போக்குவரத்து மற்றும் தளவாடங்களில் பிளாக்செயின் பயன்பாடுகள்: இலக்கியத்தின் முறையான ஆய்வு. Int. ஜே. புரோட். ரெஸ். 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. துல்லியமான விவசாயத்திற்கான நெகிழ்வான ஆளில்லா வான்வழி வாகனம்.
துல்லியமானது. விவசாயம். 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
பிரிட்சார்ட், ஏ., 1969. புள்ளியியல் நூலியல் அல்லது நூலியல். J. ஆவணம். 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. சோதனைத் துறைகள் மற்றும் பயிர்களை மதிப்பிடுவதற்கு ஆளில்லா வான்வழி வாகனத்தின் (UAV) பொருத்தம். விவசாயம் 99 (4), 431–436.
பூரி, வி., நய்யார், ஏ., ராஜா, எல்., 2017. விவசாய ட்ரோன்கள்: துல்லியமான விவசாயத்தில் ஒரு நவீன திருப்புமுனை. ஜே. புள்ளிவிவரம். மானாக். சிஸ்ட். 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lakkas, T., Moscholios, I., 2020. துல்லியமான விவசாயத்திற்கான UAV பயன்பாடுகளின் தொகுப்பு. கணினி. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
ரமேஷ், கேவி, ராகேஷ், வி., பிரகாச ராவ், ஈவிஎஸ், 2020. வேளாண் ஆராய்ச்சியில் பெரிய தரவு பகுப்பாய்வு மற்றும் செயற்கை நுண்ணறிவின் பயன்பாடு. இந்திய ஜே. அக்ரோன். 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. விவசாயம் மற்றும் வனவியல் ஆய்வுகளில் ஆளில்லா வான்வழி வாகனங்களைப் பயன்படுத்துவது பற்றிய ஒரு பிப்லியோமெட்ரிக் பகுப்பாய்வு. Int. ஜே. ரிமோட் சென்ஸ். 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
ராஸ்முசென், ஜே., நீல்சன், ஜே., கார்சியா-ரூயிஸ், எஃப்., கிறிஸ்டென்சன், எஸ்., ஸ்ட்ரெய்பிக், ஜேசி, லோட்ஸ், பி., 2013.
களை ஆராய்ச்சியில் சிறிய ஆளில்லா விமான அமைப்புகளின் (UAS) சாத்தியமான பயன்பாடுகள். களை ரெஸ். 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., ஆகியவை நுகர்வோர் தர கேமராக்களில் இருந்து பெறப்பட்ட தாவர குறியீடுகள்
யுஏவிகள் சோதனைத் திட்டங்களை மதிப்பிடுவதற்கு போதுமான நம்பகமானவையா? யூரோ. ஜே. அக்ரோன். 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdullahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. உணவு விநியோகச் சங்கிலிகளில் டிஜிட்டல் மயமாக்கல்: ஒரு நூலியல் ஆய்வு மற்றும் முக்கிய வழிப் பாதை
பகுப்பாய்வு. நிலைத்தன்மை 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. விநியோகச் சங்கிலி மேலாண்மை மற்றும் தளவாடங்களுக்கான ட்ரோன்கள்: ஒரு ஆய்வு மற்றும் ஆராய்ச்சி நிகழ்ச்சி நிரல். Int. ஜே. லாஜிஸ்ட். ரெஸ். ஆப்பிள்.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. தளவாடங்கள் மற்றும் விநியோகச் சங்கிலி நிர்வாகத்தில் பிளாக்செயின் தொழில்நுட்பங்கள்: ஒரு நூலியல் ஆய்வு. லாஜிஸ்டிக்ஸ் 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. மனிதாபிமான ட்ரோன்கள்: ஒரு ஆய்வு மற்றும் ஆராய்ச்சி நிகழ்ச்சி நிரல். இன்டர்நெட் ஆஃப் திங்ஸ் 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. ஹெல்த்கேரில் பிளாக்செயின் ஆராய்ச்சி: ஒரு நூலியல் ஆய்வு மற்றும் தற்போதைய ஆராய்ச்சி போக்குகள். டேட்டாவின் ஜே., Inf. மற்றும்
மானாக். 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. சப்ளை செயின் மேனேஜ்மென்ட் மற்றும் லாஜிஸ்டிக்ஸில் இன்டர்நெட் ஆஃப் திங்ஸ் ஆராய்ச்சி: ஒரு பிப்லியோமெட்ரிக் பகுப்பாய்வு. இணையதளம்
விஷயங்கள் 12, 100318.
ReportLinker, 2021. க்ளோபல் அக்ரிகல்ச்சர் ட்ரோன்களின் சந்தையானது இயர்குளோப் நியூஸ்வைர் நியூஸ் ரூமில் 15.2 பில்லியன் அமெரிக்க டாலர்களை எட்டும். https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- ஆண்டு-2027.html.
Ribeiro-Gomes, K., Hernandez-L´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. குளிரூட்டப்படாத வெப்ப கேமரா அளவுத்திருத்தம் மற்றும் மேம்படுத்தல்
விவசாயத்தில் UAV பயன்பாடுகளுக்கான போட்டோகிராமெட்ரி செயல்முறை. சென்சார்கள் (சுவிட்சர்லாந்து) 17 (10). https://doi.org/10.3390/s17102173.
ரிவேரா, எம்.ஏ., பிசாம், ஏ., 2015. விருந்தோம்பல் ஆராய்ச்சியில் முன்னேற்றங்கள்: "ரோட்னி டேஞ்சர்ஃபீல்டில் இருந்து அரேதா பிராங்க்ளின் வரை". Int. ஜே. சமகாலம். மருத்துவமனை. மானாக். 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
ரோல்டன், ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. பசுமை இல்லங்களில் சுற்றுச்சூழல் மாறிகளை அளவிடுவதற்கான Mini-UAV அடிப்படையிலான உணர்வு அமைப்பு. சென்சார்கள் 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. நுகர்வோர் தர UAV ஆனது வணிக வெங்காய வயல்களில் தாமதமான களை இடஞ்சார்ந்த விநியோக முறைகளைக் கண்டறிந்து பகுப்பாய்வு செய்யப் பயன்படுத்தப்படுகிறது. துல்லியமானது. விவசாயம். 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
சாரி, எச்., பெல்லிக்கா, ஐ., பெசோனென், எல்., டூமினென், எஸ்., ஹெய்க்கிலா, ¨ ஜே., ஹோல்ம்லண்ட், சி., மக்கினென், ¨ ஜே., ஓஜாலா, கே., ஆன்டிலா, டி., 2011. ஆளில்லா காடு மற்றும் விவசாய பயன்பாடுகளுக்கான வான்வழி வாகனம் (UAV) இயக்கப்படும் ஸ்பெக்ட்ரல் கேமரா அமைப்பு. தொடரவும். SPIE - Int. Soc. தேர்வு இன்ஜி. 8174 https://doi.org/10.1117/12.897585.
சா, பி., குப்தா, ஆர்., பானி-ஹானி, டி., 2021. ட்ரோன் தளவாடங்களைச் செயல்படுத்துவதற்கான தடைகளின் பகுப்பாய்வு. Int. ஜே. லாஜிஸ்ட். ரெஸ். Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, IOT சார்ந்த ட்ரோன் விவசாயத் துறையில் பயிர் தரத்தை மேம்படுத்துவதற்காக. SH இல்
என். சக்ரபாணி எஸ். (எட்.), 2018 IEEE 8வது ஆண்டு கம்ப்யூட்டிங் மற்றும் கம்யூனிகேஷன் பட்டறை மற்றும் மாநாடு, CCWC 2018 (தொகுதிகள். 2018-ஜனவரி, பக். 612–615). நிறுவனம்
எலக்ட்ரிக்கல் அண்ட் எலக்ட்ரானிக்ஸ் இன்ஜினியர்ஸ் இன்க். doi: 10.1109/CCWC.2018.8301662.
சாய் வினீத், கேவி, வர பிரசாத், ஒய்ஆர், துபே, எஸ்ஆர், வெங்கட்ராமன், எச்., 2019. LEDCOM: துல்லியமான விவசாயத்திற்கான புதுமையான மற்றும் திறமையான LED அடிப்படையிலான தொடர்பு. IEEE Conf. தகவல். கம்யூனிஸ்ட். தொழில்நுட்பம். 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV விமானப் பரிசோதனைகள் தாவரப் பகுதிகளின் தொலை உணர்விற்குப் பயன்படுத்தப்பட்டன. ரிமோட் சென்சிங் 6 (11), 11051–11081. https://doi.org/10.3390/rs61111051.
சங்கரன், S., Khot, LR, Espinoza, CZ, Jarolmasjed, S., Sathuvalli, VR, Vandemark, GJ, Miklas, PN, Carter, AH, Pumphrey, MO, Knowles, NRN, Pavek, MJ, 2015.
வரிசை மற்றும் வயல் பயிர் பினோடைப்பிங்கிற்கான குறைந்த உயரம், உயர் தெளிவுத்திறன் கொண்ட வான்வழி இமேஜிங் அமைப்புகள்: ஒரு ஆய்வு. யூரோ. ஜே. அக்ரோன். 70, 112–123. https://doi.org/10.1016/j.
எஜா.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. உயர் தெளிவுத்திறன் UAV-அடிப்படையிலான தெர்மல் இமேஜிங்
ஒரு திராட்சைத் தோட்டத்திற்குள் தாவர நீர் நிலையின் உடனடி மற்றும் பருவகால மாறுபாடு. விவசாயம். நீர் மேனாக். 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
சார்லி, CC, Dubinsky, EK, Holmes, KL, 2010. மேற்கோள் பகுப்பாய்வுக்கு அப்பால்: ஆராய்ச்சி தாக்கத்தை மதிப்பிடுவதற்கான ஒரு மாதிரி. ஜே. மெட் நூலக அசோ. : ஜேஎம்எல்ஏ 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
ஸ்கேப்மேன், ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. பூமி அமைப்பு அறிவியல் தொடர்பான இமேஜிங் ஸ்பெக்ட்ரோஸ்கோபி-ஒரு மதிப்பீடு. ரிமோட் சென்ஸ் சுற்றுச்சூழல். 113, S123-S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. குறைந்த விலை UAV உடன் குளிர்கால கோதுமை பயிர்களின் வேளாண் அளவுருக்களை கண்காணித்தல்
உருவப்படம். ரிமோட் சென்சிங் 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. மேலே உள்ள துல்லியமான ஏரோபயாலஜிக்கல் மாதிரிக்காக ஒரு தன்னாட்சி ஆளில்லா வான்வழி வாகனத்தின் உருவாக்கம் மற்றும் பயன்பாடு
விவசாய வயல்களில். ஜே. ஃபீல்ட் ராப். 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
ஷாட்ரின், டி., மென்ஷிகோவ், ஏ., சோமோவ், ஏ., போர்ன்மேன், ஜி., ஹவுஸ்லேஜ், ஜே., ஃபெடோரோவ், எம்.,
செயற்கை நுண்ணறிவுடன் உட்பொதிக்கப்பட்ட உணர்திறன் மூலம் துல்லியமான விவசாயத்தை செயல்படுத்துதல். IEEE Trans. கருவி. மீஸ். 69 (7), 4103–4113.
ஷகாத்ரே, எச்., சவால்மே, ஏஎச், அல்-ஃபுகாஹா, ஏ., டூ, இசட், அல்மைதா, ஈ., கலீல், ஐ.,
Othman, NS, Kreishah, A., Guizani, M., 2019. ஆளில்லா வான்வழி வாகனங்கள் (UAVs): சிவில் பயன்பாடுகள் மற்றும் முக்கிய ஆராய்ச்சி சவால்கள் பற்றிய ஆய்வு. IEEE அணுகல் 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
ஷகூர், என்., நார்த்ரப், டி., முர்ரே, எஸ்., மோக்லர், டிசி, 2019. பெரிய தரவு உந்துதல் விவசாயம்: தாவர வளர்ப்பில் பெரிய தரவு பகுப்பாய்வு, மரபியல் மற்றும் ரிமோட் சென்சிங் பயன்பாடு
பயிர் உற்பத்தியை மேம்படுத்துவதற்கான தொழில்நுட்பங்கள். தாவர பினோம் ஜே. 2 (1), 1–8.
ஷர்மா, பிகே, சந்திரா, ஜி., மிஸ்ரா, விபி, 2019. தடயவியல் விசாரணைகளில் UAV மற்றும் AI இன் ஒப்பீட்டு பகுப்பாய்வு மற்றும் தாக்கம். இல்: நடவடிக்கைகள் – 2019 அமிட்டி இன்டர்நேஷனல்
செயற்கை நுண்ணறிவு பற்றிய மாநாடு. https://doi.org/10.1109/AICAI.2019.8701407.
சர்மா, ஆர்., ஷிஷோடியா, ஏ., குணசேகரன், ஏ., மின், எச்., முனிம், இசட்ஹெச், 2022. விநியோகச் சங்கிலி நிர்வாகத்தில் செயற்கை நுண்ணறிவின் பங்கு: பிரதேசத்தை மேப்பிங். Int. ஜே.
தயாரிப்பு ரெஸ். 1–24. https://doi.org/10.1080/00207543.2022.2029611.
ஷி, ஒய்., தாமஸ்சன், ஜேஏ, முர்ரே, எஸ்சி, பக், என்ஏ, ரூனி, டபிள்யூஎல், ஷஃபியன், எஸ்., ராஜன், என்., ரூஸ், ஜி., மோர்கன், சிஎல்எஸ், நீலி, எச்எல், ராணா, ஏ., பகவதிஅண்ணன் , எம்.வி.,
ஹென்ரிக்சன், ஜே., பவுடன், ஈ., வலசெக், ஜே., ஓல்சென்ஹோலர், ஜே., பிஷப், எம்பி, ஷெரிடன், ஆர்., புட்மேன், ஈபி, போபெஸ்கு, எஸ்., பர்க்ஸ், டி., கோப், டி., இப்ராஹிம், A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. உயர்-செயல்திறன் பினோடைப்பிங் மற்றும் வேளாண் ஆராய்ச்சிக்கான ஆளில்லா வான்வழி வாகனங்கள். PLOS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. ஆளில்லா வான்வழியைப் பயன்படுத்தி மகசூல்-நிலைத்தன்மை மண்டலங்களில் மக்காச்சோள நிலைப் பன்முகத்தன்மையைக் கைப்பற்றுதல்
வாகனங்கள் (UAV). சென்சார்கள் 19 (20), 4446. https://doi.org/10.3390/s19204446.
சிறிய, எச்., 1973. அறிவியல் இலக்கியத்தில் இணை மேற்கோள்: இரண்டு ஆவணங்களுக்கு இடையிலான உறவின் புதிய அளவீடு. ஜே. ஆம். Soc. தகவல். அறிவியல் 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. மேற்கோள் மேப்பிங் மூலம் அறிவியல் காட்சிப்படுத்தல். ஜே. ஆம். Soc. தகவல். அறிவியல் 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. பெரிய மேய்ச்சல் பகுதிகளில் புவிஇருப்பிடப்பட்ட வான்வழிப் படங்களுடன் காடுகளில் கால்நடைகள் எண்ணிக்கை. கணினி. எதிர் மின்னணு. விவசாயம். 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
ஸ்ரீவஸ்தவா, கே., பாண்டே, பிசி, ஷர்மா, ஜேகே, 2020. யுஏவிகளைப் பயன்படுத்தி துல்லியமான விவசாயத்தின் பயன்பாடுகளில் பாதை மேம்படுத்தலுக்கான அணுகுமுறை. ட்ரோன்கள் 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
ஸ்டாஃபோர்ட், ஜேவி, 2000. 21 ஆம் நூற்றாண்டில் துல்லியமான விவசாயத்தை செயல்படுத்துதல். ஜே. அக்ரிக். இன்ஜி. ரெஸ். 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. ஆளில்லா வான்வழி வாகனத்தைப் பயன்படுத்தி ரிமோட் சென்சிங் படங்கள் மூலம் கோதுமை வறட்சி மதிப்பீடு. 2018 இல் 37வது சீனக் கட்டுப்பாட்டு மாநாடு (சிசிசி).
சு, ஜே., லியு, சி., கூம்ப்ஸ், எம்., ஹூ, எக்ஸ்., வாங், சி., சூ, எக்ஸ்., லி, கியூ., குவோ, எல்., சென், டபிள்யூ.-எச்., 2018. மல்டிஸ்பெக்ட்ரல் UAV வான்வழிப் படங்களிலிருந்து கற்றல் மூலம் கோதுமை மஞ்சள் துரு கண்காணிப்பு.
கணினி. எதிர் மின்னணு. விவசாயம். 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
சு, ஒய்., வாங், எக்ஸ்., 2021. பிக் டேட்டா மூலம் ஸ்மார்ட் விவசாயத்தை உருவாக்கும் செயல்பாட்டில் விவசாய பொருளாதார நிர்வாகத்தின் கண்டுபிடிப்பு. நிலையான கணினி. Inf. சிஸ்ட். 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. பருத்தி விதானத்தில் நீர் அழுத்தத்தைக் கண்டறிய ஆளில்லா வெப்ப அகச்சிவப்பு வான்வழி அமைப்பின் உணர்திறனை மதிப்பீடு செய்தல். டிரான்ஸ். ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. ஆளில்லா வான்வழி வாகனத்தைப் பயன்படுத்தி கரும்பு விளைச்சலை மதிப்பிடுவதற்கான RGB அடிப்படையிலான தாவரக் குறியீடு, பயிர் மேற்பரப்பு மாதிரி மற்றும் பொருள் சார்ந்த பட பகுப்பாய்வு அணுகுமுறை ஆகியவற்றின் ஒருங்கிணைப்பு. கணினி. எதிர் மின்னணு. விவசாயம். 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. இலகு எடை ஹைப்பர்ஸ்பெக்ட்ரல் மேப்பிங் அமைப்பு
ஆளில்லா வான்வழி வாகனங்கள்-முதல் முடிவுகள். இல்: 2013 ஹைப்பர்ஸ்பெக்ட்ரல் இமேஜ் மற்றும் சிக்னல் ப்ராசஸிங்கில் 5வது பட்டறை: எவல்யூஷன் இன் ரிமோட் சென்சிங் (விஸ்பர்ஸ்), பக். 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
சுவோமலைனென், ஜே., ஆண்டர்ஸ், என்., இக்பால், எஸ்., ரோரிங்க், ஜி., ஃபிராங்கே, ஜே., வென்டிங், பி., ஹன்னிகர், டி., பார்தோலோமஸ், எச்., பெக்கர், ஆர்., கூயிஸ்ட்ரா, எல்., 2014. ஒரு இலகுரக ஹைப்பர்ஸ்பெக்ட்ரல்
ஆளில்லா வான்வழி வாகனங்களுக்கான மேப்பிங் சிஸ்டம் மற்றும் போட்டோகிராமெட்ரிக் செயலாக்க சங்கிலி. ரிமோட் சென்சிங் 6 (11), 11013–11030. https://doi.org/10.3390/
ரூ.61111013.
சையதா, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. விவசாயத்தில் பட செயலாக்கம், UAV மற்றும் AI ஆகியவற்றைப் பயன்படுத்தி அட்வான்ஸ் கன்ட்ரோல் உத்திகள்: ஒரு ஆய்வு. உலக ஜே. இன்ஜி. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. கணக்கியலில் ஜர்னல் தாக்கத்தை ஆராய மேற்கோள்களைப் பயன்படுத்தி தகவல் செயலாக்கம். Inf. செயல்முறை. நிர்வகிக்கவும். 34 (2–3), 341–359.
டாங், ஒய்., தனஞ்சயன், எஸ்., ஹூ, சி., குவோ, கியூ., லுவோ, எஸ்., ஹீ, ஒய்., 2021. 5ஜி நெட்வொர்க் மற்றும் விவசாயத்தில் அதன் தாக்கம்: சவால்களும் வாய்ப்புகளும். கணினி.
எதிர் மின்னணு. விவசாயம். 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. துல்லியமான விவசாயத்தில் தரவு சார்ந்த முடிவெடுத்தல்: விவசாய அமைப்புகளில் பெரிய தரவுகளின் எழுச்சி. ஜே. அக்ரிக். உணவு தகவல்.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. UAV-ஐப் பயன்படுத்தி குளிர்கால கோதுமையின் மகசூல் மற்றும் தாவர உயரத்தின் மதிப்பீடு அடிப்படையிலான ஹைப்பர்ஸ்பெக்ட்ரல் படங்கள்.
சென்சார்கள் 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. இரண்டு தன்னாட்சி ஆளில்லா வான்வழி வாகனங்களைப் பயன்படுத்தி கீழ் வளிமண்டலத்தில் ஒரு தாவர நோய்க்கிருமியின் ஒருங்கிணைந்த ஏரோபயாலஜிக்கல் மாதிரி. ஜே. ஃபீல்ட் ராப். 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. ஆழ்ந்த கற்றலைப் பயன்படுத்தி சோயாபீன் பூச்சிகளைக் கண்டறிதல் மற்றும் வகைப்படுத்துதல்
UAV படங்களுடன். கணினி. எதிர் மின்னணு. விவசாயம். 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use of Uas for Assessing Agricultural Systems in Tanzania in the Tanzania in the— மற்றும் நிலையான விவசாயத்திற்கான வெட் சீசன் மற்றும் டெர்ரா-சார் எக்ஸ் டேட்டாவுக்கான அடிப்படை உண்மையை வழங்குதல். இல்: ISPRS – இன்டர்நேஷனல் ஆர்க்கிவ்ஸ் ஆஃப் தி ஃபோட்டோகிராமெட்ரி, ரிமோட் சென்சிங் மற்றும் ஸ்பேஷியல் இன்ஃபர்மேஷன் சயின்ஸ், பக். 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
தெல்வால், எம்., 2008. பிப்லியோமெட்ரிக்ஸ் டு வெப்மெட்ரிக்ஸ். ஜே. தகவல். அறிவியல் 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. UAV படங்களில் உகந்த நுழைவுக்கான ஒரு தானியங்கி பொருள் அடிப்படையிலான முறை: மூலிகைப் பயிர்களில் தாவரங்களைக் கண்டறிவதற்கான பயன்பாடு. கணினி. எதிர் மின்னணு. விவசாயம். 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. விவசாய மரத் தோட்டங்களின் உயர்-செயல்திறன் 3-D கண்காணிப்பு ஆளில்லா வான்வழி வாகனம் (UAV) தொழில்நுட்பம். PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. UAV இலிருந்து படங்களைப் பயன்படுத்தி ஆரம்பகால கோதுமை வயல்களில் தாவரப் பகுதியின் மல்டி-டெம்போரல் மேப்பிங். கணினி. எதிர் மின்னணு. விவசாயம். 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. துல்லியமான விவசாயத்திற்கான UAV- அடிப்படையிலான பயன்பாடுகள் பற்றிய ஆய்வு. தகவல் (சுவிட்சர்லாந்து) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. தோட்டக்கலை மரப் பயிர் கட்டமைப்பை அளவிடுவதற்கான ட்ரோன் விமானத் திட்டத்தை மேம்படுத்துதல். ISPRS ஜே. போட்டோகிராம்.
ரிமோட் சென்ஸ் 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. இன்டர்நெட் ஆஃப் திங்ஸ் இன் விவசாயம், சமீபத்திய முன்னேற்றங்கள் மற்றும் எதிர்கால சவால்கள். பயோசிஸ்ட். இன்ஜி. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. மெக்சிகோவில் கணினி அறிவியல் ஆராய்ச்சியின் சைண்டோமெட்ரிக் மேப்பிங். சைண்டோமெட்ரிக்ஸ் 105 (1), 97–114.
UN., 2019. உலக மக்கள் தொகை வாய்ப்புகள் 2019. https://population.un.org/wpp/ (15/04/2022 அன்று அணுகப்பட்டது).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. UAV மவுண்டட் செய்யப்பட்ட மினியேச்சர் ஹைப்பர்ஸ்பெக்ட்ரல் சென்சார் அமைப்பு மூலம் நெற்பயிர்களின் சிறப்பியல்பு. IEEE ஜே. செல். மேல். Appl. எர்த் ஒப்ஸ்.
ரிமோட் சென்ஸ். 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. வான் டெர் மெர்வே, டி., பர்ச்ஃபீல்ட், டிஆர், விட், டிடி, பிரைஸ், கேபி, ஷார்தா, ஏ., 2020. ட்ரோன்கள்
வேளாண்மை. அட்வ. அக்ரோன். 162, 1–30.
வேலுசாமி, பி., ராஜேந்திரன், எஸ்., மகேந்திரன், ஆர்.கே., நசீர், எஸ்., ஷபிக், எம்., சோய், ஜே.-ஜி., 2022.
துல்லியமான விவசாயத்தில் ஆளில்லா வான்வழி வாகனங்கள் (UAV): பயன்பாடுகள் மற்றும் சவால்கள். ஆற்றல்கள் 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. ஆளில்லா வான்வழியைப் பயன்படுத்தி சூழலியல் ரீதியாக உணர்திறன் கொண்ட கடல் வாழ்விடங்களை வரைபடமாக்குதல் மற்றும் வகைப்படுத்துதல்
வாகனம் (UAV) படங்கள் மற்றும் பொருள் சார்ந்த பட பகுப்பாய்வு (OBIA). ரிமோட் சென்சிங் 10 (9), 1331. https://doi.org/10.3390/rs10091331.
வெர்ஜர், ஏ., விக்னேவ், என்., செரோன், சி., கில்லியோட், ஜே.-எம்., கோமர், ஏ., பாரெட், எஃப்., 2014. கோதுமை மற்றும் ராப்சீட் பயிர்கள் மீது ஆளில்லா வான்வழி அமைப்பிலிருந்து பசுமைப் பகுதி குறியீடு . ரிமோட் சென்ஸ் சுற்றுச்சூழல். 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. புல்வெளியில் நான்கு ஆப்டிகல் யுஏவி-அடிப்படையிலான சென்சார்களைப் பயன்படுத்துதல்: சவால்கள் மற்றும்
வரம்புகள். பயோஜியோசயின்சஸ் 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. துல்லியமான விவசாயத்தில் நிலத்தடி விஷயங்களின் இணையம்: கட்டிடக்கலை மற்றும் தொழில்நுட்ப அம்சங்கள். தற்காலிக நெட்வொர்க். 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. டிஜிட்டல் ஆரோக்கியத்திற்கான இரகசியப் பொருளாகப் பொறுப்பான செயற்கை நுண்ணறிவு: பைபிலியோமெட்ரிக் பகுப்பாய்வு, நுண்ணறிவு மற்றும் ஆராய்ச்சி திசைகள்.
தகவல். சிஸ்ட். முன். 1–16.
வாங், எல்., ஜாங், ஜி., வாங், இசட், லியு, ஜே., ஷாங், ஜே., லியாங், எல்., 2019. பயிர் வளர்ச்சி கண்காணிப்பில் ரிமோட் சென்சிங் ஆராய்ச்சிப் போக்கின் பிப்லியோமெட்ரிக் பகுப்பாய்வு: சீனாவில் ஒரு வழக்கு ஆய்வு. ரிமோட் சென்சிங் 11 (7). https://doi.org/10.3390/rs11070809.
ஒயிட், எச்டி, க்ரிஃபித், கி.மு., 1981. ஆசிரியர் கூட்டமைப்பு: அறிவுசார் கட்டமைப்பின் இலக்கிய அளவீடு. ஜே. ஆம். Soc. தகவல். அறிவியல் 32 (3), 163–171.
Xiang, H., Tian, L., 2011. தன்னியக்க ஆளில்லா வான்வழி வாகனத்தின் (UAV) அடிப்படையிலான குறைந்த விலை விவசாய ரிமோட் சென்சிங் அமைப்பின் உருவாக்கம். பயோசிஸ்ட். இன்ஜி. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. UAV அடிப்படையிலான சென்சார்களைப் பயன்படுத்தி தாவர உயர்-செயல்திறன் பினோடைப்பிங் பண்புகள் பற்றிய மதிப்பாய்வு. கணினி. எதிர் மின்னணு. விவசாயம். 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. ரிமோட் சென்சிங் பயன்பாடுகளுக்கான ஆளில்லா வான்வழி வாகனம்-ஒரு மதிப்பாய்வு. ரிமோட் சென்சிங் 11 (12). https://doi.org/10.3390/
ரூ.11121443.
Yeom, S., 2021. மல்டிரோட்டர் மூலம் அகச்சிவப்பு வெப்ப இமேஜிங் மூலம் மக்களை நகர்த்துதல் மற்றும் தவறான பாதையை அகற்றுதல். ட்ரோன்கள் 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. படங்களைப் பயன்படுத்தி பயிர் அளவுருக்கள் மதிப்பீட்டின் ஒப்பீடு UAV-ஏற்றப்பட்டதிலிருந்து
ஸ்னாப்ஷாட் ஹைப்பர்ஸ்பெக்ட்ரல் சென்சார் மற்றும் உயர் வரையறை டிஜிட்டல் கேமரா. ரிமோட் சென்சிங் 10 (7), 1138. https://doi.org/10.3390/rs10071138.
யூ, ஜே., யாங், ஜி., லி, சி., லி, இசட்., வாங், ஒய்., ஃபெங், எச்., சூ, பி., 2017. ஆளில்லா வான்வழி வாகனத்தைப் பயன்படுத்தி குளிர்கால கோதுமை நிலத்திற்கு மேல் உள்ள உயிர்ப்பொருளின் மதிப்பீடு- அடிப்படையிலான ஸ்னாப்ஷாட்
ஹைப்பர்ஸ்பெக்ட்ரல் சென்சார் மற்றும் பயிர் உயரம் மேம்படுத்தப்பட்ட மாதிரிகள். ரிமோட் சென்சிங் 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. வெப்பமண்டல காடுகளை மீட்டெடுப்பதைக் கண்காணிக்க இலகுரக ஆளில்லா வான்வழி வாகனங்களைப் பயன்படுத்துதல். உயிரியல்
பாதுகாத்தல். 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.
எட்ஜ் மற்றும் கிளவுட் கம்ப்யூட்டிங் அடிப்படையிலான ஸ்மார்ட் ஃபார்மிங் ஐஓடி இயங்குதளம். பயோசிஸ்ட். இன்ஜி. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. ஆளில்லா விமானத்திலிருந்து பெறப்பட்ட மிக உயர்ந்த தெளிவுத்திறன் படத்தைப் பயன்படுத்தி மரத்தின் உயரத்தை அளவிடுதல்
வாகனம் (UAV) மற்றும் தானியங்கி 3D புகைப்பட-புனரமைப்பு முறைகள். யூரோ. ஜே. அக்ரோன். 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. குளிர் பருவ பயிர்களில் பூக்கும் தீவிரத்தின் பட அடிப்படையிலான பினோடைப்பிங். சென்சார்கள் 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. துல்லியமான விவசாயத்திற்கான சிறிய ஆளில்லா வான்வழி அமைப்புகளின் பயன்பாடு: ஒரு ஆய்வு. துல்லியமானது. விவசாயம். 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. UAV மல்டிஸ்பெக்ட்ரல் ரிமோட் சென்சிங் அடிப்படையில் மக்காச்சோள நீர் அழுத்தத்தை வரைபடமாக்குதல். ரிமோட் சென்சிங் 11 (6), 605.
ஜாங், எக்ஸ்., ஹான், எல்., டோங், ஒய்., ஷி, ஒய்., ஹுவாங், டபிள்யூ., ஹான், எல்., கோன்ஸ் அலெஸ்-மோரேனோ, பி., மா, எச்., யே, எச்., சோபீஹ் , டி., 2019. தானியங்கு மஞ்சள் துருப்பிடிப்பதற்கான ஆழமான கற்றல் அடிப்படையிலான அணுகுமுறை
உயர் தெளிவுத்திறன் கொண்ட ஹைப்பர்ஸ்பெக்ட்ரல் UAV படங்களிலிருந்து நோய் கண்டறிதல். ரிமோட் சென்சிங் 11 (13), 1554.
ஜாவோ, எக்ஸ்., ஜாங், ஜே., ஹுவாங், ஒய்., தியான், ஒய்., யுவான், எல்., 2022. ஹைப்பர்ஸ்பெக்ட்ரல் இமேஜிங்கைப் பயன்படுத்தி, வேவ்லெட் பகுப்பாய்வோடு இணைந்து தேயிலை செடிகளின் நோய் மற்றும் பூச்சி அழுத்தத்தைக் கண்டறிதல் மற்றும் பாகுபடுத்துதல். கணினி. எதிர் மின்னணு. விவசாயம். 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
ஜெங், ஏ., வாங், எம்., லி, சி., டாங், ஜே., லுவோ, பி., 2022. வான்வழி பட சொற்பொருள் பிரிவிற்கான என்ட்ரோபி வழிகாட்டப்பட்ட எதிரி டொமைன் தழுவல். IEEE Trans. ஜி
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. நில அடிப்படையிலான நிறமாலையின் நேரத் தொடர் பகுப்பாய்வு மூலம் அரிசி பினாலஜியைக் கண்டறிதல் குறியீட்டு தரவு. வயல் பயிர்கள் ரெஸ். 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. வயர்லெஸ் சென்சார்களை அடிப்படையாகக் கொண்ட துல்லியமான விவசாய கசிவு விதைப்பு முறையின் வடிவமைப்பு. Int. ஜே. ஆன்லைன் இன்ஜி. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. UAV-LiDAR தரவைப் பயன்படுத்தி மக்காச்சோளத்தின் தாவர உயர மாற்றங்களின் பகுப்பாய்வு. விவசாயம் 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. மக்காச்சோளம்-IAS: உயர்-செயல்திறன் கொண்ட தாவர பினோடைப்பிங்கிற்கான ஆழமான கற்றலைப் பயன்படுத்தும் சோளப் பட பகுப்பாய்வு மென்பொருள் . தாவர முறைகள் 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. தானிய விளைச்சலைக் கணித்தல் பல தற்காலிக தாவரங்களைப் பயன்படுத்தி அரிசி
UAV-அடிப்படையிலான மல்டிஸ்பெக்ட்ரல் மற்றும் டிஜிட்டல் படங்களின் குறியீடுகள். ISPRS ஜே. போட்டோகிராம். ரிமோட் சென்ஸ். 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. வயர்லெஸ் சென்சார் நெட்வொர்க்கை அடிப்படையாகக் கொண்ட கிரீன்ஹவுஸ் கண்காணிப்பு அமைப்பின் முக்கிய தொழில்நுட்பத்தின் உருவகப்படுத்துதல். Int. ஜே. ஆன்லைன் இன்ஜி. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. துல்லியமான விவசாயத்தில் அகச்சிவப்பு வெப்பப் படங்களுடன் பயிர் நீர் அழுத்தத்திற்கான மதிப்பீடு: ஒரு ஆய்வு
மற்றும் ஆழ்ந்த கற்றல் பயன்பாடுகளுக்கான எதிர்கால வாய்ப்புகள். கணினி. எதிர் மின்னணு. விவசாயம். 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.