Abderahman Rejeb a , Alireza Abdollahi b , Kerîm Receb c , Horst Treiblmaier d,
- a Beşa Rêvebirî û Hiqûqê, Fakulteya Aboriyê, Zanîngeha Roma Tor Vergata, Via Columbia, 2, Rome 00133, Italytalya
- b Beşa Rêveberiya Karsaziyê, Fakulteya Rêvebiriyê, Zanîngeha Xarazmî, 1599964511 Tehran, Iran
- c Fakulteya Zanistên Bizerte, Zanîngeha Carthage, Zarzouna, 7021 Bizerte, Tûnis
- d Dibistana Rêvebiriya Navneteweyî, Zanîngeha Modul Viyana, Am Kahlenberg 1, 1190 Viyana, Avusturya
Agahiyên GARÊ | Abstract |
Keywords: Drones UAV Çandiniya rastîn Internet ji Things Bibliometrics | Balafirên bêpîlot, ku jê re Wesayîtên Hewayî yên Bêmirov (UAV) jî tê gotin, di deh salên dawî de bûne şahidê pêşveçûnek berbiçav. Di çandiniyê de, wan pratîkên cotkariyê guheztin bi pêşkêşkirina cotkaran lêçûnên berbiçav, lêçûn zêde kirin. karbidestiya xebitandinê, û sûdmendiya çêtir. Di dehsalên borî de, mijara dronên çandiniyê bûye bala akademîk a balkêş kişand. Ji ber vê yekê em li ser bingeha bîbliometriyê lêkolînek berfireh dikin ku wêjeya akademîk a heyî bi kurtî û ava bike û meyl û xalên lêkolînê yên heyî eşkere bike. Em teknîkên bîbliometrîk bicîh bînin û wêjeya li dora dronên çandiniyê analîz bikin da ku kurt bikin û bikin lêkolînên berê binirxînin. Analîza me destnîşan dike ku hestiyariya dûr, çandiniya rast, fêrbûna kûr, fêrbûna makîneyê, û Înterneta Tiştan mijarên krîtîk ên têkildarî dronên çandiniyê ne. Hevgirtin analîz di wêjeyê de şeş komên lêkolînê yên berfireh eşkere dike. Ev lêkolîn yek ji hewildanên yekem e ku lêkolîna drone ya di çandiniyê de kurt bike û rêwerzên lêkolîna pêşerojê pêşniyar bike. |
Pêşkêş
Çandinî çavkaniya xwarinê ya bingehîn a cîhanê temsîl dike (Friha et al., 2021), û ew ji ber pirsgirêkên dijwar rû bi rû maye.
zêdebûna daxwaza ji bo hilberên xwarinê, ewlehiya xwarinê, û fikarên ewlehiyê û her weha banga parastina jîngehê, parastina avê, û
domdar (Inoue, 2020). Tê pêşbînîkirin ku ev pêşveçûn berdewam bike ji ber ku tê texmîn kirin ku nifûsa cîhanê di sala 9.7 de bigihîje 2050 mîlyar.
(2019). Ji ber ku çandinî mînaka herî berbiçav a vexwarina avê li cîhanê pêk tîne, tê pêşbînîkirin ku daxwaza xwarin û avê
mezaxtin dê di paşerojê de bi rengek berbiçav zêde bibe. Wekî din, zêdekirina vexwarina gubre û dermanan
bi xurtkirina çalakiyên cotkariyê re dikare bibe sedema pirsgirêkên jîngehê yên pêşerojê. Bi heman awayî, erdê çandiniyê sînorkirî ye, û
hejmara cotkaran li seranserê cîhanê kêm dibe. Van kêşeyan hewcedariya çareseriyên cotkariyê yên nûjen û domdar diyar dikin (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
Tevlîhevkirina teknolojiyên nû wekî çareseriyek sozdar ji bo çareserkirina van pirsgirêkan hate nas kirin. Çandiniya biaqil (Brewster et al.,
2017; Tang et al., 2021) û çandiniya rast (Feng et al., 2019; Khanna & Kaur, 2019) di encama nîqaşên weha de derketine. Ew
berê têgehek gelemperî ye ji bo pejirandina teknolojiyên ragihandinê yên agahdariyê (ICT) û nûbûnên din ên pêşkeftî yên di çalakiyên cotkariyê de ji bo zêdekirina karîgerî û karîgeriyê (Haque et al., 2021). Ya paşîn balê dikişîne ser rêveberiya cîhê-taybet a ku tê de erd tê de dabeş dibe
parçeyên homojen, û her beş ji bo xweşbîniya berberiya çandiniyê bi navgîniya teknolojiyên nû ve mîqdara rast a têketina çandiniyê werdigire (Feng et al., 2019; Khanna & Kaur, 2019). Teknolojiyên berbiçav ên ku di vî warî de bala zanyaran kişandiye ev in Tora Sensorên Bêtêl (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Înterneta Tiştan (IoT) (Gill et al., 2017; Ew et al., 2021; Liu et al., 2019),
Teknolojiyên îstîxbarata sûnî (AI), tevî fêrbûna makîneyê û fêrbûna kûr (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), teknolojiyên hesabkirinê (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), daneyên mezin (Gill et al., 2017; Tantalaki
et al., 2019), û blokek (PW Khan et al., 2020; Pincheira et al., 2021).
Ji bilî teknolojiyên li jor behskirî, hîskirina ji dûr ve wekî amûrek teknolojîk bi potansiyela bilind a çêtirkirinê hate hesibandin.
çandiniya jîr û rast. Satelît, firokeyên ku ji mirovan ve têne rêve kirin, û dron teknolojiyên drav-hesteya populer in (Tsouros et al., 2019).
Dronên ku bi gelemperî wekî Wesayîtên Hewayî yên Bêmirov (UAV), Sîstemên Balafirên Bêmirov (UAS) û balafirên pîlot ên ji dûr ve têne zanîn, ji
girîngiyek mezin ji ber ku ew li gorî teknolojiyên din ên dûr-hişmendiyê gelek avantajên wan hene. Mînakî, dron dikarin radest bikin
Di rojên ewr de wêneyên qalîteya bilind û rezîliya bilind (Manfreda et al., 2018). Di heman demê de, hebûna wan û leza veguheztinê ya din pêk tîne
feydeyên (Radoglou-Grammatikis et al., 2020). Li gorî balafiran, dron pir lêçûn in û hêsan têne sazkirin û domandin (Tsouros et al., 2019). Tevî ku di destpêkê de bi giranî ji bo armancên leşkerî têne bikar anîn, dron dikarin ji gelek sepanên sivîl sûd werbigirin, mînakî di rêveberiya zincîra peydakirinê de (A. Rejeb, Rejeb, et al., 2021a), ji bo armancên mirovahî (A. Rejeb, Rejeb, et al., 2021c), çandiniya jîr, lêkolîn û nexşekirin, belgekirina mîrata çandî, rêveberiya karesatê, û parastina daristan û jîngeha çolê (Panday, Pratihast, et al., 2020). Di çandiniyê de, gelek deverên serîlêdanê yên dron hene ji ber ku ew dikarin bi teknolojiyên nû, kapasîteyên hesabkirinê, û senzorên serhêl re werin yek kirin da ku piştgiriya rêveberiya çandiniyê bikin (mînak, nexşekirin, şopandin, avdanî, tespîtkirina nebatan) (H. Huang et al., 2021) , kêmkirina karesatê, pergalên hişyariya zû, jîngeha çolê û parastina daristanê ku çend navan bi nav bikin (Negash et al., 2019). Bi vî rengî, dron dikarin di gelek çalakiyên çandiniyê de, di nav de çavdêriya çandinî û mezinbûnê, texmînkirina berber, nirxandina stresa avê, û gîha, zerar, û tespîtkirina nexweşiyan (Inoue, 2020; Panday, Pratihast, et al., 2020). Ne tenê dron dikarin ji bo şopandin, texmînkirin, û mebestên tespîtkirinê yên li ser bingeha daneyên wan ên hestiyar werin bikar anîn, lê di heman demê de ji bo avdaniya rast û birêvebirina giyayên rast, zirar û nexweşiyan jî têne bikar anîn. Bi gotinek din, dron dikarin li ser bingeha daneyên hawîrdorê bi mîqdarên rastîn av û dermanan birijînin. Feydeyên dronên di çandiniyê de di Tablo 1 de têne kurt kirin.
Feydeyên sereke yên dronên di çandiniyê de.
Fêde | Çavkanî(yên) |
Zêdekirina demkî û mekan biryarên hestyariyê | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Asankirina çandiniya rast | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Tesnîfkirin û şopandina hilberan | (Inoue, 2020; Kalischuk et al., 2019; Lopez- ' Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016) |
Bikaranîna gubre | (L. Deng et al., 2018; Guan et al., 2019) |
Şopandina ziwabûnê | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Texmîna Biomassê | (Bendig et al., 2014) |
Texmîna hilberînê | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Kêmkirina karesatê | (Negash et al., 2019) |
Parastina jîngeha kovî û daristanî | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Nirxandina stresa avê | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Pest, giya û nexweşî servekirin | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Ji hêla din ve, drone jî bi sînoran re rû bi rû dimînin. Tevlêbûna pîlot, hêza motorê, aramî û pêbawerî, kalîteya sensoran ji ber barkirinê
sînorên giraniyê, lêçûnên pêkanînê, û rêziknameya hewavaniyê, di nav wan de ne (C. Zhang & Kovacs, 2012). Em kêmasiyan didin ber hev
ji sê teknolojiyên mêzekirina ji dûr ve ya mobîl di Tablo 2 de. Teknolojiyên din ên dûrbînê, wekî senzorên axê, li derveyî bala vê lêkolînê ne.
Kêmasiyên cûrbecûr teknolojiyên hestiyariya dûr a mobîl.
Hişmendiya ji dûr ve teknolojiyên | Shortcomings | Çavkanî |
Drone (UAV) | Tevlêbûna pîlot; wêne' kalîte (navîn); lêçûnên pêkanîna (navînî); aramî, manevrabûn, û pêbawerî; standardization; hêza motorê; hêza sînorkirî çavkaniyên (dirêjahiya pîlê); dirêjahiya firîna sînorkirî, pevçûn û êrîşên sîber; sînorkirî giraniya bargiraniyê; daneyên mezin û pêvajoyek daneya sînorkirî kapasîteyên; nebûna rêziknameyê; nebûna pisporiyê, ketina bilind astengên ji bo gihîştina dronên çandiniyê; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker û yên din, 2008; Puri et al., 2017; Velusamy et al., 2022; C. Zhang & Kovacs, 2012) |
Satelayt | Veguheztina satelîtê ya periyodîk, çareseriya spektral bi sînor; qelsbûna pirsgirêkên dîtinê (mînak, ewr); Unavailability û leza veguhastina kêm; orientation û vignetting bandorên daneyên cîhê yên biha berhevkirî; radestkirina daneya hêdî dem ji bo bikarhênerên dawî | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019; Nansen & Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
Firrok | Mesrefên bilind ên pejirandinê; sazkirina tevlihev; mesrefên lênêrînê; neberdestbûna pêbawer balafir, geometrî ya images; daneyên ne-rêkûpêk bidestxistinî; nebûna nermbûnê; qezayên kujer; daneyên sensor guhertinên ji ber vibrasyonê; pirsgirêkên georeferencing | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev & Voroşîlova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Di çandiniyê de wekî teknolojiyek pirzimanî û pir-armanc, drone ji perspektîfên cihêreng hatine lêkolîn kirin. Mînakî, zanyar serîlêdanên drone yên di çandiniyê de lêkolîn kirine (Kulbacki et al., 2018; Mogili & Deepak, 2018), tevkariya wan di çandiniya rast de (Puri et al., 2017; Tsouros et al., 2019), temamkeriya wan bi yên din re teknolojiyên pêşkeftî (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), û îmkanên pêşdebirina kapasîteyên navîgasyon û hîskirinê (Bareth et al. , 2015; Suomalainen et al., 2014). Ji ber ku lêkolîna li ser sepanên drone yên di çandiniyê de berbelav bûye (Khan et al., 2021)), pêdivî ye ku meriv wêjeya heyî bi kurtî were berhev kirin û strukturên rewşenbîrî yên domainê eşkere bike. Wekî din, wekî qadek teknolojiyê ya bilind bi pêşkeftinên domdar, pêdivî ye ku vekolînên birêkûpêk bêne kirin da ku bi awayekî periyodîk kurteya wêjeya heyî were berhev kirin û kêmasiyên lêkolînê yên girîng nas bikin. Ber
tarîx, çend nirxandin hene ku li ser sepanên drone di sektora çandiniyê de nîqaş dikin. Mînakî, Mogili and Deepak (2018) bi kurtasî bandorên dronên ji bo çavdêrîkirina çandiniyê û rijandina dermanan dinirxînin. Inoue (2020) vekolînek li ser karanîna satelîtê û dronê di hestiyariya dûr a çandiniyê de dike. Nivîskar kêşeyên teknolojîk ên pejirandina çandiniya biaqil û tevkariyên satelîtan û dronan li ser bingeha lêkolînên dozê û pratîkên çêtirîn vedikole. Tsouros et al. (2019) cûreyên cûrbecûr dron û serîlêdanên wan ên sereke yên di çandiniyê de kurt dike, cûrbecûr awayên wergirtin û pêvajoyên daneyê ronî dike. Herî dawî, Aslan et al. (2022) vekolînek berfireh a serîlêdanên UAV di çalakiyên çandiniyê de pêk anî û girîngiya herêmîkirin û nexşeya hevdemî ya ji bo UAV di serayê de destnîşan kir. Diaz-Gonzalez et al. (2022) lêkolînên dawî yên hilberîna hilberîna çandiniyê li ser bingeha teknîkên fêrbûna makîneya cihêreng û dûr nirxand
pergalên hestiyariyê. Encamên wan destnîşan kirin ku UAV ji bo texmînkirina nîşaneyên axê û ji pergalên satelîtê di warê çareseriya cîh, demkî ya agahdariyê, û nermbûnê de bikêr in. Basîrî û hwd. (2022) vekolînek bêkêmasî ya nêzîkatî û rêbazên cihêreng kir da ku ji bo UAV-yên pir-rotor di çarçoweya çandiniya rast de kêşeyên plansazkirina rê derbas bike. Wekî din, Awais et al. (2022) serîlêdana daneyên guheztina dûr a UAV-ê di çandiniyan de ji bo texmînkirina rewşa avê kurt kir û ji bo serîlêdana stresa çolê sentezek kûr a kapasîteya paşerojê ya dûrbîna UAV peyda kir. Di dawiyê de, Aquilani et al. (2022) teknolojiyên çandiniya pêşdibistanê yên ku di pergalên heywandariyê yên li ser mêrgê de têne sepandin nirxand û destnîşan kir ku hestiyariya dûr a ku ji hêla UAV-an ve hatî çalak kirin ji bo nirxandina biomass û rêveberiya keriyê sûdmend e.
Di heman demê de, di van demên dawî de hewildanên karanîna UAV di çavdêrîkirin, şopandin û berhevkirina heywanan de hatine ragihandin.
Her çend ev vekolîn têgihiştinên nû û girîng derxînin jî, di wêjeyê de, ku valahiyek zanînê ya zelal diyar dike, lêkolînek berfireh û nûjen a li ser bingeha bîbliometriyê nayê dîtin. Digel vê yekê, hate gotin ku dema ku hilberîna zanyarî di qada zanistî de mezin dibe, ji bo lêkolîneran girîng dibe ku nêzîkatiyên vekolîna jimareyî bikar bînin da ku strukturên zanyariyê yên domanê fam bikin (Rivera & Pizam, 2015). Bi heman awayî, Ferreira et al. (2014) angaşt kir ku her ku qadên lêkolînê mezin dibin û tevlihev dibin, divê zanyar armanc bikin ku carinan bi zanebûna ku hatî hilberandin û berhev kirin fêm bikin ku tevkariyên nû eşkere bikin, kevneşopî û meylên lêkolînê bigirin, destnîşan bikin ka kîjan mijarên têne lêkolîn kirin, û di nav strûktûra zanînê de bikolin. qadê û rêwerzên lêkolînê yên potansiyel. Dema ku Raparelli û Bajocco (2019) analîzek bibliometric pêk anîn da ku qada zanînê ya serîlêdanên drone yên di çandinî û daristaniyê de lêkolîn bikin, lêkolîna wan tenê lêkolîna zanyarî di navbera 1995 û 2017-an de hatî weşandin, ku dînamîkên vê qada bilez nîşan nade dihesibîne. Wekî din, nivîskaran hewl nedan ku tevkariyên herî bibandor ên di qadê de destnîşan bikin, wêjeyê kom bikin, û bi karanîna analîza hev-çavdêriyê avahiya rewşenbîrî binirxînin. Wekî encamek, pêdivî ye ku meriv wêjeyê kurt bike da ku navendên lêkolînê, meyl û xalên germ eşkere bike.
Ji bo dagirtina vê valahiya zanînê, em metodolojiya mîqdar û rêbazên bibliometrîkî yên hişk bi kar tînin da ku rewşa lêkolînê ya heyî li xaçerêya dron û çandiniyê lêkolîn bikin. Em argûman dikin ku lêkolîna heyî bi lêkolîna teknolojiyek pêşkeftî ya ku di çandiniyê de pir hewce ye ji ber ku ew potansiyeleke mezin peyda dike ku di vê sektorê de gelek aliyan biguhezîne, gelek tevkariyê li wêjeya heyî dike. Pêdiviya analîzek bibliometrîkî ya dronên çandiniyê hîn bêtir tê hîs kirin ku ji ber zanyariyên belavbûyî û perçebûyî yên li ser dronên di çarçoveya çandiniyê de. Bi heman rengî, wêjeya têkildarî dronên çandiniyê pêdivî ye ku bi rêkûpêk were kom kirin, lêkolînên herî bibandor ên ku bingeha vê qada lêkolînê ava dikin têne hesibandin. Di vekolînê de hêjahî zelalkirina mijarên lêkolînê yên sereke yên ku di wêjeyê de têne temsîl kirin jî vedihewîne. Li ber çavê potansiyela veguherîna teknolojiyê, em destnîşan dikin ku vekolînek torê ya kûr bi destnîşankirina karên bandorker û eşkerekirina mijarên der barê potansiyela dronên ji bo çandiniyê de têgihiştinên nû peyda dike.
Ji ber vê yekê em hewl didin ku armancên lêkolînê yên jêrîn bigihîjin:
- Nasnameya weşanên bi bandor ên bi tevkariyên berbiçav ên serîlêdanên drone yên di warê çandiniyê de.
- Komkirina wêjeyê, naskirina navendên lêkolînê, û nexşeya lêkolînên sereke yên 'avahiya rewşenbîrî' li ser bingeha wekheviya semantîkî bi karanîna analîza hev-çavkanî.
- Fêmkirina pêşkeftina girêdan û torên vegotinê bi demê re di nav weşanên cihêreng ên li qadê de û destnîşankirina rêwerzên lêkolîna pêşerojê û mijarên germ.
Ya mayî ya kaxezê bi vî rengî hatiye avakirin: beşa 2 rêbaz û gavên berhevkirina daneyan destnîşan dike; beşa 3 encamên analîzan dide; û beşa 4 li ser dîtinan nîqaş dike û bi beşdariyên lêkolînê, bandor û rêwerzên pêşerojê bi dawî dibe.
Methodology
Di vê lêkolîna lêkolîna heyî de, em analîzek bibliometrîkî dikin da ku serîlêdanên drone yên di çandiniyê de keşif bikin. Vê nêzîkatiya jimareyî avahiya rewşenbîrî ya qada zanînê (Arora & Chakraborty, 2021) û rewşa heyî, mijarên germ, û rêwerzên lêkolîna pêşerojê yên ku bi sepandina vê rêbazê ve têne lêkolîn kirin eşkere dike (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Bi gelemperî, vekolînek bibliometric edebiyata heyî vedikole da ku şêwazên veşartî yên ragihandina nivîskî û pêşkeftina dîsîplînê li ser bingeha statîstîk û rêbazên matematîkî kurt bike û derxe holê, û ew ji komên daneyên mezin re derbas dibe (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Bi karanîna bîbliyometrîkan, em dixwazin ku paradîgmayên heyî û navendên lêkolînê yên ku li ser bingeha wekheviyê beşdarî domanê dibin çêtir fam bikin (Thelwall, 2008). Bibliometrics têgihiştinên nû peyda dike ku ji hêla hêza mîqdar a armancî ya metodolojiyê ve tê piştgirî kirin (Casillas & Acedo, 2007). Gelek zanyar berê di warên têkildar de, di nav de çandinî, hestiyariya dûr, û veguherîna dîjîtal, lêkolînên bîbliometriyê kirine (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Analîzkirina Citation
Analîzkirina navgîniyê di warê lêkolînek diyarkirî de têgihiştinên cihêreng eşkere dike. Berî her tiştî, ew ji bo eşkerekirina nivîskar û weşanên herî bibandor ên ku beşdarî qada lêkolînê ya diyarkirî dibin û bandorek girîng çêdikin dibe alîkar (Gundolf & Filser, 2013). Ya duyemîn, herikîna zanînê û girêdanên pêwendiya di navbera nivîskaran de dikare were kifş kirin. Di dawiyê de, bi şopandina girêdanên di navbera berhemên binavkirî û binavkirî de, mirov dikare di nav demê de guhertin û pêşkeftina domenek zanînê bikole (Pournader
et al., 2020). Hêjmarên bilind ên weşanek têkildar û tevkariyên wê yên girîng di qada lêkolînê de nîşan dide (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Analîzkirina neqlkirina weşanan jî ji bo naskirina karên têkildar û şopandina populerbûn û pêşkeftina wan bi demê re dibe alîkar.
Analîzkirina hevberdana belgeyê
Analîza hev-çavkanî rêbazek hêja ye ku têkiliyên di navbera weşanan de vebikole û avahiya rewşenbîrî ya qadekê nîşan bide (Nerur et al., 2008). Bi gotinek din, bi destnîşankirina weşanên herî zêde têne destnîşan kirin û girêdanên wan, rêbaz weşanan di nav komên lêkolînê yên cihêreng de kom dike ku weşanên di komekê de bi rêkûpêk ramanên wekhev parve dikin (McCain, 1990; Small, 1973). Girîng e ku were gotin ku wekhevî nayê wê wateyê ku encamên weşanan in
hevgirtî û lihevhatî bi hev re; weşan ji ber hevsengiya mijarê di heman komê de ne, lê dibe ku xwedî nêrînên berevajî bin.
Danezana danûstandin û analîzan
Li dû rêbaza ku ji hêla White û Griffith (1981) ve hatî pêşniyar kirin, me lêgerînek berfireh a gotarên kovarê pêk anî da ku tevahiya qada lêkolînê ya serîlêdanên drone yên di çandiniyê de bigire, pênc gavên jêrîn bişopînin:
- Pêngava yekem berhevkirina daneyan bû. Scopus wekî yek ji databasên herî berfireh û pêbawer bi encamên standardkirî hate hilbijartin. Meta-daneyên weşanên têkildarî hemî sepanên drone yên di çandiniyê de hatin girtin. Dûv re me gotarên hilbijartî analîz kirin, gotarên derveyî mijarê ji analîzê derxistin.
- Me edebiyat analîz kir û peyvên herî girîng ên ku di qada lêkolînê de hatine bikar anîn destnîşan kirin.
- Bi karanîna analîza navgîniyê, me pêwendiya di navbera nivîskar û belgeyan de vekoland da ku şêwazên navgîniya bingehîn eşkere bikin. Me her weha nivîskar û weşanên herî bibandor ên ku di warê dronên çandiniyê de beşdarên girîng in destnîşan kirin.
- Me analîzek hev-çavkanî pêk anî da ku weşanên bi heman rengî li koman kom bikin.
- Di dawiyê de, me têkilî û girêdanên di navbera welat, sazî û kovaran de analîz kir ku tora hevkariyê nîşan bide.
Nasnameya peyvên lêgerînê yên guncan
Me rêzikên lêgerînê yên jêrîn ji bo berhevkirina daneyan sepand: (drone* OR "wesayîta hewayî ya bêpîlot" AN uav * AN "pergala balafira bêmirov”AN uas OR "balafirên ji dûr ve pîlot”) Û (çandinî AN çandinî AN cotkarî AN cotkar). Lêgerîn di Îlona 2021-an de hat kirin. Balafirên bêpîlot xwedan gelek navnîşan in, di nav de UAV, UAS, û firokeyên ji dûr ve pîlot (Sah et al., 2021). Peyvên lêgerînê yên taybetî yên têkildarî çandiniyê li ser bingeha lêkolîna Abdollahi et al. (2021). Ji bo zelalî û zelaliyê, pirsa tam a ku me bikar aniye, di Pêveka 1-ê de tê dayîn. Piştî pêvajoyek paqijkirina daneyê, me pelek nivîsê çêkir ku paşê di BibExcel de hate barkirin, amûrek hevpar a ji bo veqetandin û analîza hevçavkanî. Ev amûr di heman demê de bi nermalava din re danûstendina hêsan pêşkêşî dike û di danûstandin û analîzkirina daneyê de astek girîng a azadiyê pêşkêşî dike. VOSviewer guhertoya 1.6.16 hate bikar anîn da ku dîtinan xuyang bike û torên bibliometric çêbike (Eck & Waltman, 2009). VOSviewer, bi taybetî ji bo analîzkirina nexşeyên bîbliometrîkî, rêzek dîtbariya xwerû pêşkêşî dike (Geng et al., 2020). Wekî din, ew di peydakirina encamên dîtbarî yên sade yên ku di baştir têgihiştina encaman de dibin alîkar (Abdollahi et al., 2021). Bi sepandina rêzikên lêgerînê yên ku li jor hatine destnîşan kirin, me hemî weşanên têkildar berhev kirin û hilanîn. Encamên lêgerînê yên yekem bi tevahî 5,085 belge derketin. Ji bo misogerkirina qalîteya nimûneya hilbijartî, di lêkolînê de tenê gotarên kovarê yên peer-peer-nirxandibûn hatin berçavgirtin, ku di encamê de celebên din ên belgeyê, wekî pirtûk, beş, xebatên konferansê, û notên edîtoriyê hatin derxistin. Di pêvajoyek vekolînê de, weşanên negirêdayî (ango, li derveyî çarçoweya vê xebatê), zêde (ango, dubareyên ku ji îndekskirina ducarî derdikevin), û weşanên ne-îngilîzîaxêv hatin fîltrekirin. Di encama vê pêvajoyê de 4,700 belge di analîza dawî de cih girtin.
Dîtin û nîqaş
Ji bo destpêkê, me pêşveçûnên di hilberîna weşanê de di wêjeya heyî ya li ser dronên çandiniyê de analîz kir. Belavbûna demkî ya lêkolînên zanistî di Xiflteya 1-ê de tê nîşandan. Em ji sala 2011-an (30 weşanên) û pê ve zêdebûnek bilez di weşanan de dibînin; ji ber vê yekê, me biryar da ku heyama analîzê li du qonaxên cûda dabeş bikin. Em serdema di navbera 1990 û 2010-an de wekî qonaxa avakirinê bi nav dikin, ku salane bi qasî heft gotar hatine weşandin. Serdema piştî 2010-an wekî qonaxa mezinbûnê tê binav kirin ji ber ku lêkolîna li ser sepanên drone yên di çandiniyê de di vê serdemê de şahidiyek mezin bû. Piştî sala 2010-an, hejmara zêde ya weşanan eleqeya zêde ya di nav lêkolîneran de piştrast dike, ku ev jî nîşan dide ku dron li hestiyariya dûr hatine sepandin û di çandiniya rast de hatine bikar anîn (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Bi taybetî, hejmara weşanan ji 108 di 2013-an de derket 498-an di 2018-an de û di sala 1,275-an de derket 2020-an. Bi tevahî 935 gotar di navbera Çile û nîvê Îlonê 2021 de hatin weşandin. Dûv re, me tercîh kir ku analîza xwe bêtir li ser qonaxa mezinbûnê bisekine. ji ber ku ev serdem hûrguliyên herî dawî û girîng ên dronên çandiniyê nîşan dide.
Analîzkirina peyvan
Peyvên sereke yên ku nivîskaran ji bo weşanek hildibijêrin bandorek girîng li ser ka kaxez çawa tê temsîl kirin û çawa ew di nav civakên zanistî de tê ragihandin heye. Ew mijarên sereke yên lêkolînê destnîşan dikin û potansiyela wê ya geşbûn an têkçûn diyar dikin (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Analîzkirina peyvan, amûrek ji bo eşkerekirina meyl û rêwerzên lêkolînê yên berfireh, ji berhevkirina peyvên sereke yên hemî weşanên têkildar di domenekê de vedibêje (Dixit & Jakhar, 2021). Di lêkolîna heyî de, me peyvên sereke yên berhevkirî li du koman dabeş kirin (ango, heya 2010 û 2011-2021) da ku mijarên herî populer bikolin. Bi kirina vê yekê, em dikarin di her du koman de peyvên girîng bişopînin û piştrast bikin ku me hemî daneyên pêwîst girtine. Ji bo her komekê, deh peyvên sereke di Tabloya 3-ê de têne pêşkêş kirin. Me bi yekkirina peyvên sereke yên semantîkî yên wekhev, wek "drone" û "drones" an jî, "Internet of Things" û "IoT.", nakokî ji holê rakirin.
Tabloya 3 nîşan dide ku "wesayîta hewayî ya bêmirov" li gorî "drone" û "pergala hewaya bêmirov" di her du serdeman de peyvek sereke ye ku pir caran tê bikar anîn. Di heman demê de, "hişmendiya dûr", "cotîna rast," û "cotanî" di her du serdeman de pir zêde têne rêz kirin. Di heyama yekem de, "cotîna rast" di rêza pêncemîn de cih girt, û ew di heyama duyemîn de di rêza duyemîn de cih girt, ku ev yek destnîşan dike ka dron çawa di bidestxistina çandiniya rast de girîngtir dibin ji ber ku ew dikarin çavdêriyê bikin.
pratîkên tespîtkirin, û texmînkirinê li gorî pergalên din ên dûr-hişmendî û bingeh-zemînê zûtir, erzantir û hêsantir pêk tê. Di heman demê de, ew dikarin dema ku hewce be mîqdara rastîn a têketinê (mînak, av an jehrîn) birijînin (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Lîsteya peyvên sereke yên ku pir caran têne bikar anîn.
Çîn | 1990-2010 | Na rûdanên | 2011-2021 | Na rûdanên |
1 | hewaya bêmirov erebok | 28 | neheqî wesayîta hewayî | 1628 |
2 | hestiyariya dûr | 7 | tamî cotyarî | 489 |
3 | cotyarî | 4 | hestiyariya dûr | 399 |
4 | hewa hewa | 4 | bêpîlot | 374 |
5 | tamî cotyarî | 4 | neheqî sîstema hewayî | 271 |
6 | hewaya bêmirov | 4 | cotyarî | 177 |
7 | hîperspektral sensor | 3 | hînbûna kûr | 151 |
8 | neural sûnî Torên | 2 | makîne fêrbûna | 149 |
9 | firîna xweser | 2 | nebatî Naverok | 142 |
10 | qehwe | 2 | Înternetê ya Things | 124 |
Taybetmendiyek din a balkêş hebûna teknolojiyên temamker e. Di qonaxa yekem de, "Hyperspectral Sensor" û "Torên neuralî yên çêkirî" (ANN) di nav deh peyvên sereke de ne. Wêneya hîperspektral bi berhevkirina hejmareke mezin a wêneyan di dirêjahiya pêlan de şoreşek wênekêşiya kevneşopî kir. Bi kirina vê yekê, senzor dikarin di heman demê de agahdariya cîh û spektral çêtir berhev bikin li gorî wênekêşiya pirreng, spektroskopî, û wêneyên RGB (Adao ˜ et al.,
2017). Bûyera "ANN" di qonaxa yekem de û "hînbûna kûr" (DL) û "hînbûna makîneyê" (ML) di qonaxa duyemîn de tê vê wateyê ku piraniya karên hatine weşandin li ser vekolîna potansiyela teknîkên AI-ê ji bo drone- çandiniya bingehîn. Her çend dron dikarin xweser bifirin, lê dîsa jî hewcedariya wan bi tevlêbûna pîlotek heye, ku tê wateya asta nizm a îstîxbarata cîhazê. Lêbelê, ev pirsgirêk dikare ji ber pêşkeftina teknîkên AI-ê, ku dikare hişmendiya rewşek çêtir û piştgiriya biryara xweser peyda bike, were çareser kirin. Bi AI-ê ve girêdayî, dron dikarin di dema navîgasyonê de ji pevçûnan dûr bixin, rêveberiya axê û çandiniyê baştir bikin (Inoue, 2020), û ked û stresê ji bo mirovan kêm bikin (BK Sharma et al., 2019).
Ji ber nermbûn û şiyana wan a birêvebirina mîqdarên mezin ên daneya nehêl, teknîkên AI-ê rêbazên guncan in ji bo analîzkirina daneyên ku ji hêla dron û pergalên din ên dûr-hest û bingeh-zemînê ve têne şandin ji bo pêşbînîkirin û biryargirtinê (Ali et al., 2015; Inoue, 2020). Wekî din, hebûna "IoT" di heyama duyemîn de rola wê ya pêşkeftî di çandiniyê de destnîşan dike. IoT bi girêdana teknolojiyên din, di nav de drone, ML, DL, WSN, û daneyên mezin, çandiniyê şoreş dike. Yek ji feydeyên sereke yên bicihanîna IoT-ê şiyana wê ye ku bi karîgerî û bandorkerî karên cûrbecûr (bidestxistina daneyan, analîzkirina daneyan û pêvajokirin, biryargirtin, û pêkanîn) di demek nêz de rast bike (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Digel vê yekê, dron ji bo girtina daneyên ku ji bo hesabkirina hêz û taybetmendiyên nebatê hewce ne amûrên bikêr têne hesibandin (Candiago et al., 2015). Xiflteya 2a û 2b ji bo her du serdemên demê torên hev-rûbûna peyva key nîşan dide.
Nivîskarên bi bandor
Di vê beşê de, em nivîskarên bibandor destnîşan dikin û lêkolîn dikin ka toreyên vegotina nivîskar çawa dikarin wêjeya heyî dîmendar û organîze bikin. Xiflteya 3 serpêhatiya kronolojîk a hemî lêkolîneran bi hejmara herî zêde ya jêderan nîşan dide. Pîvana rengîn cûrbecûr salixdana salixdana nivîskaran nîşan dide. Em strukturên vegotinê yên lêkolînerên ku lêkolînên li ser dronên çandiniyê weşandine bi karanîna rêjeyek herî kêm 50 vegotinan û deh weşanan vedikolin. Derve ji
12,891 nivîskar, tenê 115 vê şertê bicîh anîn. Tabloya 4 deh nivîskarên herî bibandor, li gorî hejmara herî zêde ya neqlê hatine rêz kirin. Di lîsteyê de Lopez- Granados F. bi 1,963 navan di rêzê de ye, li dû wê jî Zarco-Tejada PJ bi 1,909 vegotinan tê.
Lîsteya nivîskarên ku herî zêde hatine gotin.
Deng | Nivîskar | Cîtations |
1 | Lopez-Granados ´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S´ anchez J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Dema ku dor tê weşanên kesane, gotara Zhang û Kovacs (2012) lêkolîna herî zêde ya ku di Precision Agriculture de hatî weşandin bû. Li vir, nivîskaran serîlêdana UAS-ê di çandiniya rast de nirxand. Encamên lêkolîna wan destnîşan dike ku pêdivî bi pêşdebirina sêwirana platformê, hilberandin, standardkirina georeferanskirina wêneyê, û xebata vegerandina agahdarî heye ku ji cotkaran re hilberên dawiya pêbawer peyda bikin. Wekî din, ew pêşniyar dikin ku cotkar bi hêztir tevbigerin, nemaze di plansaziya zeviyê, girtina wêneyê, û her weha şîrovekirin û analîzkirina daneyan de. Ya girîng, ev lêkolîn di nav yekem de bû ku girîngiya UAV-ê di nexşeya zeviyê de, nexşeya zevî, pîvandina naveroka kîmyewî, şopandina stresa nebatê, û nirxandina bandorên zibilan li ser mezinbûna nebatan nîşan da. Pirsgirêkên ku bi teknolojiyê re têkildar in jî lêçûnên qedexekirî, kapasîteya senzorê, aramî û pêbaweriya platformê, nebûna standardîzekirinê, û prosedûra domdar ji bo analîzkirina mîqdarên girseyî yên daneyan jî vedigirin.
Analîzkirina Citation
Analîzkirina neqlkirinê lêkolîna bandora gotaran temsîl dike, her çend ji herikandinê re meyla hebe (mînak, çewsandin, xwe-çavkanî) yek ji amûrên standard ji bo nirxandina bandorê tê hesibandin (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Navnîşan di heman demê de girîngî û zindîtiya tevkariyên kaxezan ên li ser wêjeyê li ser mijarek taybetî nîşan dide (R. Sharma et al., 2022). Me ji bo destnîşankirina lêkolînên herî bi bandor ên li ser dronên çandiniyê vekolînek jêderk pêk anî û naverok kurt kir. Tabloya 5 lîsteya panzdeh rojnameyên herî bibandor ên serdemên 1990-2010 û 2011-2021 pêşkêş dike. Gotarên Berni et al. (2009)b û Austin (2010) di salên 1990 û 2010-an de, bi rêzê ve, bi 831 û 498 jêderan, herî zêde hatine binav kirin. Berni et al. (2009)b potansiyela pêşvebirina hilberên dûr-hestkirina mîqdar bi navgînek UAV-ya helîkopterê ya ku bi senzorên wênekêşiya pirrengî yên germî û bandên teng ên erzan ên erzan ve hatî çêkirin destnîşan kir. Li gorî senzorên hewayê yên bi mirovî yên kevneşopî, pergalek UAV-ya kêm-mesref ji bo çandiniyê dikare texmînên berawirdî yên pîvanên biyofizîkî yên çandiniyê, heke ne çêtir be, bi dest bixe. Mesrefa erzan û nermbûna xebitandinê, li kêleka çareseriyên bilind ên spektral, mekanî û demkî yên ku di demek zû de têne peyda kirin, UAV-an ji bo cûrbecûr sepanên ku hewceyê rêveberiya krîtîk a dem e, di nav de plansazkirina avdanê, û çandiniya rast, guncan dikin. Kaxez ji Berni et al. (2009)b pir tête binav kirin ji ber ku ew bi bandor platformek rotary-baskê bêmirov û senzorên dîjîtal û germî yên bi mekanîzmayên kalibrasyonê yên hewce yên ji bo sepanên çandiniyê ve entegre kir. Weşana duyemîn a ku herî zêde tê veqetandin pirtûkek e ku ji hêla Austin (2010) ve hatî nivîsandin, ku UAV ji sêwiran, pêşkeftin, û perspektîfên bicîhkirinê nîqaş kir. Di çandiniyê de, UAV piştgirî dide çavdêriya çandiniyê bi tespîtkirina zû nexweşiyan bi navgîniya guhertinên rengê çandiniyê, hêsankirina tovkirin û rijandina zeviyan, û şopandin û ajotina keriyan.
Lêkolînên Sullivan et al. (2007), Lumme et al. (2008), û Gokto ¨ ǧan et al. (2010) navnîşa panzdeh gotarên herî jortirîn biqedîne. Van gotaran pêşkeftina pergalên bingeha UAV-ê ji bo piştgirîkirina çandiniyê destnîşan dikin. Ew ji pirsgirêkên cûrbecûr re çareseriyê pêşkêş dikin, wek çavdêrîkirin û şopandina çandiniyê, çavdêrîkirin û birêvebirina giyayan, û piştgiriya biryarê. Di heman demê de ew kapasîteya UAV-ê ji bo zêdekirina karbidestiya nimûneyê û alîkariya cotkaran di çêkirina rast û bi bandor de pêşniyar dikin û nîqaş dikin.
stratejiyên çandiniyê. Du kaxez ji hêla Berni ve hatine nivîsandin (Berni et al., 2009b; Berni et al., 2009a), ku bandora wî ya girîng li ser lêkolînên têkildarî dronên çandiniyê destnîşan dikin. Kaxez ji Zarco-Tejada et al. (2014) di nav lêkolînên pêşeng de ye ku hewcedariya karanîna wêneyên UAV-ya kêm-mesref di pîvandina bilindahiya darê de destnîşan dike.
Lîsteya weşanên ku herî zêde hatine destnîşan kirin.
Çîn | Ji 1990 heta 2010 | Ji 2011 heta 2021 | ||
Belge | Gazîname | Belge | Gazîname | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & Wood, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ad˜ ao et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013a) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
Di serdema duyemîn de (2011-2021), lêkolîna Zhang û Kovacs (2012) û Nex û Remondino (2014) di nav weşanên ku herî zêde têne vegotin de derketin. Zhang û Kovacs (2012) amaje dikin ku çandiniya rast dikare ji pêkanîna teknîk û senzorên erdnîgarî sûd werbigire, wek pergalên agahdariya erdnîgarî, GPS, û hestiyar ji dûr ve, da ku cûrbecûr li zeviyê bigire û wan bi karanîna stratejiyên alternatîf ve mijûl bike. Wekî lîstikvanek di çandiniya rast de, pejirandina dronan di nihêrîna dûr de, hêsankirina çavdêriya hewayê, girtina daneyên mezinbûna çandiniyê, şert û mercên axê, û deverên rijandinê de temenek nû destnîşan kiriye. Vekolîna Zhang û Kovacs (2012) girîng e ji ber ku ew bi eşkerekirina karanîna heyî û kêşeyên van amûran di çavdêrîkirina jîngehê û çandiniya rast de, wek tixûbên platform û kamerayê, kêşeyên hilberandina daneyê, tevlêbûna cotkaran, û rêzikên hewavaniyê, di derheqê UAVan de têgihiştinan pêşkêşî dike. . Ya duyemîn
lêkolîna ku herî zêde ji Nex û Remondino (2014) hatî destnîşan kirin rewşa hunera UAV-an ji bo girtin, hilanîn û analîzkirina wêneyên erdê vekoland.
Karê wan di heman demê de serpêhatiyek li ser gelek platformên UAV, serîlêdan û dozên karanîna pêşkêşî kir, ku pêşkeftinên herî nû di hilberandina wêneya UAV de nîşan dide. Di çandiniyê de, cotkar dikarin UAV-ê bikar bînin da ku biryarên bi bandor bistînin da ku bigihîjin teserûfa lêçûn û demê, tomarek bilez û rastîn a ziraran bistînin, û pêşbîniya pirsgirêkên gengaz bikin. Berevajî platformên hewayî yên kevneşopî, UAV dikarin lêçûnên xebitandinê kêm bikin û xetera gihîştina li cîhên dijwar kêm bikin di heman demê de ku hîn jî potansiyela rastbûna bilind diparêzin. Kaxeza wan avantajên cihêreng ên UAV-an, nemaze di warê rastbûn û çareseriyê de, kurt dike.
Di nav sêzdeh weşanên mayî yên herî zêde di navbera 2011 û 2021 de, me li ser lêkolîna ku bi serîlêdanên drone ve girêdayî ye di mîsyonên wênekêşiyê de baldariyek mezintir dît (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , çandiniya rast (Candiago et al., 2015; Honkavaara et al., 2013a), rezvaniya rast (Matese et al., 2015), nirxandina stresa avê (Gago et al., 2015), û çavdêriya nebatê (Aasen et al. , 2015a). Di salên pêşîn de, lêkolîner bal kişand
bêtir li ser pêşxistina pergalên kêm-mesref, sivik, û rast-based UAV ji bo çandiniyê; lêkolînên vê dawîyê bêtir li ser vekolînên serîlêdanên UAV-ê yên ji bo çandinî û lêkolînên zeviyê sekinîne. Bi kurtahî, ev analîz eşkere dike ku weşanên bandorker bi piranî vekolînên lêkolînên berê peyda kirine da ku rewşa zanistî û teknolojîk a heyî ya UAV-ê binirxînin û pergalên UAV-ê yên pêşkeftî piştgirî dane çandiniya rast. Balkêş e, me lêkolînên ku ezmûnî bikar tînin nedîtin
metodolojî an lêkolînên doza danasînê, ku valahiyek zanînê ya girîng pêk tîne û banga lêkolînên zêdetir li ser vê mijarê dike.
Analîza hev-çavkanî
Li gorî Gmür (2006), analîza hev-çavkanî weşanên bi heman rengî nas dike û wan kom dike. Lêkolîna baldar a komê dikare di nav weşanan de qada lêkolînê ya hevpar eşkere bike. Em li ser hevçavkirina wêjeya têkildarî dronên çandiniyê lêkolîn dikin da ku qadên mijarê yên têkildar ronî bikin û şêwazên rewşenbîrî yên weşanan tespît bikin. Di vî warî de, Small (1973) ji bo lêkolîna lêkolîna herî bibandor û semînal bikaranîna analîza hevgirtinê pêşniyar kir.
di nav dîsîplînekê de. Ji bo ku komê bi gotarên herî girîng re sînordar bike (Goyal & Kumar, 2021), me bendek hevberdanê ya 25 destnîşan kir, tê vê wateyê ku divê du gotar bi hev re di navnîşên referansê yên 25 an bêtir weşanên cihêreng de hatine binav kirin. Kombûn di heman demê de bi mezinahiya komê ya herî kêm 1 û bêyî ti rêbazek ji bo yekkirina komên piçûk bi yên mezin re hate kirin. Di encamê de, şeş kom li ser bingeha wekheviya lêkolînan û avahiya wan a rewşenbîrî hatin çêkirin. Tabloya 6 belavbûna weşanan di her komê de nîşan dide.
Cluster 1: Ev kom hejdeh belgeyên ku piştî weşandinê vedihewîne Di weşanên vê komê de rola dronan di piştgirîkirina çavdêriya jîngehê, rêveberiya çandiniyê û rêveberiya giyayan de nîqaş dikin. Mînakî, Manfreda et al. (2018) li ser lêkolîn û pêkanînên heyî yên UAV-ê di şopandina ekosîstema çandiniyê ya xwezayî de nihêrînek pêşkêşî dike û argûman dike ku teknolojî potansiyeleke mezin pêşkêşî dike ku bi giranî çavdêriya jîngehê zêde bike û kêm bike.
valahiya heyî ya di navbera çavdêriya zeviyê û hewaya konvansiyonel û lênihêrîna dûr a fezayê de. Ev dikare bi pêşkêşkirina kapasîteya nû ya ji bo vegerandina demkî û têgihiştinên mekan ên çêtir ên li deverên mezin bi awayek erzan were kirin. UAV dikarin bi domdarî hawîrdorê hîs bikin û daneyên encam ji sazîyên jîr, navendîkirî / nenavendî re bişînin ku senzoran kontrol dikin da ku pirsgirêkên paşerojê nas bikin, wek nebûna nexweşî an tespîtkirina avê (Padua ´ et al., 2017). Adao ˜ et al. (2017) destnîşan dikin ku UAV ji bo nirxandina şert û mercên nebatan îdeal in bi girtina jimarek mezin a daneyên xav ên têkildarî rewşa avê, texmîna biomassê, û nirxandina hêzê. Sensorên li ser UAV-ê di heman demê de dikarin bi lez di şert û mercên jîngehê yên guncaw de werin bicîh kirin da ku rê bidin girtina biwext a daneya hîskirina dûr (Von Bueren et al., 2015). Cotkar bi rêya UAV-ê dikarin çalakiyên çandiniya hundurîn bikin û pîvandinan ji hema hema ji her deverê li cîhê sê-alî yên hawîrdorên çandiniya hundurîn (mînak seraxane) bi dest bixin, bi vî rengî kontrolkirina avhewa ya herêmî û çavdêriya nebatan misoger bikin (Roldan' et al. ., 2015). Di çarçoveya hûrgelê de
çandinî, biryarên rêveberiya çandiniyê hewceyê daneyên çandiniyê yên rast û pêbawer bi çareseriyek demkî û mekanî ya guncan in (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Ji bo vê yekê, Agüera Vega et al. (2015) ji bo ku di demsala mezinbûnê de dîmenên çandiniya gulberojê bi dest bixe, pergalek senzorê ya pir-spektral a li ser UAV-ê bi kar anî. Bi heman awayî, Huang et al. (2009) not bikin ku lêhûrbûna ji dûr ve li ser bingeha UAV-an dikare pîvana çandinî û axê ji daneyên spektral ên berhevkirî hêsan bike. Verger et al. (2014) teknîkek ji bo texmînkirina nîşanek devera kesk (GAI) ji pîvandina refleksa UAV-ê di sepanên çandiniya rast de pêşxist û ceriband, ku balê dikişîne ser çandiniyên genim û tovê raçavê. Ji ber vê yekê, dron ji bo wergirtina agahdariya dewleta çandiniyê bi serdanên pir caran û çareseriya cîhêkî ya bilind îmkanên nû peyda dikin (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Komkirina weşanên bandorker ên li ser dronên çandiniyê.
Cluster | Mijara berfireh | Çavkanî |
1 | Çavdêriya jîngehê, çandin birêvebirin, birêvebirina giyayan | (Ad˜ ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand ' on ' et al., 2014; YB Huang et al., 2013; Xanal û hwd., 2017; Lopez-Granados, ' 2011; Manfreda et al., 2018; P´ adua et al., 2017; Pena ˜ et al., 2013; P´erez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S´ anchez et al., 2014; Torres-Sanchez, ' Lopez-Granados, ' & Pena, ˜ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Zhang & Kovacs, 2012) |
2 | Fenotîpkirina dûr, hilber texmînkirin, modela rûbera çandiniyê, jimartina nebatan | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Wêneya germî ya avê, wênekirina multispectral | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Wêneya hîpersektral, spektral im imaging | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | Serlêdanên Nexşeya 3D | (Jim'enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamî û yên din, 2014; Torres-S´ anchez, Lopez- ' Granados, Serrano, et al., 2015; Zahawî û yên din, 2015; Zarco-Tejada et al., 2014) |
6 | Çavdêriya çandiniyê | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Wekî din, dron ji bo karên dijwar ên di çandiniyê de, tevî nexşeya giyayan, bikêr in. Wêneyên ku ji hêla cîhazan ve hatine girtin, kêrhatiya xwe ji bo tespîtkirina zû giyayên li zeviyan îsbat kirine (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et al., 2021). Di vî warî de, de Castro et al. (2018) destnîşan dike ku yekbûna wêneya UAV û Analîzkirina Wêne-Bingeha Objekt (OBIA) rê daye bijîjkan ku pirsgirêka otomatîkkirina zû zû di zeviyên çîmenan ên demsala pêşîn de derbas bikin, ku di lêkolîna giyayan de gavek mezin e. Bi heman awayî, Pena ˜ et al. (2013) destnîşan dike ku karanîna wêneyên rezîliya mekanê ya ultra-bilind ji UAV-ê re digel pêvajoyek OBIA-yê gengaz dike ku nexşeyên giyayan di zeviyên zû de çêbike ku dikare di plansazkirina pêkanîna tedbîrên kontrolkirina giyayên di demsalê de were bikar anîn, peywirek ji kapasîteya wêneyên satelîtê û kevneşopî yên hewayî. Li gorî algorîtmayên dabeşkirina wêneyan an jî algorîtmayên vedîtina tiştan, teknîkên dabeşkirina semantîkî di karên nexşeya giyayan de bi bandortir in (J. Deng et al., 2020), bi vî rengî cotkaran dihêle ku şert û mercên zeviyê tespît bikin, windahiyan kêm bikin, û hilberînan li seranserê demsala mezinbûnê baştir bikin (Ramesh et al., 2020). Dabeşkirina semantîkî ya bingehîn a kûr di heman demê de dikare pîvandinek rast a vegirtina nebatê ji dîmenên hewayî yên bi rezîliya bilind peyda bike (Ramesh et al., 2020; A. Zheng et al., 2022). Tevî ku potansiyela wan ji bo dûr
senifandina pîxelê ya hîskirinê, teknîkên dabeşkirina semantîk hewceyê hesabek girîng û bîranînek GPU ya pir zêde ya qedexe ye (J. Deng et al., 2020).
Li ser bingeha fêrbûna makîneyê û UAV, P´erez-Ortiz et al. (2015) nêzîkatiyek nexşeya giyayan pêşniyar kir da ku stratejiyên kontrolkirina giyayên cihê-taybet peyda bike dema ku cotkar kontrolkirina giyayên zû-piştî derketinê qebûl dikin. Di dawiyê de, Rasmussen et al. (2013) ronî kir ku dron hestiyariyek erzan bi nermbûnek mezin a çareseriya cîhê peyda dike. Bi tevayî, weşanên di vê komê de balê dikişînin ser vekolîna potansiyelên UAV-ê ji bo piştgirîkirina hestiyariya dûr, çavdêriya çandiniyê, û nexşeya giyayan. Lêkolînek kûr a pêvek hewce ye ku bêtir were lêkolîn kirin ka çawa sepanên drone di çavdêriya jîngehê, rêveberiya çandiniyê, û nexşeya giyayan de dikare çandiniya domdartir bi dest bixe (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J . Su, Liu, et al., 2018) û pirsgirêkên rêveberiya vê teknolojiyê di sepanên bîmeya çandiniyê de (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Lekolînwan divê balê bikşînin ser pejirandina pîvandinên berhevkirî yên UAV-ê bi teknîkên pêvajoyî yên bikêrhatî da ku kalîteya paşîn a daneyên pêvajoyî zêde bikin (Manfreda et al., 2018). Wekî din, pêşkeftina algorîtmayên guncav ên ku pixelên ku di wêneyên dîjîtal de giyayan nîşan didin nas dikin û di dema nexşeya gîhayê ya UAV de paşnavê negirêdayî ji holê radikin, hewce ye (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-' Granados et al., 2016). Lêkolînên din ên li ser pejirandina teknîkên dabeşkirina semantîkî di naskirina nebatan, dabeşkirina pelan, û nexşeya nexweşiyê de bi xêr hatî (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Cluster 2. Weşanên di vê komê de li ser çend aliyên dronên çandiniyê sekinîn. Bi fenotîpkirina dûr ve girêdayî ye, Sankaran et al. (2015) potansiyela bikaranîna dîmenên hewayê yên bilind-bilind, bi rezîliya bilind bi UAV-an re ji bo fenotîpkirina bilez a çandiniyên li zeviyê nirxand, û ew argûman dikin ku, li gorî platformên hestiyar-bingeha erdê, UAV-yên piçûk ên bi senzorên têrker gelek feydeyan pêşkêş dikin. , wek gihandina hêsantir a zeviyê, daneya çareseriya bilind, berhevkirina daneya bikêr,
nirxandinên bilez ên şert û mercên mezinbûna zeviyê, û lêçûnên xebitandinê yên kêm. Lêbelê, nivîskar her weha destnîşan dikin ku sepana bi bandor a UAV-ê ji bo fenotîpkirina zeviyê xwe dispêre du hêmanên bingehîn, yanê, taybetmendiyên UAV (mînak, ewlehî, aramî, cîhgirtin, xweserî) û taybetmendiyên sensor (mînak, çareserî, giranî, dirêjahiya pêlên spektral, zevî. dîtin). Haghighattalab et al. (2016) boriyek nîv-otomatîkî ya hilberandina wêneyan pêşniyar kir da ku daneyên asta plansaziyê ji dîmenên UAV bistîne û pêvajoya mezinbûnê bilez bike. Holman et al. (2016) bilind pêşket
Pergala fenotîpkirina zeviyê bi rê ve û destnîşan kir ku UAV dikare daneyên fenotîpîkî yên bi kalîte, mezin, zevî berhev bike, û ku cîhaz ji bo deverên mezin û li deverên cihê cihê bi bandor e.
Ji ber ku texmîna hilberandinê agahdariyek pir girîng e, nemaze dema ku di wextê xwe de peyda bibe, potansiyelek ji bo UAV hene ku hemî pîvandinên zeviyê peyda bikin û bi bandor daneyên kalîteya bilind bistînin (Daakir et al., 2017; Demir et al., 2018 Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). Di vî warî de, Jin et al. (2017) ji dîmenên bi rezîliya bilind ên ku ji hêla UAVan ve li bilindahiyên pir nizm hatine bidestxistin sûd werdigire da ku rêbazek ji bo texmînkirina tîrêjiya nebatê genim di qonaxa derketinê de pêş bixe û binirxîne. Li gorî nivîskaran, UAV sînorên pergalên rover ên ku bi kamerayan hatine desteser kirin derbas dikin û rêbazek ne-dagirker ji bo texmînkirina tîrêjiya nebatan di zeviyan de temsîl dikin, ku rê dide cotkaran ku bigihîjin asta bilind a ku ji bo fenotîpkirina zeviyê serbixwe ji trafîka axê re hewce dike. Li et al. (2016) bi sedan wêneyên stereo bi rezîliya pir bilind bi karanîna pergalek bingeha UAV-ê berhev kir da ku pîvanên mîrî texmîn bike, di nav de bilindahiya kaniyê û biomasa jorîn. Di dawiyê de, Yue et al. (2017) dît ku bilindahiya çandiniyê ya ku ji UAV-an hatî destnîşankirin dikare texmîna biomasa jorîn (AGB) zêde bike.
Nêzîkatiyek ji bo şopandina mezinbûna çandiniyê ramana pêşxistina modelên rûbera çandiniyê ye (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Gelek lêkolînan îmkana wêneyên ku ji UAV hatine kişandin ji bo girtina bilindahiya nebatan û şopandina mezinbûna wan ronî kirin. Mînakî, Bendig et al. (2013) bi karanîna UAV-ê pêşkeftina modelên rûbera çandiniya pir-demî ya bi çareseriya pir bilind a ji 0.05 m kêmtir vegot. Armanca wan tespîtkirina çandiniyê bû
Cûdahiya mezinbûnê û girêdayîbûna wê bi dermankirina çandiniyê, kulîlk û stresê. Bendig et al. (2014) UAV bikar anîn da ku li ser bingeha bilindahiya nebatê ku ji modelên rûbera çandiniyê hatî derxistin, UAV-yên teze û hişk texmîn bike û dît ku, berevajî platformên hewayê û şopandina lazerê ya bejayî, wêneyên rezîliya bilind ji UAV-an dikarin rastbûna modela bilindahiya nebatan ji bo mezinbûna cûda bi girîngî zêde bikin. qonaxên. Di heman mijarê de, Geipel et al. (2014) ji bo bidestxistina wêneyan di lêkolîna xwe de UAV bikar anîn
Daneyên ji bo pêşbînkirina berberiya genimê di sê qonaxên mezinbûnê yên cihêreng de ji zû heya navîn-demsalê de û destnîşan kirin ku berhevkirina modela spektral û mekan a li ser bingeha dîmenên hewayî û modelên rûbera çandiniyê rêgezek maqûl e ji bo pêşbînkirina hilberîna genimê navîn-demsalê. Di dawiyê de, Gnadinger ¨ û Schmidhalter (2017) karanîna UAV-ê di fenotîpkirina rast de lêkolîn kirin û destnîşan kirin ku karanîna vê teknolojiyê dikare rêveberiya cotkariyê zêde bike û ceribandina zeviyê ji bo çandinî û armancên agronomîkî bike. Bi tevayî, em dibînin ku weşanên di koma 2 de balê dikişînin ser avantajên sereke yên UAV-yên ji dûr ve.
fenotipkirin, texmînkirina berhemê, modelkirina rûbera çandiniyê, û jimartina nebatan. Lêkolînên paşerojê dikarin bi pêşxistina rêbazên nû yên ji bo fenotîpkirina dûr ku dikarin hilberandina daneyên ji dûr ve otomotîk û xweşbîn bikin kûrtir bikolin (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Wekî din, pêdivî ye ku performansa senzorên IoT yên ku li ser UAV-yan hatine bicîh kirin û danûstendina di navbera lêçûn, ked û rastbûna texmîna hilberînê de were lêkolîn kirin.
pêşeroj (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Di dawiyê de, pêdivî ye ku meriv rêbazên hilberandina wêneyê bikêr bi pêş bixe ku dikare agahdariya pêbawer biafirîne, di hilberîna çandiniyê de karbidestiya herî zêde bike, û xebata hejmartina destan a cotkaran kêm bike (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Cluster 3. Weşanên di vê komê de cûreyên cûda yên pergalên wênekêşiyê yên ji bo dîtina dûr a çavkaniyên çandiniyê yên ku li ser platformên UAV têne bikar anîn nîqaş dikin. Di vî warî de, wênekêşiya termal rê dide çavdêriya germahiya rûkalê ku pêşî li zirara çandiniyê bigire û stresa hişkbûnê zû bibîne (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et al. (2012) destnîşan kir ku karanîna kamerayên multispektral û termal li ser sermê
UAV rê da lêkolîneran ku wêneyên rezîliya bilind bistînin û rewşa ava rezê binirxînin. Ev dikare ji bo pêşdebirina modelên nexşeya avê yên nû bi karanîna daneya dûr-hest (Baluja et al., 2012) kêrhatî be. Ji ber ku
kapasîteya barkirina sînorkirî ya UAV, Ribeiro-Gomes et al. (2017) entegrasyona kamerayên termal ên nesarkirî di nav UAVS de ji bo destnîşankirina stresa avê di nebatan de nirxand, ku ev celeb UAV-an ji senaryoya ji dûr ve ya kevneşopî ya satelîtê û UAV-ên ku bi kamerayên termal ên sarkirî ve hatine bikêrhatî û bikêrtir dike. Li gorî nivîskaran, kamerayên termal ên nesarkirî ji kamerayên sar siviktir in, ku pêdivî bi kalibrasyona guncan heye. Gonzalez-Dugo et al. (2014) destnîşan kir ku dîmenên germî ji bo nirxandina rewşa avê û pîvandina stresa avê di nav û di nav baxçeyên citrus de bi bandor nexşeyên cîhê yên nîşaneyên stresa ava çandiniyê diafirîne. Gonzalez-Dugo et al. (2013) û Santesteban et al. (2017) li ser karanîna dîmenên germî yên UAV-ê yên rezîliya bilind lêkolîn kir da ku guhezbariya rewşa avê ya baxçeyek bazirganî û rezek texmîn bike.
Wêneyên pirspektral dikare li gorî wêneyên kevneşopî yên RGB (Sor, Kesk û Şîn) daneyên girseyî peyda bike (Ad˜ ao et al., 2017; Navia et al., 2016). Ev daneyên spektral, digel daneyên mekan, dikarin di dabeşkirin, nexşekirin, pêşbînkirin, pêşbînkirin û mebestên tespîtkirinê de bibin alîkar (Berni et al., 2009b). Li gorî Candiago et al. (2015), wênekêşiya pirrengî ya li ser bingeha UAV dikare bi girseyî beşdarî nirxandina çandiniyê û çandiniya rastîn wekî çavkaniyek pêbawer û bikêr bibe. Jî,
Khaliq et al. (2019) berhevokek di navbera satelîtê û wênekêşiya pirrengî ya bingehîn a UAV de çêkir. Wêneyên li ser bingeha UAV-ê di danasîna guhezbariya rez û her weha nexşeyên hêzdar ên ji bo temsîlkirina kavilên çandiniyê de di danasîna guhezbariya rez de rasttir bûn. Bi kurtasî, gotarên di vê komê de tevlêbûna senzorên wênekêşiya termal û pirreng di nav UAVên çandiniyê de nîqaş dikin. Li gorî vê yekê, bêtir lêkolîn hewce ye ku were fêm kirin ka wênekêşiya termal û pir-spektral çawa dikare bi AI-ê re were yek kirin
teknîkên (mînak, fêrbûna kûr) ji bo tespîtkirina stresa nebatê (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Nêrînên weha dê alîkariya tespîtkirina bikêrtir û rasttir û hem jî çavdêriya mezinbûna nebatan, stres, û fenolojiyê bike (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Cluster 4. Ev kom ji heft kaxezan pêk tê ku li dora rola girîng a dîmenên spektral û wênekêşiya hîperspektral di piştgirîkirina pratîkên çandiniyê de dizivirin. Wêneya hîperspektral xwe wekî rêbazek ji dûr ve destnîşan kiriye ku nirxandina mîqdarî ya pergala erdê dike (Schaepman et al., 2009). Ji bo ku bêtir rast be, ew îmkan dide nasîna materyalên rûvî, pîvandina hûrgelên (girêdayî) û tayînkirina rêjeya pêkhateyên rûerdê
di nav pixelên tevlihev de (Kirsch et al., 2018; Zhao et al., 2022). Bi gotinek din, çareseriya spektralê ya bilind a ku ji hêla pergalên hîperspektral ve hatî peyda kirin, texmînên rasttir ên parametreyên cihêreng, wek taybetmendiyên vegetarian an naveroka ava pelan (Suomalainen et al., 2014) dihêle. Lêkolînerên di vê komê de gelek aliyên pergalên weha lêkolîn kirin. Di nav yên din de, Aasen et al. (2015b) ji bo derxistina agahdariya hîperspektral a sê-alî ji giraniya sivik nêzîkatiyek bêhempa pêşkêşî kir.
kamerayên wênekêş ên ku li ser UAV-an ji bo şopandina nebatan têne bikar anîn. Lucieer et al. (2014) li ser sêwirandin, pêşkeftin û operasyonên hewayî yên UAS-ya nû ya hîperspektral û her weha kalibrasyon, analîzkirin û şîrovekirina daneyên wêneyê yên ku pê re hatine berhev kirin nîqaş kir. Di dawiyê de, Honkavaara et al. (2013b) ji bo wêneyên spektral ên li ser bingeha navbeynkariya FabryPerot nêzîkatiyek pêvajoyek berfireh pêşxist û karanîna wê di prosedurek texmînkirina biomassê de ji bo çandiniya rast nîşan da. Rêyên paşerojê yên potansiyel ên ji bo vê koma heyî di nav de balkişandina li ser hewcedariya pêşkeftinên teknîkî yên di teknolojiyên senzorê de (Aasen et al., 2015b) û her weha hewcedariya tevlêkirin û zêdekirina teknolojiyên temamker, nemaze daneyên mezin û analîtîk (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Ya paşîn bi giranî ji daneya her ku diçe mezin dibe ku ji hêla senzorên cihêreng ên ku di çandiniya jîr de hatine bicîh kirin (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Cluster 5. Weşanên di vê komê de sepanên 3Dmapping-bingeha dron lêkolîn kirin. Bikaranîna dronên ji bo nexşeya 3D dikare xebata zeviyê ya tevlihev sivik bike û karbidestiyê bi girîngî zêde bike (Torres-Sanchez 'et al., 2015). Pênc gotarên di komê de bi giranî li ser sepanên şopandina nebatan sekinîn. Mînakî, ji bo bidestxistina daneyên sê-alî di derbarê qada kaniyê, bilindahiya darê, û qebareya tacê de, Torres-Sanchez ´ et al. (2015) teknolojiya UAV bikar anî da ku modelên rûbera dîjîtal biafirîne û dûv re nêzîkatiyên analîza wêneyê-based object (OBIA). Wekî din, Zarco-Tejada et al. (2014) bi yekkirina teknolojiya UAV û rêbazên nûavakirina wêneya sê-alî bilindahiya darê pîvandin. Jim´enez-Brenes Lopez-Granados, 'De Castro, et al. (2017) pêvajoyek nû ji bo çavdêriya pir-demî, 3D ya bi dehan darên zeytûnan bi yekkirina teknolojiya UAV bi metodolojiya pêşkeftî ya OBIA-yê re destnîşan kir. Rêyên balkêş ên ji bo karên pêşerojê yên di vê komê de an jî başkirina heyî hene
metodolojî (Zarco-Tejada et al., 2014) ji bo mebestên modelkirina rûyê dîjîtal (Ajayi et al., 2017; Jaud et al., 2016), wek OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), û nûavakirina wêneyan an pêşkeftina rêbazên nûjen (Díaz-Varela et al., 2015; Torres-S´ anchez et al., 2015).
Koma 6. Ev kom behsa rola dronên di çavdêriya çandiniyê de dike. UAV dikarin kêmasiyên dîmenên satelîtê û balafiran temam bikin û derbas bikin. Mînakî, ew dikarin bi kêşeyên kêm sotemenî an pîlotkirinê re çareseriya bilind nêzikî wênesaziya rast-rast peyda bikin, ku di encamê de çavdêriya domdar û rast-dem û di biryargirtinê de çêtir dibin (S. Herwitz et al., 2004). Beşek din a girîng a UAV-an ew e ku ew daneyên taybetî yên cîhê ji bo çandiniya rast an çandiniya cîhê-taybet peyda dikin wekî çareseriya wan a bilind, daneyên hûrgulî yên di derheqê parametreyên cihêreng de cotkaran dihêle ku erd li perçeyên homojen dabeş bikin û li gorî wan derman bikin (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Çavdêriya çandiniyê ya li ser bingeha UAV dikare piştgirî bide çavdêriya ewlehiya xwarinê û biryargirtinê (SR Herwitz et al., 2004). Ji bo pêşdebirina lêkolîna di çavdêriya çandiniyê de, ne tenê çêtirkirinên di senzor, UAV û teknolojiyên din ên têkildar de û awayên ragihandinê û veguheztina daneya wan hewce ne (Ewing et al., 2020; Shuai et al., 2019), lê di heman demê de yekkirina dronên bi cûrbecûr teknolojiyên ji bo xweşbînkirina karên cihêreng ên têkildarî çandiniya biaqil, wek çavdêrîkirin, çavdêriya çandiniyê, û biryargirtinê, deverek lêkolînê ya potansiyela bilind e (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Di vî warî de, IoT, WSN, û daneyên mezin kapasîteyên temamker ên balkêş pêşkêş dikin (van der Merwe et al., 2020). Mesrefên pêkanînê, teserûfa lêçûn, karbidestiya enerjiyê, û ewlehiya daneyê di nav deverên lêkolînkirî yên ji bo yekbûnê de ne (Masroor et al., 2021).
Welat û saziyên akademîk
Di pêngava dawî de vekolîna welatê jêderê û girêdanên akademîk ên nivîskaran pêk hat. Bi vê analîzê re, em armanc dikin ku belavkirina erdnîgarî ya zanyarên ku beşdarî sepanên dronên di çandiniyê de dibin baştir fam bikin. Hêjayî balkişandinê ye ku mirov cihêrengiya welatan û saziyên akademîk bihesibîne. Ji perspektîfa welat, DYE, Çîn, Hindistan û Italytalya ji hêla hejmara weşanan ve di rêza serê lîsteyê de cih digirin (Tabela 7). Niha
lêkolîna li ser dronên çandiniyê bi giranî li welatên Amerîkaya Bakur û Asyayê ye, nemaze ji ber tevlêbûna wan a zêde di sepanên çandiniya rast de. Mînakî, li Dewletên Yekbûyî, bazara dronên çandiniyê di sala 841.9-an de 2020 mîlyon USD hate texmîn kirin, ku bi qasî 30% ji pişka bazara gerdûnî pêk tê (ReportLinker, 2021). Çîn wekî aboriya herî mezin a cîhanê tê pêşbînîkirin ku di sala 2.6-an de bigihîje mezinahiya bazarê 2027 mîlyar dolar. Lêbelê, pejirandina teknolojiyê li Chinaînê ji hêla faktorên wekî mezinahiya nifûsê û hewcedariya nûvekirin û başkirina pratîkên rêveberiya çandiniyê ya heyî ve jî tê rêve kirin.
Welatên herî hilberker û zanîngeh / rêxistinên ku beşdar dibin
lêkolînên têkildarî dronên çandiniyê.
Çîn | welatên |
1 | USA |
2 | çîn |
3 | Hindistan |
4 | Îtalya |
5 | Îspanya |
6 | Almanya |
7 | Brezîlya |
8 | Awistrelya |
9 | Japonya |
10 | Qraliyeta Yekbûyî |
Çîn | Zanîngeh / Rêxistin |
1 | Akademiya Zanistî ya Çînî |
2 | Wezareta Çandiniyê ya Komara Gel a Çînê |
3 | Konseya Bilind a Lêpirsînên Zanistî |
4 | Zanîngeha Texas A&M |
5 | Çîn Zanîngeha Çandinî Çandî |
6 | Xizmeta Lêkolînê ya Çandinî ya USDA |
7 | CSIC - Instituto de Agricultura Sostenible IAS |
8 | Zanîngeha Purdue |
9 | Consiglio Nazionale delle Ricerche |
10 | Zanîngeha Agriculturalandinî ya Southînê ya Başûr |
Ji perspektîfa zanîngeh û rêxistinî ve, Akademiya Zanistî ya Chineseînî ji hêla hejmara weşanan ve di lîsteyê de seretayî ye, li pey Wezareta Çandiniyê ya Komara Gel a Chinaînê û Consejo Superior de Investigaciones Científicas. Akademiya Zanistî ya Çînî ji aliyê nivîskar Liao Xiaohan û Li Jun ve tê temsîlkirin; Han Wenting nûnertiya Wezareta Çandiniyê ya Komara Gel a Çînê dike; û Consejo Superior de Investigaciones Científicas ji hêla Lopez-Granados, 'F. and Pena, ˜ Jos´e María S. Ji DY ve tê temsîl kirin, zanîngehên mîna Zanîngeha Texas A&M û Zanîngeha Purdue xwe dibînin
qalkirin. Zanîngehên ku hejmara weşana herî zêde û girêdanên wan di Xiflteya 4 de têne xuyang kirin. Wekî din, di vê navnîşê de saziyên wekî Consiglio Nazionale delle Ricerche û Consejo Superior de Investigaciones Científicas hene ku di lêkolînên zanistî de çalak in, lê ne saziyên akademîk in. .
Hilbijartina me cûrbecûr kovaran vedihewîne, ku hema hema hemî daneyên berdest vedihewîne. Wekî ku di tabloya 8-an de tê xuyang kirin, Hesabkirina Ji Dûr a bi 258 gotaran di rêza jorîn de ye, li dû Kovara Pergalên Aqilmend û Robotîk: Teorî û Serlêdan bi 126 û Computer û Elektronîk di Çandiniyê de bi 98 gotaran tê. Dema ku Remote Sensing bi piranî li ser serîlêdan û pêşkeftina dronan e, Komputer û Elektronîk di Çandiniyê de bi gelemperî pêşkeftinên di hardware, nermalavê, elektronîk, û pergalên kontrolê yên di çandiniyê de vedihewîne. Dergehên cross-herêmê, wekî IEEE Robotics and Automation Letters bi 87 weşan û IEEE Access bi 34 weşanan, di heman demê de dergehên pêşîn in. Panzdeh dezgehên sereke bi 959 belgeyan beşdarî wêjeyê bûne, ku bi qasî %20.40ê hemî weşanan e. Analîzek hev-çavkanî ya kovarê dihêle ku em girîngî û wekheviya di navbera weşanan de lêkolîn bikin. Analîza hev-çavkaniyê sê koman derdixe, wek ku di jimar 5 de tê nîşandan. Koma sor ji kovarên wek Remote Sensing, Computer and Electronics in Agriculture, Sensors, pêk tê.
û Kovara Navneteweyî ya Remote Sensing. Hemî van dergeh kovarên pir bi navûdeng in di warên hestiyariya dûr û çandiniya rast de. Di koma kesk de kovarên ku bi robotîkê re mijûl dibin hene, wek Journal of Intelligent and Robotic Systems: Teorî û Serlêdan, IEEE Robotics and Automation Letters, IEEE Access, and Drones. Van deran bi piranî kaxezên li ser otomatê diweşînin û ji bo endezyarên çandiniyê bikêr in. Koma paşîn ji hêla kovarên têkildarî endezyariya çandinî û çandiniyê ve, mîna Agronomy û Kovara Navneteweyî ya Endezyariya Çandinî û Biyolojîkî, pêk tê.
Di lêkolîna têkildarî dronên çandiniyê de 15 kovarên herî baş.
Çîn | Rojname | Jimartin |
1 | Sensing Remote | 258 |
2 | Journal of Intelligent and Robotic Systems: Teorî û Applications | 126 |
3 | Komputer û Elektronîk di Çandiniyê de | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Sensors | 73 |
6 | Kovara Navneteweyî ya Remote Sensing | 42 |
7 | Çandiniya Precision | 41 |
8 | Drones | 40 |
9 | Agronomyi | 34 |
10 | IEEE Access | 34 |
11 | Kovara Navneteweyî ya Sîstemên Robotîk ên Pêşkeftî | 31 |
12 | Kovara Navneteweyî ya Endezyariya Çandinî û Biyolojîkî | 25 |
13 | PLOS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystemsên Endezyariyê | 23 |
Xelasî
Berhevkirinî
Di vê lêkolînê de, me lêkolînên heyî yên li ser dronên çandiniyê kurt û analîz kirin. Bi sepandina teknîkên cihêreng ên bîbliometrîkî, me hewl da ku em têgihiştinek çêtir a strûktûra rewşenbîrî ya lêkolîna têkildarî drona çandiniyê bistînin. Bi tevahî, vekolîna me bi destnîşankirin û nîqaşkirina peyvên sereke yên di wêjeyê de, eşkerekirina komikên zanînê dema ku di warê dronan de civakên semantîkî yên mîna hev ava dikin, lêkolînên berê diyar dikin, û pêşniyarên rêwerzên lêkolînê yên paşerojê gelek beşdaran pêşkêş dikin. Li jêr, em encamên sereke yên lêkolînê li ser pêşkeftina dronên çandiniyê diyar dikin:
• Wêjeya giştî di deh salên dawîn de bi lez û bez mezin bûye û baleke mezin kişandiye ser xwe, wek ku bi zêdebûna hejmara gotaran piştî sala 2012-an diyar dibe. Tevî ku ev qada zanînê hîn negihîştiye gihîştina xwe ya tam (Barrientos et al., 2011; Maes & Steppe, 2019), gelek pirs hîn jî bêbersiv in. Mînakî, karanîna dronên di çandiniya hundurîn de hîn jî ji bo nîqaşê vekirî ye (Aslan et al., 2022; Krul et al., 2021; Rold´an et al., 2015). Tevliheviya dîmenên zeviyan û rewşên cûda yên wênekirinê (mînak, sî û ronîkirin) dikare bibe sedema cûdahiyek spektral a bilind a di polê de (Yao et al., 2019). Tewra di qonaxên lêkolînê yên paşîn de, lêkolîner ji bo destnîşankirina plansaziyên firînê yên çêtirîn li gorî senaryoyên taybetî û kalîteya wêneyê ya pêwîst hatine ceribandin (Soares et al., 2021; Tu et al.,
2020).
• Em pê dihesin ku zevî ji pêşkeftina pergalên UAV-ya bikêr berbi tevlêkirina teknîkên AI-yê, wek fêrbûna makîneyê û fêrbûna kûr di sêwirana dronên çandiniyê de pêş ketiye (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Lêkolîna li ser dronên çandiniyê bi giranî bi vekolîna potansiyelên teknolojiyê di şopandina jîngehê, rêveberiya çandiniyê, û birêvebirina giyayan de (koma 1) û her weha fenotîpkirina dûr û texmîna berberiyê (koma 2) vekolîna ji dûr ve nîqaş kirin. Komek lêkolînên bandorker ên li ser dronên çandiniyê Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex and Remondino (2014), û Zhang and Kovacs (2012). Van lêkolînan di çarçoveya çandiniyê de bingeha têgehî ya lêkolîna têkildarî drone pêş xistin.
• Bi metodolojiyê ve girêdayî, me dît ku piraniya lêkolînên ku heta niha hatine kirin ji sêwirana pergalê, têgehî, an lêkolînên li ser bingeha vekolînê pêk hatine (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Di lêkolîna dronên çandiniyê de em di heman demê de kêmasiya rêbazên ampîrîkî, kalîteyî, û-based-lêkolînê di xebatê de dibînin.
• Di van demên dawî de, mijarên têkildarî çandiniya rast, teknîkên AI-ê, rezvaniya rast, û nirxandina stresa avê bala girîng kişandine (Espinoza et al., 2017; Gomez-Cand ' on ' et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Vekolîna baldar a komên lêkolînê di du serdemên cihê de, 1990–2010 û 2011–2021, pêşkeftina avahiya rewşenbîrî ya domainê eşkere dike. Serdema ji 1990-an heya 2010-an avakirina têgînên navendî û têgehên dron-an pêk tîne, ku ji nîqaşa sêwirandin, pêşkeftin û bicîhkirina UAV diyar e. Di serdema duyemîn de, lêkolînê li ser lêkolînên berê berfireh dibe, hewl dide ku bûyerên karanîna UAV-ê di çandiniyê de hevrêz bike. Di heman demê de me gelek lêkolîn jî dîtin ku serîlêdanên drone di karên wênekêşiyê û çandiniya rast de nîqaş dikin.
Çîn | Rojname | Jimartin |
1 | Sensing Remote | 258 |
2 | Journal of Intelligent and Robotic Systems: Teorî û | 126 |
Applications | ||
3 | Komputer û Elektronîk di Çandiniyê de | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Sensors | 73 |
6 | Kovara Navneteweyî ya Remote Sensing | 42 |
7 | Çandiniya Precision | 41 |
8 | Drones | 40 |
9 | Agronomyi | 34 |
10 | IEEE Access | 34 |
11 | Kovara Navneteweyî ya Sîstemên Robotîk ên Pêşkeftî | 31 |
12 | Kovara Navneteweyî ya Endezyariya Çandinî û Biyolojîkî | 25 |
13 | PLOS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystemsên Endezyariyê | 22 |
Plmkan
Vekolîna bibliometriya me bi zanyar, cotkar, pisporên çandiniyê, şêwirmendên çandiniyê, û sêwiranerên pergala UAV di hişê xwe de hate sêwirandin û meşandin. Li gorî zanyariyên herî baş ên nivîskaran, ev yek ji yekem vekolînên orîjînal e ku analîzek bibliometrîkî ya kûr a
sepanên drone di çandiniyê de. Me vekolînek berfireh li ser vê saziya zanînê pêk aniye, analîzên vegotin û hevçavkanî yên weşanan bi kar tîne. Hewldanên me yên ji bo danasîna avahiya rewşenbîrî ya lêkolîna drone jî ji akademîsyenan re têgihiştinên nû pêşkêş dikin. Vekolînek baldar a peyvên sereke yên ku bi demê re têne bikar anîn di wêjeya têkildar a drone de deverên germ û lêkolînê yên bingehîn eşkere dike. Digel vê yekê, em navnîşek lêkolînên herî zêde têne destnîşan kirin pêşkêş dikin da ku xebatên lêkolînê yên herî bandorker ên ku li qadê hatine qedandin nas bikin. Nasnameya gotar û peyvan di encamê de dikare destpêkek zexm peyda bike da ku çend rê ji bo lêkolînên pêşerojê vebike.
Ya girîng, me komên ku karên berawirdî dabeş dikin eşkere kirin û li ser encaman berfireh kirin. Lêkolînên ku di koman de têne dabeş kirin di têgihiştina avahiya rewşenbîrî ya lêkolîna UAV de dibin alîkar. Nemaze, me kêmasiya lêkolînan kifş kir ku faktorên pejirandina dronan lêkolîn dikin
û astengên di çalakiyên cotkariyê de (binêre Tablo 9). Lekolînwanên pêşeroj dikarin vê valahiya potansiyel bi lêkolînên ampîrîkî yên ku faktorên pejirandina dronan di çalakiyên cûda yên çandiniyê û mercên avhewa de dinirxînin çareser bikin. Wekî din, lêkolîna-based lêkolîna dozê ya di derbarê bandorkeriya dronan de divê bi daneyên rastîn ên ji zeviyê were piştgirî kirin. Di heman demê de, tevlêkirina cotkar û rêvebiran di lêkolîna akademîk de dê hem ji bo pêşkeftina teorîkî û hem jî pratîkî ya lêkolîna drone sûdmend be. Di heman demê de me karî lêkolînerên herî berbiçav û tevkariyên wan nas bikin, ku ev yek bi qîmet e ji ber ku haydariya xebatên semînal ên vê dawiyê dikare hin rêwerzan ji bo hewildanên akademîk ên pêşerojê pêşkêş bike.
Table 9
astengên pejirandina UAV.
Bend | Terîf |
Ewlekariya daneyên | Ewlekariya sîber ji bo pêkanînê pirsgirêkek sereke ye Çareseriyên IoT (Masroor et al., 2021). |
Hevkarîbûn û pêxistinî | Teknolojiyên cihêreng ên wekî UAV, WSN, IoT, hwd. divê bêne yek kirin û daneyên ku têne şandin asta tevliheviyê zêde bikin (Alsamhi et al., 2021; Popescu et al., 2020; Vuran û yên din, 2018). |
Mesrefên pêkanîna | Ev bi taybetî ji bo cotkarên piçûk û ji bo yekkirina teknolojiyên cihêreng ên pêşkeftî ( Masroor et al., 2021). |
zanîna kedê û pispor | Ji bo xebitandina UAVan pîlotên drone yên jêhatî hewce ne. Di heman demê de, pêkanîna cûrbecûr pêşkeftî teknolojiyên karkerên jêhatî hewce dike (YB Huang et al., 2013; Tsouros et al., 2019). |
Hêza motorê û firîn demajok | Drone bi saetên dirêj û nixumandî nayên xebitandin deverên mezin (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Îstîqrar, pêbawer, û manevrabûn | Dron di şert û mercên hewaya xirab de ne aram in (Hardin & Hardin, 2010; Laliberte et al., 2007). |
sînorên Payload û kalîteya sensors | Drone tenê dikarin barên tixûbdar hilgirin kapasîteya barkirina senzorên qalîteya kêmtir (Nebiker et al., 2008). |
rêziknameya | Ji ber ku dron jî xeternak in, giran jî hene rêziknameyên li hin deveran (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
zanîna cotkaran û zem | Wekî teknolojiyên din ên pêşkeftî, dron' pêkanîna serketî hewceyê pisporiyê û her weha digel nezelaliyan (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Ji ber ku hewcedariyek domdar heye ku bi karîgerî çavkaniyên berdest bikar bînin da ku berberan zêde bikin, cotkar dikarin ji dronan sûd werbigirin da ku skanandina bilez, rast û biha ya zeviyên xwe misoger bikin. Teknolojî dikare piştgirî bide cotkaran da ku rewşa zeviyên xwe diyar bikin û rewşa avê, qonaxa gihîştinê, ketina kêzikan, û hewcedariyên xwarinê binirxînin. Kapasîteyên çavdêriya dûr ên dron dikarin daneyên girîng ji cotkaran re peyda bikin da ku pirsgirêkan di qonaxek destpêkê de pêşbîn bikin û tavilê destwerdanên guncan bikin. Lêbelê, feydeyên teknolojiyê tenê dikarin werin fêhm kirin ku pirsgirêk bi rêkûpêk bêne çareser kirin. Di ronahiya
pirsgirêkên heyî yên di derheqê ewlehiya daneyê, mijarên teknolojiya senzorê de (mînak, pêbawerî an rastbûna pîvandinê), tevliheviya entegrasyonê, û lêçûnên girîng ên bicîhkirinê, divê lêkolînên pêşeroj jî îmkana teknîkî, aborî û xebitandinê ya yekkirina dronên çandiniyê û qutiyên din lêkolîn bikin. teknolojiyên qiraxa.
tengasîyên
Lêkolîna me çend sînor hene. Pêşîn, vedîtin ji hêla weşanên ku ji bo analîza dawîn hatine hilbijartin têne destnîşankirin. Zehf e ku meriv hemî lêkolînên têkildar ên ku bi dronên çandiniyê ve girêdayî ne, bi taybetî yên ku di databasa Scopus de nehatine navnîş kirin. Zêdetir, pêvajoya berhevkirina daneyan bi mîhengkirina peyvên lêgerînê ve sînorkirî ye, ku dibe ku ne tevde be û bibe sedema encamên nebawer. Ji ber vê yekê, lêkolînên pêşerojê hewce ne ku bêtir bala xwe bidin mijara bingehîn a berhevkirina daneyan
encamên pêbawertir. Sînorkirinek din bi weşanên nû yên bi jimareyek kêm jêderan re têkildar e. Analîza bîbliometrîkî ber bi weşanên berê ve girêdayî ye ji ber ku ew di nav salan de bêtir jêderan distînin. Lêkolînên vê dawîyê ji bo balê bikişîne û berhevkirina vegotinan demek diyar hewce dike. Ji ber vê yekê, lêkolînên vê dawiyê yên ku guherînek paradîgmayê bi xwe re tîne, dê di nav deh karên bandorker de cih negirin. Ev tixûb di vekolîna qadên lêkolînê yên bi lez û bez ên mîna dronên çandiniyê de serdest e. Ji ber ku me ji Scopus şêwirî da ku edebiyata vê xebatê lêkolîn bike, lêkolînerên pêşerojê dikarin cûda bifikirin
databases, wek Web of Science û IEEE Xplore, ji bo berfirehkirina asoyê û zêdekirina avahiya lêkolînê.
Lêkolînên bîbliometrîkî yên potansiyel dikarin çavkaniyên din ên zanyariyê yên girîng ên wekî kaxezên konferansê, beş û pirtûkan binirxînin da ku têgihiştinên nû çêbikin. Tevî nexşe û lêkolîna weşanên gerdûnî yên li ser dronên çandiniyê, encamên me sedemên li pişt hilberên zanistî yên zanîngehan eşkere nekir. Ev rê li ber deverek nû ya lêkolînê vedike di ravekirina bi kalîte de çima hin zanîngeh ji yên din hilberînertir in dema ku ew tê lêkolîna li ser çandiniyê.
drone. Wekî din, lêkolînên paşerojê dikarin di derheqê potansiyela dronan de nihêrînek peyda bikin da ku domdariya cotkariyê bi çend awayan zêde bikin wek çavdêriya hawîrdorê, rêveberiya çandiniyê, û nexşeya giyayan wekî ku ji hêla gelek lêkolîneran ve hatî destnîşan kirin (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Ji ber ku ji ber hejmara zêde ya kaxezên hilbijartî vekolîna metnê ne pêkan bû, pêdivî bi vekolînên wêjeya sîstematîk heye ku lêkolînan li ser wêjeyê bike.
rêbazên lêkolînê yên hatine bikaranîn û tevlêbûna cotkaran di lêkolînên berê de. Bi kurtasî, analîza me ya lêkolîna drone girêdanên nedîtbar ên vê laşê zanînê eşkere dike. Ji ber vê yekê ev vekolîn ji bo eşkerekirina têkiliyên di navbera weşanan de dibe alîkar û avahiya rewşenbîrî ya qada lêkolînê vedikole. Ew di heman demê de girêdanên di navbera aliyên cihêreng ên wêjeyê de, wekî peyvên sereke, girêdan û welatan nîşan dide.
Daxuyaniya Berjewendiya Hevrikî
Nivîskar daxuyand ku wan ti berjewendîyên darayî yên pêşbazker an têkiliyên kesane yên ku dikaribû bandorê li xebata ku di vê kaxezê de hatî rapor kirin xuya bike tune ne.
Appendix 1
TITLE-ABS-KEY (((drone* OR "wesayîta hewayî ya bêpîlot" OR uav* OR "pergala balafira bêpîlot”AN uas OR "balafirên ji dûr ve pîlot”) Û (çandinî AN çandinî AN cotkarî AN cotkar))) Û (DERKETIN (PUBYEAR, 2022)) Û (SÎNOR (ZIMAN, "Îngilîzî")).
Çavkanî
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Çêkirina agahdariya hîperspektral a 3D bi kamerayên dîmenê yên UAV yên sivik ên ji bo şopandina nebatan: ji
kalibrasyona kamerayê ji bo ewlehiya kalîteyê. ISPRS J. Photogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Pêşxistina algorîtmaya naskirina nimûneyê ji bo vedîtina çivîkên otomatîkî ji dîmenên wesayîtên hewayî yên bêpîlot.
Lêkolîn. Land Inform. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Di çandiniyê de torên senzorê yên bêtêl: nihêrînên ji analîza bibliometric. Berdewamî 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Nirxandina awayên cihêreng ên ji bo tespîtkirina siyê di dîmenên optîkî yên bi rezîliya bilind de û nirxandina bandora siyê ya li ser hesabkirinê NDVI, û evapotranspiration. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao. pêvajo û
sepanên ji bo çandinî û daristanî. Remote Sensing 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Wêneyên pir-demî ku wesayîtek hewayî ya bêpîlot ji bo çavdêrîkirina çandiniya gulberojê bikar tîne. Biosyst. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Hilberîna modelên bilindbûna dîjîtal ên rast ji UAV-ê ji sedî kêm dîmenên hevgirtî bi dest xistin. Int.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Vekolîna nêzîkatiyên fêrbûna makîneyê ji bo vegirtina biomass û şilbûna axê ji daneyên hestiyariya dûr. Remote Sensing 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Înterneta kesk a tiştan ku di torên B5G de UAV bikar tînin: Vekolînek serîlêdanan
û stratejiyan. Ad. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones for Sheep Livestock Monitoring. Li: 20th Konferansa Elektroteknîkî ya Deryaya Navîn IEEE. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Fenotîpkirina berbelavbûna bilind a li ser bingeha UAV-ê di citrus de ku wênekêşiya pirreng û hişmendiya çêkirî bikar tîne. Hişyariya Dûr 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Serîlêdana li ser Cloud-ê ku ji bo sepanên çandiniyê yên rast ên ku îstîxbarata sûnî bikar tînin pêvajokirin, analîzkirin û dîtina daneyên berhevkirî yên UAV-ê vedihewîne. Comput. Electron. Agric. 174, 105457 https: // doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Daneyên mezin û fêrbûna makîneyê bi agahdariya hîperspektral di çandiniyê de. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
GIRTIN.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Vekolîn: teknolojiyên çandiniya heywanan ên rast di pergalên heywandariyê yên li ser mêrgê de. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, 'D., Mejia-Aguirre, C., Trendên li ser teknolojiyên agahdarî û ragihandinê yên pêşkeftî ji bo
başkirina hilberînên çandiniyê: analîzek bibliometric. Agronomy 10 (12), Bend 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Gatorê difire: ber bi robotîkên hewayî ve li occam-π. Commun. Mîmarê Pêvajoyê. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Struktura rewşenbîrî ya lêkolîna tevgera gilîkirina xerîdar (CCB): Analîzek bibliometric. J. Business Res. 122, 60-74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Lêkolînek berfireh a lêkolînên vê dawiyê yên bi UAV-ê re ji bo çandiniya rast li zeviyên vekirî û serayan. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Ji bo Pêşerojê Fenotîpkirina Zeviyê. In Annual Plant Reviews online (rûpel. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Pergalên Balafirên Bêmirov: Sêwirana UAVS, Pêşveçûn û Bicihkirin. Li: Sîstemên Balafirên Bêmirov: Sêwirana UAVS, Pêşveçûn û
Deployment. John Wiley û Sons. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. Di stresa nebatê de hestiyariya dûr a bingehîn a UAV-ê xeyal bikin ku ji bo pratîkên çandiniya dîjîtal senzorek germî ya bi rezîliya bilind bikar bînin: meta-nirxand. Int. J. Jîngeh. Sci. Technol. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonesa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Çandiniya biaqil: Derfet, dijwarî
û çalakvanên teknolojiyê. 2018 IoT Vertical û. Civîna Têkilî ya Li ser Çandiniyê -Toscana (IOT Toscana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD. Hişyariya Dûr 2018 (10), 11.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Pêvajoyên normatîf li hember avakerên civakî yên di veqetandina vegotinan de: modelek tor-analîtîk. Im. Sociol. Rev. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Nirxandina guherbariya rewşa ava rez ji hêla termal û pirreng ve
dîmenên ku bi wesayîteke hewayî ya bêmirov (UAV) tê bikaranîn. Irrig. Sci. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L.,Zêdebûna nifşê din. Plant Sci. 242, 3-13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektîfên li ser karanîna pergalên hewayî yên bêpîlot ji bo şopandina dewaran. Outlook Agric. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Kêm giranî û hîperspectral-based UAV kamerayan full-frame
ji bo şopandina nebatan: Danasîna spektral bi pîvandinên spektroradiometerê yên portable re. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Di çandiniyê de hestiyariya dûr a hewayî: Nêzîkatiyek pratîkî ji bo vegirtina deverê
û plansazkirina rê ji bo fîloyên robotên hewayî yên piçûk. J. Field Rob. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Anketek li ser sepana algorîtmayên plansazkirina rê ji bo UAV-yên pir-rotor bi hûrgulî
cotyarî. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Rewşa nûjen a çandiniya zanîn-zirav: vekolînek li ser pergalên hestiyar û analîtîkên daneyê. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Wêneyên li ser UAV-ê ji bo modelên rûbera çandiniyê yên pir-demî, bi rezîliya pir bilind ji bo şopandina guhezbariya mezinbûna çandiniyê. Photogrammetrie, Fernerkundung, Geoinformation 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. Texmînkirina biomasa ceh bi karanîna modelên rûbera çandiniyê (CSM) yên ku ji wênekirina RGB-ya bingehîn a UAV-ê têne derxistin. Hişyariya Dûr 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Berhevkirina bilindahiya nebatê ya li ser bingeha UAV-ê ji rûyê zeviyê model,
nîşaneyên nebatê yên xuya, û nêzê infrasor ji bo şopandina biomasa di ceh de. Int. J. Appl. Earth Obs. Geoinf. 39, 79-87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, 'G., Fereres, E., Villalobos, F., 2009a. Nexşeya rêvekirina kaniyê û CWSI li baxçeyên zeytûnan bi karanîna çareseriya bilind
Wêneyên hestiyariya dûr a termal. Remote Sens. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, 'L., Fereres, E., 2009b. Ji bo şopandina nebatê ji wesayitek hewayî ya bêpîlot, ji bo şopandina nebatê ji dûr ve mêzekirina pirrengî ya germ û teng. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Înternetê ya Tiştan di ewlehiya xwarinê de: Lêkolîna wêjeyê û analîzek bibliometric. Trends Food Sci. Technol. 94,54-64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT di çandiniyê de: Sêwirana pîlotek mezin a li seranserê Ewrûpayê. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Şopandina UAV-ya pir-sensor a şitilên kesane û civakên şitilan bi rastbûna mîlîmetreyî. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Nirxandina wêneyên pirreng û nîşaneyên nebatê ji bo sepanên çandiniya rast ji wêneyên UAV. Hişyariya Dûr 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Şopandina nîşaneyên mezinbûna behîvên şekir bi karanîna îndeksa nebatî-rangeya fireh (WDRVI) ku ji UAV-ê hatî derxistin
wêneyên pirreng. Comput. Electron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Pêşveçûna avahiya rewşenbîrî ya wêjeya karsaziya malbatê: lêkolînek bibliometric ya FBR. Karsaziya Malbatî Rev. 20 (2), 141–162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Şopandina dînamîk a biomasa birincê di bin
dermankirinên cihêreng ên nîtrojenê bi karanîna UAV-ya sivik a bi kamerayên wêne-çarçoveya wêneya dualî re bikar tînin. Rêbazên Nebatê 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Ewlekirina domdariyê di çandiniya Hindistanê de bi navgîniya UAV-ya sivîl: perspektîfek nûvekirina berpirsiyar. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Ji bo serîlêdanên bîmeya çandiniya Hindistanê, rêveberiya berpirsiyar a nûvekirinên wesayîtên hewayî yên bêmirov (UAV) yên sivîl. J. Berpirsiyar
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Serlêdana dîmenên hewayê yên kanala xuyayî ya bi rezîliya bilind a kaniya çandiniyê ji bo rêveberiya avdanê ya rast. Agric. Av
Manag. 216, 196-205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. UAV-ya sivik bi fotogrammetrya li ser panelê û cîhgirtina GPS ya yekfrekansê ji bo sepanên metrolojiyê. ISPRS J. Photogramm. Remote Sens. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Platforma IoT-ya Blockchain-ê ji bo rêveberiya operasyonên drone yên xweser. Di: Pêvajoyên 2. ACM
Atolyeya MobiCom li ser Têkiliyên Bêhêl ên Bi Alîkariya Drone ji bo 5G û Derveyî, rûpel 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Meriv çawa gotarek zanistî dinivîse û diweşîne. Weşanxaneya Zanîngeha Cambridge. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Nexşeya cynodon dactylon ji bo çandiniya rezvaniyê ya rast, bi pêvajoyek dara biryarê ya otomatîkî-OBIA û dîmenên UAV-ê veşêrin. Hişyariya Dûr 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. Algorîtmayek otomatîkî ya daristanî-OBIA ji bo Nexşeya zûka giyayan di navbera û di nav rêzên çandiniyê de bi karanîna wêneyên UAV. Remote Sensing 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Pîvana Xweser a Bilindahiya Nebatê ya Genotîpên Genim Using a DSM Derved from UAV Imagery. Pêvajoyên 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Tora dabeşkirina semantîkî ya sivik ji bo nexşeya giyayên rastîn ên ku bi karanîna balafirên bêmirov têne bikar anîn. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng. ISPRS J. Photogramm. Remote Sens. 2018, 146–124.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Teknolojiyên fêrbûna makîneyê û hestiyariya dûr a ku ji bo texmînkirina nîşanên axê têne sepandin - vekolîn. Ecol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Wêneyên UAV-ya hewayê ya bi rezîliya bilind ji bo nirxandina pîvanên taca dara zeytûnê bi karanîna wêneya 3D
nûavakirin: sepan di ceribandinên cotkirinê de. Hişyariya Dûr 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Rêvebiriya kapasîteya balafirgehê: vekolînek û analîzek bibliometric. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Bikaranîna wêneya RapidEye ji bo naskirina guhezbariya nav zeviyê ya mezinbûn û hilberîna çandiniyê li Ontario, Kanada. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Serîlêdana dronên çandiniyê û iot ji bo famkirina zincîra peydakirina xwarinê di dema post COVID-19 de. Li: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Agricultural Informatics: Automation Bi Bikaranîna IoT û Fêrbûna Makîneyê. Wiley, rûpel 67–87. van Eck, N., Waltman, L., 2009. Lêkolîna nermalavê: VOSviewer, bernameyek komputerê ji bo nexşeya bîbliometric. Scientometrics 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Nêrînek li ser Înternetê Tiştan (IoT) û analîtîkên daneyê di çandiniyê de: feyde û dijwar.
IEEE Internet Things J. 5 (5), 3758–3773.
Enciso, J., Avila, CA, Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J., Maeda, M., Chavez, JC, 2019. Validation of agronomic UAV û zeviyê
pîvandin ji bo cureyên tomato. Comput. Electron. Agric. 158, 278-283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Nirxandina stresa avê ya li ser bingehê hestiyariya dûr a germî û pirspektraliya bilind
rezên tirî yên avdanî yên binê erdê. Hişyariya Dûr 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Bikaranîna hestiyariya dûr a hîperspektral ji bo dabeşkirina axê. Remote Sensing 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Di şert û mercên xebitandinê de nirxandina pirjimarî ya refleksa rûbera pirreng û nebatê ya li ser bingeha drone. Hişyariya Dûr 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Lêkolîna teknolojiyên ragihandinê yên bêserûber li ser Înterneta Tiştan ji bo çandiniya rast. Wireless Pers. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Teoriya lêçûnên danûstendinê di lêkolîna karsaziya navneteweyî de: lêkolînek bibliometric ya sê dehsalan. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Pêşveçûn di çandiniya rast de li başûrê-rojhilatê Avusturalya. I. metodolojiya regresyonê ya ji bo simulasyonê
guherbariya mekanî ya di hilberîna dexlê de bi karanîna hilberên padokê yên dîrokî yên cotkaran û nîşana ferqa nebatê ya normalîzekirî bikar tîne. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Zanist, teknolojî û paşeroja dronên xweser ên piçûk. Xweza 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Înterneta tiştan ji bo paşeroja çandiniya jîr: lêkolînek berfireh a teknolojiyên nûjen. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, 'JM, 2019. Parçekirina nebatên hêjîran ji wêneyên hewayî bi karanîna torgilokek şîfreker-dekoder a tevlihev a kûr. Hişyariya Dûr 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. UAV ji bo nirxandina stresa avê ji bo
çandiniya domdar. Agric. Rêvebiriya Avê. 153, 9-19. https://doi.org/10.1016/j. agwat.2015.01.020.
García-Tejero, IF, Rubio, AE, Vinuela, ˜ I., Hern´ andez, A., Guti´errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur´ an-Zuazo, VH, 2018. Wêneya germî li nebatê
asta ku di bin stratejiyên avdana kêmasiyê de rewşa ava çandiniyê ya di darên behîv de binirxîne (cv. Guara). Agric. Rêvebiriya Avê. 208, 176-186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Pîvandinên spektroskopiya fluorescence-ya ronahiyê û tavê bi karanîna UASek piçûk a hyperspectral bikar tînin. Hişyariya Dûr 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Rêbazek otomatîk ji bo
Nexşeya giyayan li zeviyên ceyranê li ser bingeha wêneyên UAV. Comput. Electron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Çandiniya rast û ewlehiya xwarinê. Zanist 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Modelkirina spektral û mekanî ya hevgirtî ya hilberîna ceh li ser bingeha dîmenên hewayî û modelên rûbera çandiniyê yên ku bi pergala balafira bêmirov hatine bidestxistin. Hişyariya Dûr 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Sêwirana domdar ji bo bikarhêneran: vekolînek wêjeyê û analîzek bibliometric. Environ. Sci. Pollut. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Hilberîna rûberên bersivê yên spektral-demî bi berhevkirina satelîta pirspektral û hîperspektral.
Wêneyên UAV ji bo sepanên çandiniyê yên rast. IEEE J. Sel. Kop. Appl. Earth Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Çandiniya bingehîn a IoT wekî ewr û karûbarê daneya mezin: destpêka Hindistana dîjîtal. J. Org. û Bikarhêner End Comput. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Analîza hev-çavkanî û lêgerîna zanîngehên nedîtbar: nirxandinek metodolojîk. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Hejmarên dîjîtal ên nebatên misrî ji hêla Wesayîtên Hewayî yên Bêmirov (UAV). Remote Sensing 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Wesayîtek hewayî ya bêmirov a Rotary-wing ji bo çavdêriya giyayên avî û
serekî. J. Intell. Sîstema Robotîk: Theor. Appl. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Nirxandina rastbûna mozaîkên ji dîmenên wesayîtên hewayî yên bêmirov (UAV) ji bo mebestên çandiniya rast di genim de. Precis. Agric. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ' on, ' D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. Fenotîpkirina zevî ya stresa avê di pîvana darê de ji hêla dîmenên hestiyar ên UAV : dîtinên nû ji bo
bidestxistina termal û calibration. Precis. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Sepandin û sînorên bikaranîna nîşana stresa avê ya çandiniyê wekî nîşana kêmasiya avê li baxçeyên citrus. Agric. Bo. Meteorol. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, 'E., Nortes, PA, Alarcon, ' JJ, Intrigliolo, DS, Fereres, E., 2013. Bikaranîna wêneya germî ya UAV-ê ya bi rezîliya bilind ji bo
guherbariya rewşa avê ya pênc cureyên darên fêkî yên di nav baxçeyek bazirganî de binirxînin. Precis. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Xwendewariya darayî: Vekolînek sîstematîkî û analîzek bibliometric. Int. J. Lêkolînên Serfkaran 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Potansiyela fotogrametrîk a uavsên erzan di daristan û çandiniyê de. Arşîvên Navnetewî yên Fotogrammetrî, Hişyariya Dûr û Zanistên Agahdariya Mekan - Arşîvên ISPRS 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Nirxandina pêwendiya çareseriya bilind
NDVI bi asta serîlêdana zibilê û hilberîna birinc û genim bi karanîna UAVên piçûk. Hişyariya Dûr 11 (2), 112.
Gundolf, K., Filser, M., 2013. Lêkolîna rêveberiyê û ol: analîzek jêder. J. Otobus. Ethics 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simulasyona CFD û verastkirina ezmûnî ya cîhê û belavkirinên demkî yên
herikîna hewaya xwarê ya UAV-ya çandiniyê ya çar-rotor a li hoverê. Comput. Electron. Agric. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz´alez P´erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Polonya, J., 2016.
Serîlêdana pergalên hewayî yên bêmirov ji bo fenotîpkirina berbi berbilind a baxçeyên mezin ên çandiniya genim. Rêbazên Nebatê 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. Wêneya spektral ji UAVs di bin şert û mercên ronahiyê yên cihêreng de . Di GG Bill R. (Ed.), Arşîvên Navneteweyî yên Fotogrammetry, Remote Sensing and Spatial Information Sciences—Arşîvên ISPRS (Vol. 40, Issue 1W2, pp. 189–194). Civaka Navnetewî ya Fotogrammetrî û Hîskirina Dûr. 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. Nirxandina teknîkên ji bo nexşeya nebatên giravê ji hewaya bêpîlot
Wêneyên wesayîtê (UAV): Dabeşkirina Pixel, şirovekirina dîtbar û nêzîkatiyên fêrbûna makîneyê. Int. J. Appl. Earth Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Çandiniya biaqil bi rêberiya berpirsiyar li bangladeşê: îmkan, derfet, û pêve.
Berdewamî 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Di lêkolîna jîngehê de wesayîtên ji dûr ve pîlotkirî yên piçûk. Erdnîgarî Compass 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Wesayîtên hewayî yên bêmirov ên piçuk di pênasîna dûr a hawîrdorê de: dijwarî û derfet. GISci. Remote Sens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: teknolojî û sepan, (1st ed. 2021 edition). Springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004.
Wêneyên ji wesayîtek hewayî ya bêmirov: çavdêriya çandiniyê û piştgiriya biryarê. Comput. Electron. Agric. 44 (1), 49–61. https://doi.org/10.1016/j.
kompag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Fenotîpkirina zeviya berbi bilind a bilindahiya nebatê genim û rêjeya mezinbûnê di ceribandinên komploya zeviyê de bi karanîna hestiyariya dûr a bingehîn a UAV. Remote Sensing 8 (12). https://doi. org/10.3390/rs8121031.
Honkavaara, E., Saari, H., Kaivosoja, J., Pol ¨ onen, ¨ I., Hakala, T., Litkey, P., M¨akynen, J., Pesonen, L., 2013. Pêvajo û nirxandin dîmenên spektrometrîk, stereoskopî yên ku bi karanîna kamerayek spektral a UAV-ya sivik ji bo çandiniya rast têne berhev kirin. Hişyariya Dûr 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Wesayîtên hewayî yên bêpîlot ên kêm-bilind ên ku li ser bingeha karûbarên înternetê yên tiştan in: lêkolînek berfireh û perspektîfên pêşerojê. IEEE Internet Things J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., Roberts, J., 2005. Navîgasyon-herikîna optîk û stereo-bingeha hevgirtî ya kanyonên bajarî ji bo UAV. Li: 2005 IEEE/RSJ
Konferansa Navneteweyî ya li ser Robot û Pergalên Aqilmend, rûpel 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Platformek çandiniyê ya IoT ya Afirîner ji bo hesabkirina mijê ewr. Lêxwedîderketin. Comput. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Torek bi tevahî tevlihev ji bo nexşeya giyayên wesayîta hewayî ya bêpîlot ( UAV) wêne. PLoS YEK 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Fêrbûna kûr li hember Analîzkirina Wêne-based Object (OBIA) di nexşeya giyayên wêneyên UAV de. Int. J.
Remote Sens. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., Ew, Y., Guo, Q., Luo, S., 2021. Kalibrasyona rengê kûr a ji bo dîmenên UAV di çavdêriya çandiniyê de
bikaranîna veguheztina şêwaza semantîk bi baldariya herêmî berbi gerdûnî. Int. J. Appl. Earth Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Pêşkeftin û perspektîfa teknolojiyên wesayîtên hewayî yên bêmirov ji bo hilberîna çandiniyê
serekî. Int. J. Agric. Biol. Eng. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Pêşxistina pergalek sprayê ji bo platformek wesayîta hewayî ya bêpîlot. Appl. Eng. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Bidestxistina wêneyên dîjîtal ên NIR-kesk-şîn ji
balafirên bêmirov ji bo çavdêriya çandiniyê. Hişyariya Dûr 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Nêrîna dûr a çandinî û axê ji bo çandiniya biaqil-based satelît û dron - vekolînek. Soil Sci. Plant Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Vekolînek serîlêdan û teknolojiyên ragihandinê ji bo Înternetê Tiştan (IoT) û
Wesayîta Hewayî ya Bêmirov (UAV) li ser bingeha çandiniya jîr a domdar. Domdarî 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Nirxandina rastbûna modelên rûbera dîjîtal ên bi rezîliya bilind ku ji hêla
PhotoScan® û MicMac® di şert û mercên lêkolînê yên nebaş de. Hişyariya Dûr 8 (6), https://doi.org/10.3390/rs8060465.
Jim´enez-Brenes, FM, Lopez-Granados, 'F., Castro, AI, Torres-S' anchez, J., Serrano, N., Pena, ˜ JM, 2017. Pîvankirina bandorên qutkirinê li ser mîmariya dara zeytûnê û salane mezinbûna kaniyê bi karanîna modela 3D-ya bingehîn a UAV-ê. Rêbazên Nebatê 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Texmînên dendika nebatê yên berhemên genim dema derketinê ji dîmenên UAV yên bilindahiya pir nizm. Remote Sens.
Environ. 198, 105-114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Pergala şopandina hilberên çandiniyê ji hêla hesabkirina ewr ve tê piştgirî kirin. Cluster Comput. 22 (4), 8929–8938.
Ju, C., & Kur, HI 2018a. Nirxandina performansê ya pergalên pir UAV-ê yên ji bo dîtina dûr di çandiniyê de. Karûbarên Atolyeya Li ser Vîzyon û Çalakiya Robotîk di Çandiniyê de li Konferansa Navneteweyî ya IEEE li ser Robotîk û Otomasyonê (ICRA), Brisbane, Avusturalya, 21–26.
Ju, C., Kur, HI, 2018b. Pir pergalên UAV-ê ji bo sepanên çandiniyê: kontrol, pêkanîn û nirxandin. Electronics 7 (9), 162. https://doi.org/10.3390/
elektronîk7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Potansiyela hestiyariya dûr û îstîxbarata çêkirî wekî amûrên çêtirkirina
berxwedana pergalên hilberîna çandiniyê. Curr. Opin. Biotechnol. 70, 15-22. https://doi.org/10.1016/j.copbio.2020.09.003.
Kalischuk, M., Paret, ML, Freeman, JH, Raj, D., Da Silva, S., Eubanks, S., Wiggins, DJ, Lollar, M., Marois, JJ, Mellinger, HC, Das, J. , 2019. Teknîkîyek pêşkeftî ya şopandina çandiniyê ya ku dîmenên çandiniyê yên pirreng bi alîkariya wesayîtên hewayî yên bêmirov di nav pratîka lêgerîna kevneşopî ya ji bo nexweşiya stemê ya di zebeşê de vedihewîne. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Pêşketinên di lêkolîna medya civakî de: paşeroj, niha û pêşeroj. Agahdayin. Syst. Pêşde. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: tora tespîtkirina nexweşiya rez li ser bingeha wêneyên pirreng û nexşeya kûrahiyê. Remote Sensing 12 (20), 3305. https: // doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Berawirdkirina dîmenên pirreng ên satelîtê û UAV-ê yên ji bo rez
nirxandina guherbariyê. Remote Sensing 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain ji bo pîşesaziya xwarinê 4.0 pergala pêşkeftî ya xweşbîn kir ku fêrbûna kûr a pêşkeftî bikar tîne. Sensor 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Tespîtkirina-based wêneya nexweşiyên nebatan: ji fêrbûna makîneya klasîk heya rêwîtiya fêrbûna kûr. Wireless Commun. Comput Mobile. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Çarçoveyek nîv-çavdêrîkirî ya nû ji bo dabeşkirina çandinî / giyayên li ser bingeha UAV. PLoS YEK 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Nêrînek li ser sepanên heyî û potansiyel ên hestiyariya dûr a termal di çandiniya rast de. Comput. Electron.
Agric. 139, 22-32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Pêşveçûna Înternetê ya Tiştan (IoT) û bandora wê ya girîng di warê Çandiniya Rast de. Comput. Electron. Agric. 157, 218-231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Tevlêbûna karmendan ji bo rêxistinên domdar: analîza peyva key bi karanîna analîza tora civakî û teqîn
nêzîkatiya tespîtê. Berdewamî 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integration yên bejayî û dron-borîne
Rêbazên hestiyariya hîperspektral û fotogrammetrîk ji bo nexşeya keşfê û çavdêriya kanan. Remote Sensing 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Jimartina nebatan bi karanîna fêrbûna kûr û wêneyên UAV. IEEE Geosci. Sensên dûr Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Fêrbûna makîneya otomatîkî ya ji bo fenotîpkirina nebatê ya li ser bingeha wêneya berbi bilind. Hîskirina Dûr 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Meylên teknolojîk ên nûjen di pêşkeftina ekosîstema UAVên kargoyê de. J. Phys. Conf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. SLAM-ya dîtbar ji bo heywanên hundurîn û çandiniyê bi karanîna drona piçûk a bi kamerayek monokuler re: lêkolînek fîzîbîlîte.
Drones 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Lêkolîna dronên ji bo otomasyona çandiniyê ji çandiniyê heya
paleyî. Li: INES 2018 - IEEE 22nd Konferansa Navneteweyî ya li ser Pergalên Endezyariya Zehmetkêş, rûpel 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Nêrîn û kêşeyên çarçoweya UAV IoT: ber bi parastina dronên wekî "Tişt". Sensor 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Pêvajoyên pêvajokirin û dabeşkirina wêneyê ji bo analîzkirina dîmenên jêr-desîmetre yên ku bi balafirek bêmirov li ser hişk hatine bidestxistin
rangelands. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Balafirên bêmirov ên ji bo nexşekirin û çavdêrîkirina zeviyan: berhevdana du pergalan. Gotarên Konferansa Salane ya ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Xebatek çavkaniyek vekirî ya ji bo nexşeya giyayên li çîmenên xwecihî
bikaranîna wesayîta hewayî ya bêmirov: Bikaranîna Rumex obtusifolius wekî lêkolînek dozê. Eur. J.Remote Sens. 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Pejirandin, qezenckirin, û çêtir karanîna daneyên çandiniya rast.
Kaxeza xebatê. Zanîngeha Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Nirxandina dîmenên wesayîtên hewayî yên bêmirov ji bo şopandina mîqdar a çandiniya genim di pariyên piçûk de. Sensor 8 (5), 3557-3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Sêwirana çandiniya jîr li ser bingeha daneyên mezin û Internetnternetê ya tiştan. Int. J. Distrib. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Texmîna ji dûr ve ya bilindahiya kaniyê û biomasa jorîn a misrê bi karanîna wêneyên stereo-çareseriyê yên bilind ji sîstema wesayîtên hewayî yên bêmirov ên kêm-mesref. Ecol. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Fêrbûna makîneyê di çandiniyê de: vekolînek. Sensor 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Ji dûr ve, fenotîpkirina hewayê ya taybetmendiyên misrî bi nêzîkatiyek pir-sensor a mobîl. Rêbazên Nebatê 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Vedîtin û hejmartina panîkê ya sorgulê bi karanîna wêneyên pergala hewayî ya bêmirov û fêrbûna kûr. Pêşde. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Pergala şopandina Înternetê ya Tiştan a eko-cotîna nûjen a ku li ser bingeha hesabkirina ewr e. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Tespîtkirina giyayan ji bo rêveberiya giya-taybetî: nexşe û nêzîkatiyên rast-dem. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, 'F., Torres-Sanchez, 'J., De Castro, A.-I., Serrano-P'erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Çavdêriya zû-based objeyan a giyayek di nav giyayek de bi karanîna wêneya UAV-ê ya rezîliya bilind. Agron. Lêxwedîderketin. Dev. 36 (4), 1–12
Lopez-Granados, 'F., Torres-S' anchez, J., Serrano-P'erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Nexşeya gîhaya destpêka demsala di gulberojê de bi karanîna teknolojiya UAV: guhezbariya nexşeyên dermankirina giyayê li hember bendên giyayan. Precis. Agric. 17 (2), 183-199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS - spektroskopiya wênegiriyê ji pergala balafira bêmirov a multirotor. J. Field Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Lêgerîna lazerê ya erdê berhemên çandiniyê. Di JJ
Chen J. Maas H–G. (Ed.), Arşîvên Navneteweyî yên Fotogrammetrî, Remote Sensing û Zanistên Agahdariya Mekan-Arşîvên ISPRS (Vol. 37, pp. 563–566).
Civaka Navnetewî ya Fotogrammetrî û Hîskirina Dûr. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma. ISPRS J. Photogramm. Remote Sens. 2017,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektîfên ji bo dîtina ji dûr ve bi wesayîtên hewayî yên bêmirov di çandiniya rast de. Trends Plant Sci. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Pergala hewayî ya bêmirov (UAS)-based fenotîpkirina soya bi karanîna hevgirtina daneya pir-sensor û makîneya fêrbûna tund. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Çavdêriya çandiniyê bi karanîna hevgirtina daneya satelîtê / UAV û fêrbûna makîneyê. Remote Sensing 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G ., Müllerov, 'J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Li ser bikaranîna sîstemên hewayî yên bêpîlot ji bo
çavdêriya jîngehê. Hişyariya Dûr 10 (4), 641.
Marinko, RA, 1998. Citations ji bo kovarên lêkolînên jinan di tezê de, 1989 û The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Rêvebiriya çavkaniyê di torên wireless yên bi alîkariya UAV-ê de: perspektîfek xweşbîniyê. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Serîlêdanên pratîkî yên platformek UAV-ê ya pirsensor ku li ser bingeha wêneyên pirzimanî, germî û RGB-ê bi hûrgulî ye
rezvanî. Çandinî 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Ji bilî nîşana kevneşopî ya NDVI wekî faktorek sereke ya sereke ya karanîna UAV-ê di rezvaniya rastîn de. Sci. Rep. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 Hevberhevkirina UAV, balafir
û platformên dûrbîna satelîtê ji bo rezvaniya rast. Remote Sensing 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Paqijkirina UAV û fêrbûna makîneyê ya li ser bingeha pêvekek nebatê ya satelîtê ji bo rastbûnê
cotyarî. Sensor 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Nexşeya nivîskaran di qada rewşenbîrî de: nêrînek teknîkî. J. Am. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Modelkirina erozyona çandiniyê: nirxandina erozyonê-pîvana zeviyê USLE û WEPP bi karanîna daneyên rêzikên demjimêr ên UAV. Environ. Modell. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Dabeşkirina civakên çîmenên xwecihî yên nizm bi karanîna Wêneyên Pergala Balafirên Bêmirov (UAS) yên hîperspektral di nav de
Midlands Tasmanian. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. Serîlêdanên dîmenên germî yên UAV-ê di çandiniya rast de: rewşa hunerî û nêrîna lêkolîna pêşerojê. Hişyariya Dûr 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Lêkolînek bîbliyografîk li ser daneyên mezin: têgeh, meyl û dijwar. Rêvebirê Pêvajoya Karsaziyê. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Pêşveçûna çandiniyê bi karanîna daneyên çerxa jiyanê yên ku di bin şert û mercên zeviyê de hatine bidestxistin. Pêşde. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Vekolîna li ser sepana pergalên drone di çandiniya rast de. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Guherbariya cîhê ya naveroka klorofîl û nîtrojenê ya birincê ji dîmenên hîperspektral. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. Analîzkirina daneyên IoT û çandiniyê ji bo cotkariyek jîr. Comput. Electron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Di entomolojiyê de profîla hestiyariya dûr û refleksê. Annu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Nexşeya multispectral di çandiniyê de: mozaîka erdê bi karanîna UAVek quadcopter a xweser. Int. Conf.
Balafirên Bêmirov Syst. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Înterneta tiştên drone (Iodt): xeyala pêşerojê ya dronên jîr. Adv. Intell. Syst. Comput. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Sensorek pirrengî ya sivik ji bo mîkro UAV-derfetên ji bo pêhesîna ji dûr ve ya hewayê ya bi rezîliya pir bilind. Int. Taqa. Photogramm. Remote Sens. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Di çandiniyê de serîlêdanên UAV yên derketine. Li: 2019 Konferansa Navneteweyî ya 7-an li ser Teknolojiya Intelligence Robot û
Serlêdan (RiTA), rûpel 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Struktura rewşenbîrî ya qada rêveberiya stratejî: analîzek hev-çavkanî ya nivîskar. Strateg. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Nasname û çavdêriya otomatîkî ya nexweşiyên nebatê bi karanîna wesayîtên hewayî yên bêmirov: vekolînek. Hişyariya Dûr 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV ji bo sepanên nexşeya 3D: vekolînek. Appl. Geomatîk 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Texmîna vapotranspirasyonê bi UAVên piçûk di çandiniya rast de. Sensor 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrics, Citation Analysis and Co-Citation Analysis. Bersivdaneke Wêjeyî 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, sensor, û pêvajoya daneyê di çandiniyê de: vekolînek li ser sepanên pratîkî. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, DY, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Vekolînek li ser çareseriyên daneya dron-bingeha ji bo çandiniyên dexl. Drones 4 (3), 1–29. https://doi.org/10.3390/
drones4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Texmînkirina naveroka rûn û proteîn a tovên sesame bi karanîna pêvajoyek wêneyê û tora neuralî ya çêkirî. J. Am. Rûn
Kîmyazan Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Nexşeya giyayan di zeviyên misirê yên destpêka demsala de bi karanîna analîza-based object ji
Wêneyên wesayîtên hewayî yên bêmirov (UAV). PLoS YEK 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Pergalek nîv-serperiştkirî ji bo nexşeya giyayên di çandiniyên gulberojê de bi karanîna balafirên bêmirov û rêbazek tespîtkirina rêza çandiniyê. Appl. Soft Comput. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Amûrên IoT yên lêçûn-bandor wekî çavkaniyên daneya pêbawer ên ji bo pergala rêveberiya avê ya bingehîn a blokê di çandiniya rast de. Comput. Electron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Pergala pêşkeftî ya UAV-WSN ji bo çavdêriya hişmendî di çandiniya rast de. Sensor 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Serîlêdanên Blockchain di zincîreyên peydakirinê, veguheztin û lojîstîk de: vekolînek birêkûpêk a wêjeyê. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Wesayîtek bêmirov a nerm a ji bo çandiniya rast.
Precis. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliyografyaya statîstîkî an jî bîbliometric. J. Belge. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Ji bo nirxandina zeviyên ceribandî û çandiniyê guncanbûna wesayîtek hewayî ya bêmirov (UAV). Çandinî 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Dronên çandiniyê: di çandiniya rast de serkeftinek nûjen. J. Statis. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Berhevokek serîlêdanên UAV ji bo çandiniya rast. Comput. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Serîlêdana analîtîkên daneyên mezin û îstîxbarata sûnî di lêkolîna agronomîkî de. Hindî J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Analîzek bibliometric li ser karanîna balafirên bêmirov di lêkolînên çandinî û daristanê de. Int. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Bikaranîna potansiyel a pergalên balafirên piçûk ên bêmirov (UAS) di lêkolîna giyayan de. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Indeksên nebatê ji kamerayên pola xerîdar ên ku li ser hatine çêkirin in
UAV ji bo nirxandina nexşeyên ceribandinê têra xwe pêbawer in? Eur. J. Agron. 74, 75-92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Dîjîtalîzasyon di zincîreyên dabînkirina xwarinê de: vekolînek bibliometric û riya sereke ya sereke
lêkolîne. Domdarî 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drones ji bo rêveberiya zincîra peydakirinê û lojîstîk: rojevek lêkolîn û lêkolînê. Int. J. Logist. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Teknolojiyên Blockchain di lojîstîk û rêveberiya zincîra peydakirinê de: lêkolînek bibliometric. Lojîstîk 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Dronên mirovahî: rojevek vekolîn û lêkolînê. Înterneta Tiştan 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Lêkolîna Blockchain di lênihêrîna tenduristiyê de: vekolînek bibliometric û meylên lêkolînê yên heyî. J. ya Daneyên, Inf. û
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Lêkolîna Înternetê ya Tiştan di rêveberiya zincîra peydakirinê û lojîstîkê de: analîzek bibliometric. Înternet
tiştên 12, 100318.
ReportLinker, 2021. Bazara Dronên Çandiniyê ya Gerdûnî heya Salê bigihîje 15.2 mîlyar dolarên Amerîkî GlobeNewswire Odeya Nûçeyan. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Sal-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T.,Moreno, MA, 2017. Kalibrasyona kameraya termal a bê sar û xweşbînkirina
pêvajoya photogrammetry ji bo sepanên UAV di çandiniyê de. Sensor (Swîsre) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Pêşketinên di lêkolîna mêvanperweriyê de: "Ji Rodney Dangerfield heta Aretha Franklin". Int. J. Contempor. Nexweşxane. Manag. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, 'JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Sîstema hestiyar a bingehîn a Mini-UAV ji bo pîvandina guhêrbarên jîngehê di serayan de. Sensor 15 (2), 3334-3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV-a pola xerîdar ku ji bo tespîtkirin û analîzkirina şêwazên belavkirina cîhê giyayên dereng ên demsala li zeviyên pîvazê bazirganî tê bikar anîn. Precis. Agric. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Bêpîlot wesayîta hewayî (UAV) ji bo sepanên daristan û çandiniyê pergala kameraya spektral tê xebitandin. Pêşçûn. SPIE - Int. Soc. Opt. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analîza astengên ji bo pêkanîna lojîstîka drone. Int. J. Logist. Res. Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, drone-based IOT ji bo baştirkirina kalîteya çandiniyê di zeviya çandiniyê de. Li Ş
N. Chakrabarti S. (Ed.), 2018 IEEE 8-emîn Atolye û Konferansa Komputer û Ragihandinê ya Salane, CCWC 2018 (Cild. 2018-Çile, pp. 612–615). Enstîtû
Endezyarên Elektrîk û Elektronîkî Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: danûstendinek nû û bikêr a LED-ê ji bo çandiniya rast. IEEE Conf. Info. Commun. Technol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Ceribandinên firîna UAV ji bo hestiyariya dûr a deverên nebatî têne sepandin. Hişyariya Dûr 6 (11), 11051–11081. https://doi.org/10.3390/rs61111051.
Sankaran, S., Khot, LR, Espinoza, CZ, Jarolmasjed, S., Sathuvalli, VR, Vandemark, GJ, Miklas, PN, Carter, AH, Pumphrey, MO, Knowles, NRN, Pavek, MJ, 2015.
Pergalên wênekêşiya hewayê yên nizm, bi rezîliya bilind ji bo fenotipkirina rêz û zeviyê: vekolînek. Eur. J. Agron. 70, 112-123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Wêneya germî ya li ser bingeha UAV-ê ya rezîliya bilind ku texmîn dike
guherbariya tavilê û demsalî ya rewşa ava nebatê di nav rez. Agric. Rêvebiriya Avê. 183, 49-59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Ji hêla analîza vegotinê ve: Modelek ji bo nirxandina bandora lêkolînê. J. Med. Pirtûkxaneyê Doç. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Spectroscopy imaging related zanistiya pergala erdê - nirxandinek. Remote Sens. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Çavdêriya Parametreyên Agronomîkî yên zeviyên genimê zivistanê bi UAV-ya erzan
imagery. Remote Sensing 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Pêşveçûn û serîlêdana wesayîtek hewayî ya bêmirov a xweser ji bo nimûneyên aerobiolojîk ên li jor
zeviyên çandiniyê. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Çalakkirina çandiniya rast bi navgîniya hestiyariyê ya bi îstîxbarata çêkirî. IEEE Trans. Instrum. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Xelîl, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Wesayîtên hewayî yên bêmirov (UAV): anketek li ser sepanên sivîl û kêşeyên lêkolînê yên sereke. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Çandiniya bi daneya mezin: di cotkirina nebatan de analîtîkên daneyên mezin, genomîk, û karanîna hestiyariya dûr
teknolojiyên ji bo pêşdebirina hilberîna çandiniyê. Phenome Plant J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Di Vekolînên Dadwerî de Analîza Berawirdî û Encama UAV û AI. Li: Pêvajo - 2019 Amity International
Konferansa li ser îstîxbarata sûnî. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Rola îstîxbarata sûnî di rêveberiya zincîra peydakirinê de: nexşeya axê. Int. J.
Prod. Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., metran, parlamenter, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Îbrahîm, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., XNUMX. Wesayîtên hewayî yên bêpîlot ji bo fenotyping û lêkolîna agronomîkî ya bilind. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Girtina heterojeniya stûna misirê li deverên îstiqrara berberiyê bi karanîna Balafirên Bêmirov
Vehicles (UAV). Sensor 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Hevpeyvîn di wêjeya zanistî de: pîvanek nû ya têkiliya di navbera du belgeyan de. J. Am. Soc. Info. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Dîtbarkirina zanistê ji hêla nexşeya navgîniyê ve. J. Am. Soc. Info. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Dewarên li çolê bi dîmenên hewayî yên jeolokkirî li qadên mêrgên mezin têne hejmartin. Comput. Electron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Nêzîkatiyek ji bo xweşbînkirina rêyê di sepanên çandiniya rast de ku UAV bikar tînin. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Di sedsala 21-an de sepandina çandiniya rast. J. Agric. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Nirxandina ziwabûna genim ji hêla dîmenên hestiyar ji dûr ve bi karanîna wesayîta hewayî ya bêpîlot. Di sala 2018-an de 37-emîn Konferansa Kontrolê ya Chineseînî (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Bi fêrbûna ji dîmenên hewayî yên UAV-ya pir-spektral ve çavdêriya zengila zer a genim.
Comput. Electron. Agric. 155, 157-166. https://doi.org/10.1016/j. kompag.2018.10.017.
Su, Y., Wang, X., 2021. Nûbûniya rêveberiya aboriya çandiniyê di pêvajoya avakirina çandiniya jîr de ji hêla daneyên mezin ve. Comput Sustainable. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Nirxandina hesasiyeta pergala hewayî ya infrasor a termal a bêpîlot ji bo tesbîtkirina stresa avê di kavilek pembû de. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Yekbûna nîşana nebatê ya RGB-based, modela rûbera çandiniyê û nêzîkatiya analîza wêneyê-based tiştan ji bo texmînkirina berberiya kaniya şekir bi karanîna wesayîta hewayî ya bêpîlot. Comput. Electron. Agric. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Suomalainen, J., Anders, N., Iqbal, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. Pergala nexşeya hîperspektral a sivik-weight ji bo
balafirên bêmirov - encamên yekem. Li: 2013 5. Atolyeya li ser Wêneya Hîperspektral û Pêvajoya Signalê: Pêşveçûn di Hînbûna Dûr de (WHISPERS), rûp 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. A hyperspectral sivik
pergala nexşeyê û zincîra hilberandina fotogrametrîk ji bo balafirên bêmirov. Hişyariya Dûr 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Stratejiyên kontrolê yên pêşkeftî bi karanîna hilanîna wêneyê, UAV û AI-ê di çandiniyê de: Lêkolînek. Cîhan J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Pêvajoya agahiyê bi karanîna navgînan ji bo vekolîna bandora kovarê di hesabkirinê de. Inf. Doz. Rêvebirin. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Lêkolînek li ser tora 5G û bandora wê li ser çandiniyê: Pirsgirêk û derfet. Comput.
Electron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Di çandiniya rast de biryargirtina daneyan: bilindbûna daneyên mezin di pergalên çandiniyê de. J. Agric. Agahdariya Xwarinê.
20 (4), 344 – 380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Texmînkirina berberî û bilindahiya nebatê genimê zivistanê bi karanîna UAV- wêneyên hîperspektral ên bingehîn.
Sensor 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Nimûneya aerobiyolojîk a hevrêz a pathogenek nebatê ya di atmosfera jêrîn de bi karanîna du wesayîtên hewayî yên bêmirov ên xweser. J. Field Rob. 27 (3), 335–343. https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020. Tesbîtkirin û dabeşkirina kêzikên soya bi karanîna fêrbûna kûr
bi wêneyên UAV. Comput. Electron. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. Bikaranîna Uas ji bo Nirxandina Pergalên Çandiniyê li AN Wetland li Tanzanyayê di- Û WetSeason ji bo Çandiniya Berdewam û Pêşkêşkirina Rastiya Zevî ji bo Daneyên Terra-Sar X. Di: ISPRS - Arşîvên Navneteweyî yên Fotogrammetrî, Remote Sensing û Zanistên Agahdariya Cihanî, rûpel 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrics to webometrics. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Rêbazek xweser-based object ji bo bendkirina herî baş a di wêneyên UAV de: serîlêdana ji bo tespîtkirina nebatê di zeviyên giyayî de. Comput. Electron. Agric. 114, 43-52. https://doi.org/10.1016/j.compag.2015.03.019.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Serrano, N., Arquero, O., Pena, ˜ JM, Hassan, QK, 2015. Çavdêriya 3-D ya bilind a çandiniya darên çandiniyê bi Teknolojiya wesayîtên hewayî yên bêmirov (UAV). PLoS YEK 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Nexşeya pir-demî ya perçeya nebatê di zeviyên genim ên destpêka demsalê de bi karanîna wêneyên ji UAV. Comput. Electron. Agric. 103, 104-113. https://doi.org/10.1016/j. kompag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Vekolînek li ser serîlêdanên UAV-based ji bo çandiniya rast. Agahî (Swîsre) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimîzekirina plansaziya firînê ya drone ji bo pîvandina strukturên çandiniya darên baxçevanî. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Înternetê ya Tiştan di çandiniyê de, pêşkeftinên dawî û dijwariyên pêşerojê. Biosyst. Eng. 164, 31-48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Nexşeya zanistî ya lêkolîna zanistiya komputerê li Meksîkayê. Scientometrics 105 (1), 97–114.
UN., 2019. Perspektîfên nifûsa cîhanê 2019. https://population.un.org/wpp/ (Di 15/04/2022 de hate gihîştin).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Karakterîzekirina pîvazên birincê ji hêla pergala senzorê ya hîperspektral a mînîature ya UAV-ê ve. IEEE J. Sel. Kop. Appl. Earth Obs.
Remote Sens. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Drones in
cotyarî. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Wesayîtên hewayî yên bêmirov (UAV) di çandiniya rast de: serîlêdan û dijwarî. Enerjî 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Nexşe û dabeşkirina jîngehên deryayî yên hesas ên ekolojîk bi karanîna Hewayên Bêmirov
Wêneyên Vehicle (UAV) û Analîzkirina Wêne-Bingeha Objekt (OBIA). Hişyariya Dûr 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Indeksa qada kesk ji pergalek hewayî ya bêmirov li ser zeviyên genim û tecawizê . Remote Sens. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. Bicihkirina çar senzorên UAV-ya optîkî li ser çîmen: dijwarî û
sînorkirinên. Biogeosciences 12 (1), 163-175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Înterneta tiştên binerd di çandiniya rast de: aliyên mîmarî û teknolojiyê. Ad Hoc Netw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Berpirsiyar îstîxbarata sûnî wekî hêmanek veşartî ji bo tenduristiya dîjîtal: analîza bîbliometric, têgihîştin, û rêwerzên lêkolînê.
Info. Syst. Pêşde. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Analîzkirina Încîlê ya meyla lêkolînê ya ji dûr ve di şopandina mezinbûna çandiniyê de: Lêkolînek dozê li Chinaînê. Remote Sensing 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Hevbendiya nivîskar: Pîvanek edebî ya avahiya rewşenbîrî. J. Am. Soc. Info. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Pêşxistina pergala lêçûnek dûr a çandiniyê ya li ser bingeha wesayîtek hewayî ya bêmirov a xweser (UAV). Biosyst. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Vekolînek li ser taybetmendiyên fenotîpkirina nebatê ya bilind a ku bi karanîna senzorên UAV-ê têne bikar anîn. Comput. Electron. Agric. 178, 105731 https://doi.org/10.1016/j.
kompag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Wesayîta hewayî ya bêmirov ji bo sepanên hestiyariya dûr - vekolînek. Hişyariya Dûr 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Veguheztina şopandina mirovan û rakirina şopa derewîn bi wênekêşiya termal a infrared ji hêla multirotor ve. Drones 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. Berawirdkirina pîvanên çandiniyê bi karanîna wêneyan ji UAV-siwarkirî
Snapshot sensor hyperspectral û kameraya dîjîtal a pênase bilind. Hişyariya Dûr 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Texmîna biomasa genimê zivistanê ya li ser erdê bi karanîna wesayîta hewayî ya bêmirov- wêneya bingehîn
modelên çêtirkirina senzora hîperspektral û bilindahiya çandiniyê. Hişyariya Dûr 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Bikaranîna balafirên bêmirov ên sivik ji bo şopandina vejandina daristanên tropîkal. Biol.
Conserv. 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.
Platforma IoT ya çandiniya biaqil ku li ser bingeha hesabkirina qerax û ewr e. Biosyst. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Pîvankirina bilindahiya darê bi karanîna wêneyên rezîliya pir bilind ên ku ji hewaya bêmirov hatine wergirtin
wesayît (UAV) û rêbazên nûavakirina wêneya 3D-ya otomatîk. Eur. J. Agron. 55, 89-99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Fenotîpkirina li ser bingeha wêneyê ya xurtbûna kulîlkan di zeviyên demsala sar de. Sensor 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Serîlêdana pergalên hewayî yên piçûk ên bêpîlot ji bo çandiniya rast: vekolînek. Precis. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Nexşeya stresa avê ya misrî li ser bingeha hîskirina dûr a pirspektral a UAV. Hişyariya Dûr 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz´ alez-Moreno, P., Ma, H., Ye, H., Sobeih , T., 2019. Nêzîkatiyek li ser bingeha fêrbûna kûr a ji bo zenga zer a otomatîk
tespîtkirina nexweşiyê ji wêneyên UAV-ê yên hîperspektral ên bi rezîliya bilind. Hişyariya Dûr 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Tesbîtkirin û cudakirina nexweşî û stresa kêzikan a nebatên çayê bi karanîna wênekêşiya hîperspektral bi hev re bi analîza pêlekê re. Comput. Electron. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Tespîtkirina fenolojiya birinc bi riya analîza rêzikên demkî yên spektral-based erdê daneyên index. Field Crops Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Sêwirana pergalek tov rijandina çandiniyê ya rast a ku li ser bingeha senzorên bêtêl pêk tê. Int. J. Îngiliz liserxetê. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analîzkirina guheztinên bilindahiya nebatê yên goştê barkirî bi karanîna daneyên UAV-LiDAR. Çandinî 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Nermalava analîza wêneya mêşan ku fêrbûna kûr ji bo fenotîpkirina nebatê ya berbelav bikar tîne. . Rêbazên Nebatê 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. Pêşbînkirina hilberîna genim birinc bikaranîna nebatên pir-demî
nîşaneyên ji wêneyên pirreng û dîjîtal ên bingehîn ên UAV. ISPRS J. Photogramm. Remote Sens. 130, 246-255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulasyona teknolojiya bingehîn a pergala çavdêriya serayê ku li ser bingeha torgilokek hestiyar a bêtêlê ye. Int. J. Îngiliz liserxetê. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Nirxandina stresa ava çandiniyê bi dîmenên germî yên infrasor di çandiniya rast de: vekolînek
û perspektîfên pêşerojê yên ji bo serîlêdanên fêrbûna kûr. Comput. Electron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.