અબ્દેરહમાન રેજેબ a , અલીરેઝા અબ્દોલ્લાહી b , કરીમ રેજેબ c , હોર્સ્ટ ટ્રેબ્લમેયર d,
- a ડિપાર્ટમેન્ટ ઓફ મેનેજમેન્ટ એન્ડ લો, ફેકલ્ટી ઓફ ઇકોનોમિક્સ, યુનિવર્સિટી ઓફ રોમ ટોર વર્ગાટા, વાયા કોલંબિયા, 2, રોમ 00133, ઇટાલી
- b ડિપાર્ટમેન્ટ ઑફ બિઝનેસ એડમિનિસ્ટ્રેશન, ફેકલ્ટી ઑફ મેનેજમેન્ટ, ખરાઝમી યુનિવર્સિટી, 1599964511 તેહરાન, ઈરાન
- c બિઝર્ટેની સાયન્સ ફેકલ્ટી, યુનિવર્સિટી ઓફ કાર્થેજ, ઝારઝૌના, 7021 બિઝેર્ટ, ટ્યુનિશિયા
- d સ્કૂલ ઓફ ઇન્ટરનેશનલ મેનેજમેન્ટ, મોડ્યુલ યુનિવર્સિટી વિયેના, એમ કેહલેનબર્ગ 1, 1190 વિયેના, ઑસ્ટ્રિયા
લેખ માહિતી | અમૂર્ત |
કીવર્ડ્સ: ડોન યુએવી ચોકસાઇ કૃષિ વસ્તુઓના ઈન્ટરનેટ બાઇબલિયોમેટ્રિક્સ | ડ્રોન, જેને માનવરહિત એરિયલ વ્હીકલ (યુએવી) પણ કહેવાય છે, તાજેતરના દાયકાઓમાં નોંધપાત્ર વિકાસ જોવા મળ્યો છે. કૃષિમાં, તેઓએ ખેડૂતોને નોંધપાત્ર ખર્ચ બચત ઓફર કરીને ખેતીની પદ્ધતિઓ બદલી છે, વધારો કર્યો છે ઓપરેશનલ કાર્યક્ષમતા, અને વધુ સારી નફાકારકતા. છેલ્લા દાયકાઓમાં, કૃષિ ડ્રોનનો વિષય છે નોંધપાત્ર શૈક્ષણિક ધ્યાન આકર્ષિત કર્યું. તેથી અમે બાઇબલિયોમેટ્રિક્સ પર આધારિત વ્યાપક સમીક્ષા કરીએ છીએ વર્તમાન શૈક્ષણિક સાહિત્યનો સારાંશ અને સંરચના કરવા અને વર્તમાન સંશોધન વલણો અને હોટસ્પોટ્સ જાહેર કરવા. અમે બાઇબલિયોમેટ્રિક તકનીકો લાગુ કરો અને સારાંશ માટે કૃષિ ડ્રોનની આસપાસના સાહિત્યનું વિશ્લેષણ કરો અને અગાઉના સંશોધનનું મૂલ્યાંકન કરો. અમારું વિશ્લેષણ સૂચવે છે કે રિમોટ સેન્સિંગ, પ્રિસિઝન એગ્રીકલ્ચર, ડીપ લર્નિંગ, મશીન લર્નિંગ અને ઈન્ટરનેટ ઓફ થિંગ્સ એ કૃષિ ડ્રોનથી સંબંધિત મહત્ત્વના વિષયો છે. સહ-ઉદ્ધરણ વિશ્લેષણ સાહિત્યમાં છ વ્યાપક સંશોધન ક્લસ્ટરો દર્શાવે છે. આ અભ્યાસ કૃષિમાં ડ્રોન સંશોધનનો સારાંશ આપવા અને ભાવિ સંશોધન દિશાઓ સૂચવવાના પ્રથમ પ્રયાસોમાંનો એક છે. |
પરિચય
કૃષિ વિશ્વના પ્રાથમિક ખાદ્ય સ્ત્રોતનું પ્રતિનિધિત્વ કરે છે (ફ્રિહા એટ અલ., 2021), અને તેને કારણે તે ગંભીર પડકારોનો સામનો કરી રહી છે.
ખાદ્ય ઉત્પાદનોની વધતી જતી માંગ, ખાદ્ય સુરક્ષા અને સુરક્ષાની ચિંતાઓ તેમજ પર્યાવરણીય સંરક્ષણ, પાણીની જાળવણી અને
ટકાઉપણું (Inoue, 2020). આ વિકાસ ચાલુ રહેવાની આગાહી છે કારણ કે 9.7 સુધીમાં વિશ્વની વસ્તી 2050 અબજ સુધી પહોંચવાનો અંદાજ છે.
(2019). કૃષિ વૈશ્વિક સ્તરે પાણીના વપરાશનું સૌથી અગ્રણી ઉદાહરણ હોવાથી, એવી અપેક્ષા રાખવામાં આવે છે કે ખોરાકની માંગ અને પાણી
નજીકના ભવિષ્યમાં વપરાશ નાટકીય રીતે વધશે. આ ઉપરાંત, ખાતરો અને જંતુનાશકોનો વધતો વપરાશ
ખેતીની પ્રવૃતિઓની તીવ્રતા સાથે ભવિષ્યમાં પર્યાવરણીય પડકારોનો સામનો કરવો પડી શકે છે. તેવી જ રીતે, ખેતીલાયક જમીન મર્યાદિત છે, અને
વિશ્વભરમાં ખેડૂતોની સંખ્યા ઘટી રહી છે. આ પડકારો નવીન અને ટકાઉ ખેતી ઉકેલોની જરૂરિયાત પર ભાર મૂકે છે (એલિજાહ
એટ અલ., 2018; ફ્રીહા એટ અલ., 2021; Inoue, 2020; ત્ઝોનિસ એટ અલ., 2017).
આ પડકારોને પહોંચી વળવા માટે નવીન તકનીકોનો સમાવેશ એક આશાસ્પદ ઉકેલ તરીકે ઓળખવામાં આવ્યો છે. સ્માર્ટ ફાર્મિંગ (બ્રુસ્ટર એટ અલ.,
2017; તાંગ એટ અલ., 2021) અને પ્રિસિઝન એગ્રીકલ્ચર (ફેંગ એટ અલ., 2019; ખન્ના અને કૌર, 2019) આવી ચર્ચાઓના પરિણામે ઉભરી આવ્યા છે. આ
ભૂતપૂર્વ એ કાર્યક્ષમતા અને કાર્યક્ષમતા વધારવા માટે માહિતી સંચાર તકનીકો (ICT) અને ખેતીની પ્રવૃત્તિઓમાં અન્ય અદ્યતન નવીનતાઓ અપનાવવા માટેની સામાન્ય કલ્પના છે (હક એટ અલ., 2021). બાદમાં સાઇટ-વિશિષ્ટ વ્યવસ્થાપન પર ધ્યાન કેન્દ્રિત કરે છે જેમાં જમીનને વિભાજિત કરવામાં આવે છે
સજાતીય ભાગો, અને દરેક ભાગ નવલકથા તકનીકો (ફેંગ એટ અલ., 2019; ખન્ના અને કૌર, 2019) દ્વારા પાકની ઉપજ ઑપ્ટિમાઇઝેશન માટે કૃષિ ઇનપુટની ચોક્કસ રકમ મેળવે છે. આ ક્ષેત્રમાં વિદ્વાનોનું ધ્યાન આકર્ષિત કરતી અગ્રણી તકનીકોમાં વાયરલેસ સેન્સર નેટવર્ક્સ (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), ઇન્ટરનેટ ઓફ થિંગ્સ (IoT) (ગિલ એટ અલ., 2017; હી એટ અલ., 2021; લિયુ એટ અલ., 2019),
આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) તકનીકો, જેમાં મશીન લર્નિંગ અને ડીપ લર્નિંગ (લિયાકોસ એટ અલ., 2018; પરસેઇયન એટ અલ., 2020; શેડ્રિન એટ અલ.,
2019), કોમ્પ્યુટીંગ ટેક્નોલોજીઓ (હસુ એટ અલ., 2020; જિન્બો એટ અલ., 2019; ઝામોરા-ઇઝક્વીર્ડો એટ અલ., 2019), બિગ ડેટા (ગિલ એટ અલ., 2017; તાંતલાકી
et al., 2019), અને બ્લોકચેન (PW Khan et al., 2020; Pincheira et al., 2021).
ઉપરોક્ત તકનીકો ઉપરાંત, રિમોટ સેન્સિંગને સુધારવાની ઉચ્ચ સંભાવનાઓ સાથેનું એક તકનીકી સાધન માનવામાં આવે છે.
સ્માર્ટ અને ચોકસાઇવાળી ખેતી. ઉપગ્રહો, માનવ-ક્રુડ એરક્રાફ્ટ અને ડ્રોન લોકપ્રિય રિમોટ-સેન્સિંગ ટેકનોલોજી છે (Tsouros et al., 2019).
માનવરહિત એરિયલ વ્હીકલ્સ (યુએવી), માનવરહિત એરક્રાફ્ટ સિસ્ટમ્સ (યુએએસ) અને રિમોટલી પાયલોટેડ એરક્રાફ્ટ તરીકે લોકપ્રિય ડ્રોન છે.
અન્ય રિમોટ-સેન્સિંગ ટેક્નોલોજીની સરખામણીમાં તેમની પાસે બહુવિધ ફાયદા હોવાથી ખૂબ મહત્વ છે. ઉદાહરણ તરીકે, ડ્રોન પહોંચાડી શકે છે
વાદળછાયું દિવસોમાં ઉચ્ચ-ગુણવત્તાવાળી અને ઉચ્ચ-રિઝોલ્યુશન છબીઓ (મેનફ્રેડા એટ અલ., 2018). ઉપરાંત, તેમની ઉપલબ્ધતા અને સ્થાનાંતરણની ગતિ અન્ય રચના કરે છે
લાભો (Radoglou-Grammatikis et al., 2020). એરક્રાફ્ટની તુલનામાં, ડ્રોન ખૂબ ખર્ચ-કાર્યક્ષમ અને સેટ કરવા અને જાળવવામાં સરળ છે (Tsouros et al., 2019). શરૂઆતમાં મુખ્યત્વે લશ્કરી હેતુઓ માટે ઉપયોગમાં લેવાતા હોવા છતાં, ડ્રોન અસંખ્ય નાગરિક કાર્યક્રમોને લાભ આપી શકે છે, ઉદાહરણ તરીકે સપ્લાય ચેઇન મેનેજમેન્ટ (A. Rejeb, Rejeb, et al., 2021a), માનવતાવાદી હેતુઓ માટે (A. Rejeb, Rejeb, et al., 2021c), સ્માર્ટ એગ્રીકલ્ચર, સર્વેક્ષણ અને મેપિંગ, સાંસ્કૃતિક વારસો દસ્તાવેજીકરણ, આપત્તિ વ્યવસ્થાપન અને વન અને વન્યજીવ સંરક્ષણ (પાંડે, પ્રતિહસ્ત, એટ અલ., 2020). કૃષિમાં, ડ્રોનના મેનીફોલ્ડ એપ્લીકેશન વિસ્તારો અસ્તિત્વમાં છે કારણ કે તેઓ પાક વ્યવસ્થાપન (દા.ત., મેપિંગ, મોનીટરીંગ, સિંચાઈ, છોડ નિદાન) (એચ. હુઆંગ એટ અલ., 2021)ને ટેકો આપવા માટે નવલકથા તકનીકો, કમ્પ્યુટિંગ ક્ષમતાઓ અને ઓનબોર્ડ સેન્સર સાથે સંકલિત કરી શકાય છે. , ડિઝાસ્ટર રિડક્શન, પ્રારંભિક ચેતવણી પ્રણાલી, વન્યજીવન અને વનસંવર્ધન થોડા નામ આપવા માટે (નેગાશ એટ અલ., 2019). એ જ રીતે, ડ્રોનનો પાક અને વૃદ્ધિની દેખરેખ, ઉપજનો અંદાજ, પાણીના તાણનું મૂલ્યાંકન અને નીંદણ, જંતુ અને રોગની શોધ સહિત અનેક કૃષિ પ્રવૃત્તિઓમાં લાભ લઈ શકાય છે (ઈન્યુ, 2020; પાંડે, પ્રતિહસ્ત, એટ અલ., 2020). ડ્રોનનો ઉપયોગ તેમના સંવેદનાત્મક ડેટાના આધારે દેખરેખ, અંદાજ અને શોધ હેતુઓ માટે જ નહીં, પણ ચોકસાઇ સિંચાઇ અને ચોકસાઇ નીંદણ, જંતુ અને રોગ વ્યવસ્થાપન માટે પણ થઈ શકે છે. બીજા શબ્દોમાં કહીએ તો, ડ્રોન પર્યાવરણીય ડેટાના આધારે ચોક્કસ માત્રામાં પાણી અને જંતુનાશકોનો છંટકાવ કરવામાં સક્ષમ છે. કૃષિમાં ડ્રોનના ફાયદા કોષ્ટક 1 માં સારાંશ આપવામાં આવ્યા છે.
કૃષિમાં ડ્રોનના મુખ્ય ફાયદા.
બેનિફિટ | સંદર્ભ) |
ટેમ્પોરલ અને અવકાશી વધારો સંવેદના ઠરાવો | (ગાગો એટ અલ., 2015; નિયુ એટ અલ., 2020; શ્રીવાસ્તવ એટ અલ., 2020) |
સચોટ ખેતીની સુવિધા આપો | (L. Deng et al., 2018; Kalischuk et al., 2019; માઈમૈતીજિયાંગ એટ અલ., 2017) |
નું વર્ગીકરણ અને સ્કાઉટિંગ પાક | (Inoue, 2020; Kalischuk et al., 2019; Lopez- ´ ગ્રેનાડોસ એટ અલ., 2016; Maimaitijiang et al., 2017; મેલવિલે એટ અલ., 2019; મોહરાણા અને દત્તા, 2016) |
ખાતરનો ઉપયોગ | (એલ. ડેંગ એટ અલ., 2018; ગુઆન એટ અલ., 2019) |
દુષ્કાળની દેખરેખ | (ફોસેટ એટ અલ., 2020; પાંડે, પ્રતિહસ્ત, એટ અલ., 2020; સુ એટ અલ., 2018) |
બાયોમાસ અંદાજ | (બેન્ડિગ એટ અલ., 2014) |
ઉપજ અંદાજ | (ઇનૂ, 2020; પાંડે, શ્રેષ્ઠા, એટ અલ., 2020; તાઓ એટ અલ., 2020) |
આપત્તિ ઘટાડો | (નેગાશ એટ અલ., 2019) |
વન્યજીવનનું સંરક્ષણ અને વનસંવર્ધન | (નેગાશ એટ અલ., 2019; પાંડે, પ્રતિહસ્ત, એટ અલ., 2020) |
પાણીના તાણનું મૂલ્યાંકન | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. ઝાંગ એટ અલ., 2019) |
જંતુ, નીંદણ અને રોગ શોધ | (ગાસ્પારોવિક એટ અલ., 2020; Inoue, 2020; J. Su, Liu, એટ અલ., 2018; એક્સ. ઝાંગ એટ અલ., 2019) |
બીજી બાજુ, ડ્રોનને પણ મર્યાદાઓનો સામનો કરવો પડે છે. પાઇલોટની સંડોવણી, એન્જિન પાવર, સ્થિરતા અને વિશ્વસનીયતા, પેલોડને કારણે સેન્સરની ગુણવત્તા
વજન મર્યાદાઓ, અમલીકરણ ખર્ચ અને ઉડ્ડયન નિયમન, તેમાંથી છે (C. Zhang & Kovacs, 2012). અમે ખામીઓની તુલના કરીએ છીએ
કોષ્ટક 2 માં ત્રણ મોબાઈલ રિમોટ સેન્સિંગ ટેક્નોલોજીઓમાંથી. અન્ય રિમોટ સેન્સિંગ ટેક્નોલોજીઓ, જેમ કે સોઈલ સેન્સર, આ અભ્યાસના ધ્યાનની બહાર છે.
વિવિધ મોબાઇલ રિમોટ સેન્સિંગ ટેકનોલોજીની ખામીઓ.
રિમોટ સેન્સિંગ ટેકનોલોજી | ખામીઓ | સંદર્ભ |
ડ્રોન (UAV) | પાઇલોટ સંડોવણી; છબીઓ ગુણવત્તા (સરેરાશ); અમલીકરણ ખર્ચ (સરેરાશ); સ્થિરતા, મનુવરેબિલિટી અને વિશ્વસનીયતા; માનકીકરણ; એન્જિન પાવર; મર્યાદિત શક્તિ સ્ત્રોતો (બેટરી દીર્ધાયુષ્ય); મર્યાદિત ફ્લાઇટ સમયગાળો, અથડામણ અને સાયબર હુમલાઓ; મર્યાદિત પેલોડ વજન; મોટા ડેટાસેટ્સ અને મર્યાદિત ડેટા પ્રોસેસિંગ ક્ષમતાઓ; નિયમનનો અભાવ; કુશળતાનો અભાવ, ઉચ્ચ પ્રવેશ સુધી પહોંચવામાં અવરોધો કૃષિ ડ્રોન; | (બેકો એટ અલ., 2018; દાવલીબી એટ અલ., 2020; હાર્ડિન અને હાર્ડિન, 2010; હાર્ડિન અને જેન્સન, 2011; લગકાસ એટ અલ., 2018; લાલીબર્ટે એટ અલ., 2007; લાલીબર્ટે અને રંગો, 2011; મેનફ્રેડા એટ અલ., 2018, 2018; નેબીકર એટ અલ., 2008; પુરી એટ અલ., 2017; વેલુસામી એટ અલ., 2022; સી. ઝાંગ અને કોવાક્સ, 2012) |
ઉપગ્રહ | સમયાંતરે ઉપગ્રહ કવરેજ, મર્યાદિત સ્પેક્ટ્રલ રિઝોલ્યુશન; દૃશ્યતા સમસ્યાઓ માટે નબળાઈ (દા.ત., વાદળો); અનુપલબ્ધતા અને ઓછી ટ્રાન્સફર ઝડપ; ઓરિએન્ટેશન અને વિગ્નેટીંગ ખર્ચાળ અવકાશી ડેટાને અસર કરે છે સંગ્રહ; ધીમી માહિતી વિતરણ અંતિમ વપરાશકર્તાઓ માટે સમય | (Aboutalebi et al., 2019; Cen એટ અલ., 2019; ચેન એટ અલ., 2019; નેન્સેન અને ઇલિયટ, 2016; પાંડે, પ્રતિહસ્ત, એટ અલ., 2020; સાઈ વિનીત એટ અલ., 2019) |
વિમાનો | ઉચ્ચ દત્તક ખર્ચ; જટિલ સેટઅપ; જાળવણી ખર્ચ; વિશ્વસનીયતાની અનુપલબ્ધતા એરોપ્લેન, ની ભૂમિતિ છબીઓ; બિન-નિયમિત ડેટા સંપાદન; લવચીકતાનો અભાવ; જીવલેણ અકસ્માતો; સેન્સર ડેટા સ્પંદનોને કારણે ભિન્નતા; જિયોરેફરન્સિંગ મુદ્દાઓ | (આર્મસ્ટ્રોંગ એટ અલ., 2011; એટકિન્સન એટ અલ., 2018; બાર્બેડો અને કોએનિગ્કાન, 2018; કોવાલેવ અને વોરોશિલોવા, 2020; સુઓમલાઈનેન એટ અલ., 2013; થમ્મ એટ અલ., 2013) |
કૃષિમાં બહુ-શિસ્ત અને બહુહેતુક તકનીક તરીકે, ડ્રોનની વિવિધ દ્રષ્ટિકોણથી તપાસ કરવામાં આવી છે. ઉદાહરણ તરીકે, વિદ્વાનોએ કૃષિમાં ડ્રોન એપ્લિકેશનની તપાસ કરી છે (કુલબકી એટ અલ., 2018; મોગીલી અને દીપક, 2018), ચોકસાઇવાળા કૃષિમાં તેમનું યોગદાન (પુરી એટ અલ., 2017; ત્સોરોસ એટ અલ., 2019), અન્ય સાથે તેમની પૂરકતા અત્યાધુનિક ટેક્નોલોજીઓ (અલ-થાની એટ અલ., 2020; દત્તા અને મિત્રા, 2021; નય્યર એટ અલ., 2020; સાહા એટ અલ., 2018), અને તેમની નેવિગેશનલ અને સેન્સિંગ ક્ષમતાઓને આગળ વધારવાની શક્યતાઓ (બરેથ એટ અલ. , 2015; Suomalainen et al., 2014). કૃષિમાં ડ્રોન એપ્લિકેશન્સ પર સંશોધન પ્રચલિત થયું હોવાથી (ખાન એટ અલ., 2021)), વર્તમાન સાહિત્યનો સારાંશ આપવાની અને ડોમેનની બૌદ્ધિક રચનાને જાહેર કરવાની જરૂર છે. વધુમાં, સતત સુધારાઓ સાથેના ઉચ્ચ-તકનીકી ક્ષેત્ર તરીકે, સમયાંતરે વર્તમાન સાહિત્યનો સારાંશ આપવા અને મહત્વપૂર્ણ સંશોધન અંતરને ઓળખવા માટે માળખાગત સમીક્ષાઓ હાથ ધરવાની જરૂર છે. પ્રતિ
તારીખ, ત્યાં થોડી સમીક્ષાઓ છે જે કૃષિ ક્ષેત્રમાં ડ્રોન એપ્લિકેશનની ચર્ચા કરે છે. ઉદાહરણ તરીકે, મોગીલી અને દીપક (2018) પાકની દેખરેખ અને જંતુનાશક છંટકાવ માટે ડ્રોનની અસરોની સંક્ષિપ્તમાં સમીક્ષા કરે છે. Inoue (2020) કૃષિમાં રિમોટ સેન્સિંગમાં ઉપગ્રહ અને ડ્રોનના ઉપયોગની સમીક્ષા કરે છે. લેખક સ્માર્ટ ફાર્મિંગને અપનાવવાના તકનીકી પડકારો અને કેસ સ્ટડીઝ અને શ્રેષ્ઠ પદ્ધતિઓના આધારે ઉપગ્રહો અને ડ્રોનના યોગદાનની શોધ કરે છે. ત્સોરોસ એટ અલ. (2019) વિવિધ પ્રકારના ડ્રોન અને કૃષિમાં તેમની મુખ્ય એપ્લિકેશનોનો સારાંશ આપો, વિવિધ ડેટા સંપાદન અને પ્રક્રિયા પદ્ધતિઓને હાઇલાઇટ કરો. તાજેતરમાં, અસલાન એટ અલ. (2022) એ કૃષિ પ્રવૃત્તિઓમાં UAV એપ્લિકેશન્સની વ્યાપક સમીક્ષા હાથ ધરી હતી અને ગ્રીનહાઉસમાં UAV માટે એક સાથે સ્થાનિકીકરણ અને મેપિંગની સુસંગતતા પર ભાર મૂક્યો હતો. ડાયઝ-ગોન્ઝાલેઝ એટ અલ. (2022) વિવિધ મશીન લર્નિંગ તકનીકો અને રિમોટ પર આધારિત પાક ઉપજ ઉત્પાદનના તાજેતરના અભ્યાસોની સમીક્ષા કરી
સેન્સિંગ સિસ્ટમ્સ. તેમના તારણો દર્શાવે છે કે યુએવી જમીનના સૂચકાંકોનો અંદાજ કાઢવા અને અવકાશી રીઝોલ્યુશન, માહિતીની અસ્થાયીતા અને સુગમતાના સંદર્ભમાં ઉપગ્રહ પ્રણાલીને આઉટપરફોર્મ કરવા માટે ઉપયોગી છે. બસિરી એટ અલ. (2022) એ ચોક્કસ કૃષિના સંદર્ભમાં મલ્ટિ-રોટર યુએવી માટે પાથ-પ્લાનિંગ પડકારોને દૂર કરવા માટેના વિવિધ અભિગમો અને પદ્ધતિઓની સંપૂર્ણ સમીક્ષા કરી હતી. તદુપરાંત, ઔવેસ એટ અલ. (2022) એ પાણીની સ્થિતિનો અંદાજ કાઢવા માટે પાકમાં UAV રિમોટ સેન્સિંગ ડેટાના ઉપયોગનો સારાંશ આપ્યો અને નકામા તાણના ઉપયોગ માટે UAV રિમોટ સેન્સિંગની સંભવિત ક્ષમતાનું ઊંડાણપૂર્વકનું સંશ્લેષણ પ્રદાન કર્યું. છેલ્લે, અકિલાની એટ અલ. (2022) ગોચર આધારિત પશુધન પ્રણાલીમાં લાગુ કરાયેલ પૂર્વાવલોકન ખેતી તકનીકોની સમીક્ષા કરી અને અનુમાન કર્યું કે UAV દ્વારા સક્ષમ રીમોટ સેન્સિંગ બાયોમાસ આકારણી અને ટોળાના સંચાલન માટે ફાયદાકારક છે.
ઉપરાંત, પશુધનની દેખરેખ, ટ્રેકિંગ અને એકત્રીકરણમાં યુએવીનો ઉપયોગ કરવાના પ્રયાસો તાજેતરમાં નોંધાયા છે.
જો કે આ સમીક્ષાઓ નવી અને મહત્વપૂર્ણ આંતરદૃષ્ટિ આપે છે, ગ્રંથસૂચિ પર આધારિત કોઈ વ્યાપક અને અદ્યતન સમીક્ષા સાહિત્યમાં મળી શકતી નથી, જે સ્પષ્ટ જ્ઞાન અંતર રજૂ કરે છે. વધુમાં, એવું જણાવવામાં આવ્યું છે કે જ્યારે વૈજ્ઞાનિક ડોમેનમાં વિદ્વતાપૂર્ણ ઉત્પાદન વધે છે, ત્યારે સંશોધકો માટે ડોમેનના જ્ઞાન માળખાને સમજવા માટે માત્રાત્મક સમીક્ષા અભિગમોનો ઉપયોગ કરવો મહત્વપૂર્ણ બની જાય છે (Rivera & Pizam, 2015). એ જ રીતે, ફેરેરા એટ અલ. (2014)એ દલીલ કરી હતી કે જેમ જેમ સંશોધન ક્ષેત્રો પરિપક્વ અને જટિલ બનતા જાય છે, તેમ વિદ્વાનોએ ક્યારેક-ક્યારેક નવા યોગદાનને જાહેર કરવા, સંશોધન પરંપરાઓ અને વલણોને પકડવા, કયા વિષયોનો અભ્યાસ કરવામાં આવે છે તે ઓળખવા, અને જ્ઞાનની રચનામાં ઊંડાણપૂર્વક અભ્યાસ કરવા માટે જનરેટ થયેલા અને એકત્રિત કરેલા જ્ઞાનને સમજવાનું લક્ષ્ય રાખવું જોઈએ. ક્ષેત્ર અને સંભવિત સંશોધન દિશાઓ. જ્યારે Raparelli અને Bajocco (2019) એ કૃષિ અને વનસંવર્ધનમાં ડ્રોન એપ્લીકેશનના જ્ઞાન ડોમેનને ચકાસવા માટે એક બાઈબલિયોમેટ્રિક વિશ્લેષણ હાથ ધર્યું હતું, તેમનો અભ્યાસ ફક્ત 1995 અને 2017 ની વચ્ચે પ્રકાશિત થયેલા વિદ્વતાપૂર્ણ સંશોધનને જ ધ્યાનમાં લે છે, જે આ ઝડપી ગતિશીલ વિસ્તારની ગતિશીલતાને પ્રતિબિંબિત કરતું નથી. વધુમાં, લેખકોએ સહ-ઉદ્ધરણ વિશ્લેષણનો ઉપયોગ કરીને આ ક્ષેત્રમાં સૌથી પ્રભાવશાળી યોગદાનને ઓળખવાનો, સાહિત્યને ક્લસ્ટર કરવાનો અને બૌદ્ધિક માળખાનું મૂલ્યાંકન કરવાનો પ્રયાસ કર્યો નથી. પરિણામે, વર્તમાન સંશોધન કેન્દ્રો, વલણો અને હોટસ્પોટ્સને જાહેર કરવા માટે સાહિત્યનો સારાંશ આપવો જરૂરી છે.
આ જ્ઞાનના અંતરને ભરવા માટે, અમે ડ્રોન અને કૃષિના આંતરછેદ પર સંશોધનની વર્તમાન સ્થિતિનું પરીક્ષણ કરવા માટે જથ્થાત્મક પદ્ધતિ અને કઠોર બાઇબલિયોમેટ્રિક પદ્ધતિઓનો લાભ લઈએ છીએ. અમે દલીલ કરીએ છીએ કે વર્તમાન અભ્યાસ એક ઉભરતી ટેકનોલોજીની તપાસ કરીને વર્તમાન સાહિત્યમાં અનેક યોગદાન આપે છે જે કૃષિમાં અત્યંત જરૂરી છે કારણ કે તે આ ક્ષેત્રના અનેક પાસાઓને બદલવાની પ્રચંડ સંભાવનાઓ પૂરી પાડે છે. કૃષિ સંદર્ભમાં ડ્રોન પર છૂટાછવાયા અને ખંડિત જ્ઞાનને જોતાં કૃષિ ડ્રોનના ગ્રંથસૂત્રિય વિશ્લેષણની જરૂરિયાત વધુ અનુભવાય છે. તેવી જ રીતે, આ સંશોધન ક્ષેત્રના પાયાનું નિર્માણ કરતા સૌથી પ્રભાવશાળી અભ્યાસોને ધ્યાનમાં રાખીને, કૃષિ ડ્રોનને લગતું સાહિત્ય વ્યવસ્થિત રીતે ક્લસ્ટર કરવું જરૂરી છે. વિશ્લેષણની યોગ્યતામાં સાહિત્યમાં રજૂ કરાયેલા મુખ્ય સંશોધન વિષયોની સ્પષ્ટતાનો પણ સમાવેશ થાય છે. ટેક્નૉલૉજીની પરિવર્તનની સંભાવનાને ધ્યાનમાં રાખીને, અમે માનીએ છીએ કે ગહન નેટવર્ક વિશ્લેષણ પ્રભાવશાળી કાર્યોને નિર્ધારિત કરીને અને ડ્રોનની કૃષિ માટેની સંભવિતતાને લગતી થીમ્સ જાહેર કરીને નવલકથા પ્રાપ્ત કરે છે.
તેથી અમે નીચેના સંશોધન હેતુઓ હાંસલ કરવાનો પ્રયત્ન કરીએ છીએ:
- કૃષિ ક્ષેત્રે ડ્રોન એપ્લિકેશન્સમાં ઉત્કૃષ્ટ યોગદાન સાથે પ્રભાવશાળી પ્રકાશનોની ઓળખ.
- સહ-ઉદ્ધરણ વિશ્લેષણનો ઉપયોગ કરીને સિમેન્ટીક સમાનતા પર આધારિત સાહિત્યનું ક્લસ્ટરિંગ, સંશોધન કેન્દ્રની ઓળખ અને મુખ્ય 'બૌદ્ધિક માળખું' અભ્યાસનું મેપિંગ.
- ક્ષેત્રના વિવિધ પ્રકાશનો અને ભાવિ સંશોધન દિશાઓ અને ચર્ચાસ્પદ વિષયોની ઓળખ વચ્ચે સમય જતાં જોડાણો અને ટાંકણા નેટવર્કના ઉત્ક્રાંતિની સમજ.
બાકીના કાગળ નીચે પ્રમાણે રચાયેલ છે: વિભાગ 2 પદ્ધતિ અને માહિતી સંગ્રહના પગલાંની રૂપરેખા આપે છે; વિભાગ 3 વિશ્લેષણના પરિણામો પ્રદાન કરે છે; અને વિભાગ 4 તારણોની ચર્ચા કરે છે અને સંશોધન યોગદાન, અસરો અને ભાવિ દિશાઓ સાથે સમાપ્ત થાય છે.
પદ્ધતિ
આ વર્તમાન સંશોધન અભ્યાસમાં, અમે કૃષિમાં ડ્રોન એપ્લિકેશન્સનું અન્વેષણ કરવા માટે એક ગ્રંથસૂચિ વિશ્લેષણ કરીએ છીએ. આ જથ્થાત્મક અભિગમ જ્ઞાન ક્ષેત્ર (અરોરા અને ચક્રવર્તી, 2021) ની બૌદ્ધિક રચના અને વર્તમાન સ્થિતિ, ચર્ચાસ્પદ વિષયો અને ભાવિ સંશોધન દિશાઓ દર્શાવે છે જે આ પદ્ધતિનો ઉપયોગ કરીને તપાસ કરી શકાય છે (કપૂર એટ અલ., 2018; મિશ્રા એટ અલ. , 2017; A. Rejeb, et al., 2021b; A. Rejeb et al., 2021d; સામાન્ય રીતે, બાઇબલિયોમેટ્રિક પૃથ્થકરણ વર્તમાન સાહિત્યની તપાસ કરે છે અને આંકડાકીય અને ગાણિતિક પદ્ધતિઓના આધારે લેખિત સંદેશાવ્યવહારના છુપાયેલા દાખલાઓ અને શિસ્તના ઉત્ક્રાંતિને સારાંશ આપે છે અને તે મોટા ડેટા સેટને લાગુ પડે છે (પ્રિચાર્ડ, 2020; સ્મોલ, 1969; તાહાઈ અને રિગ્સબી. , 1999). બાઇબલિયોમેટ્રિક્સનો ઉપયોગ કરીને, અમે સમાનતાના આધારે ડોમેનમાં યોગદાન આપતા હાલના દાખલાઓ અને સંશોધન કેન્દ્રોને વધુ સારી રીતે સમજવાની ઇચ્છા રાખીએ છીએ (થેલવોલ, 1998). બિબ્લિઓમેટ્રિક્સ પદ્ધતિની ઉદ્દેશ્ય માત્રાત્મક શક્તિ દ્વારા સમર્થિત નવી આંતરદૃષ્ટિ પ્રદાન કરે છે (કેસિલાસ અને એસેડો, 2008). અસંખ્ય વિદ્વાનોએ અગાઉ કૃષિ, રિમોટ સેન્સિંગ અને ડિજિટલ ટ્રાન્સફોર્મેશન સહિત સંબંધિત ડોમેન્સમાં ગ્રંથસૂચિ અભ્યાસ હાથ ધર્યા છે (આર્મેન્ટા-મેડિના એટ અલ., 2007; બૌઝેમબ્રાક એટ અલ., 2020; એ. રેજેબ, ટ્રેબ્લમેયર, એટ અલ., 2019 & Queiroz, 2021; Wang et al., 2021).
અવતરણ વિશ્લેષણ
અવતરણ વિશ્લેષણ આપેલ સંશોધન ક્ષેત્રની વિવિધ આંતરદૃષ્ટિ દર્શાવે છે. સૌ પ્રથમ, તે સૌથી પ્રભાવશાળી લેખકો અને પ્રકાશનોને જાહેર કરવામાં મદદ કરે છે જે આપેલ સંશોધન ક્ષેત્રમાં યોગદાન આપે છે અને નોંધપાત્ર અસર કરે છે (ગંડોલ્ફ એન્ડ ફિલસર, 2013). બીજું, જ્ઞાનનો પ્રવાહ અને લેખકો વચ્ચેની સંચાર કડીઓ ઉજાગર કરી શકાય છે. છેલ્લે, ટાંકેલા અને ટાંકેલા કાર્યો વચ્ચેની કડીઓ શોધીને, વ્યક્તિ સમય જતાં જ્ઞાનના ક્ષેત્રમાં ફેરફારો અને ઉત્ક્રાંતિનું અન્વેષણ કરી શકે છે.
એટ અલ., 2020). પ્રકાશનના ઉચ્ચ સંદર્ભ નંબરો તેની સુસંગતતા અને સંશોધન ક્ષેત્રે નોંધપાત્ર યોગદાનને પ્રતિબિંબિત કરે છે (બાલ્ડી, 1998; ગુંડોલ્ફ અને ફિલસર, 2013; મેરિન્કો, 1998). પ્રકાશનોનું અવતરણ વિશ્લેષણ પણ સંબંધિત કાર્યોને ઓળખવામાં અને તેમની લોકપ્રિયતા અને સમય જતાં પ્રગતિને ટ્રેક કરવામાં મદદ કરે છે.
દસ્તાવેજ સહ-ઉદ્ધરણ વિશ્લેષણ
સહ-ઉદ્ધરણ વિશ્લેષણ એ પ્રકાશનો વચ્ચેના સંબંધોનું અન્વેષણ કરવા અને ક્ષેત્રની બૌદ્ધિક રચનાનું નિરૂપણ કરવાની એક મૂલ્યવાન પદ્ધતિ છે (નેરુર એટ અલ., 2008). બીજા શબ્દોમાં કહીએ તો, સૌથી વધુ ટાંકવામાં આવેલા પ્રકાશનો અને તેમના જોડાણોને ઓળખીને, પદ્ધતિ પ્રકાશનોને વિશિષ્ટ સંશોધન ક્લસ્ટરોમાં જૂથબદ્ધ કરે છે જેમાં ક્લસ્ટરમાં પ્રકાશનો નિયમિતપણે સમાન વિચારો શેર કરે છે (મેકકેન, 1990; સ્મોલ, 1973). એ ઉલ્લેખ કરવો નિર્ણાયક છે કે સમાનતાનો અર્થ એ નથી કે પ્રકાશનોના તારણો છે
સંયોજક અને એકબીજા સાથે સંમત; વિષય સમાનતાને કારણે પ્રકાશનો સમાન ક્લસ્ટરના છે, પરંતુ તેઓ વિરોધાભાસી દૃષ્ટિકોણ ધરાવી શકે છે.
ડેટા સંગ્રહ અને વિશ્લેષણ
વ્હાઇટ અને ગ્રિફિથ (1981) દ્વારા પ્રસ્તાવિત પદ્ધતિને અનુસરીને, અમે નીચેના પાંચ પગલાંને અનુસરીને, કૃષિમાં ડ્રોન એપ્લિકેશન્સના સમગ્ર સંશોધન ક્ષેત્રને આવરી લેવા માટે જર્નલ લેખોની વ્યાપક શોધ કરી:
- પ્રથમ પગલું માહિતી સંગ્રહ હતું. સ્કોપસને પ્રમાણિત પરિણામો સાથે સૌથી વધુ વ્યાપક અને વિશ્વાસપાત્ર ડેટાબેઝ તરીકે પસંદ કરવામાં આવ્યું હતું. કૃષિમાં તમામ ડ્રોન એપ્લિકેશનો સંબંધિત પ્રકાશનોનો મેટા-ડેટા પુનઃપ્રાપ્ત કરવામાં આવ્યો હતો. પછી અમે પૃથ્થકરણમાંથી વિષય સિવાયના લેખોને દૂર કરીને પસંદ કરેલા લેખોનું વિશ્લેષણ કર્યું.
- અમે સાહિત્યનું વિશ્લેષણ કર્યું અને સંશોધન ક્ષેત્રમાં ઉપયોગમાં લેવાતા સૌથી મહત્વપૂર્ણ કીવર્ડ્સને ઓળખ્યા.
- અવતરણ પૃથ્થકરણનો ઉપયોગ કરીને, અમે લેખકો અને દસ્તાવેજો વચ્ચેના કનેક્શનની અન્વેષણ કરી છે જે અંતર્ગત અવતરણની પેટર્નને ઉજાગર કરે છે. અમે કૃષિ ડ્રોનના ક્ષેત્રમાં નોંધપાત્ર યોગદાન સાથે સૌથી પ્રભાવશાળી લેખકો અને પ્રકાશનોની પણ ઓળખ કરી છે.
- અમે સમાન પ્રકાશનોને ક્લસ્ટરોમાં જૂથ બનાવવા માટે સહ-ઉદ્ધરણ વિશ્લેષણ હાથ ધર્યું.
- છેલ્લે, અમે સહયોગ નેટવર્કનું નિરૂપણ કરવા માટે દેશો, સંસ્થાઓ અને જર્નલ્સ વચ્ચેના જોડાણો અને જોડાણોનું વિશ્લેષણ કર્યું.
યોગ્ય શોધ શબ્દોની ઓળખ
અમે ડેટા એકત્રીકરણ માટે નીચેની શોધ સ્ટ્રીંગ્સ લાગુ કરી છે: (ડ્રોન* અથવા "માનવ રહિત એરિયલ વ્હીકલ" અથવા uav* અથવા "માનવ રહિત એરક્રાફ સિસ્ટમ” અથવા uas અથવા “દૂરથી પાઇલોટેડ એરક્રાફ્ટ”) અને (કૃષિ અથવા કૃષિ અથવા ખેતી અથવા ખેડૂત). આ શોધ સપ્ટેમ્બર 2021માં હાથ ધરવામાં આવી હતી. ડ્રોન પાસે UAV, UAS અને રિમોટલી પાયલોટેડ એરક્રાફ્ટ (સાહ એટ અલ., 2021) સહિત અનેક હોદ્દો છે. અબ્દોલ્લાહી એટ અલના અભ્યાસના આધારે કૃષિ સંબંધિત ચોક્કસ શોધ શબ્દોની ઓળખ કરવામાં આવી હતી. (2021). સ્પષ્ટતા અને પારદર્શિતા ખાતર, અમે જે ચોક્કસ ક્વેરીનો ઉપયોગ કર્યો છે તે પરિશિષ્ટ 1 માં આપવામાં આવ્યો છે. ડેટા સાફ કરવાની પ્રક્રિયાને અનુસરીને, અમે એક ટેક્સ્ટ ફાઇલ બનાવી છે જે પછીથી BibExcelમાં લોડ કરવામાં આવી હતી, જે સંદર્ભ અને સહ-ઉદ્ધરણ વિશ્લેષણ માટેનું એક સામાન્ય સાધન છે. આ સાધન અન્ય સૉફ્ટવેર સાથે સરળ ક્રિયાપ્રતિક્રિયા પણ પ્રદાન કરે છે અને ડેટા હેન્ડલિંગ અને વિશ્લેષણમાં નોંધપાત્ર સ્વતંત્રતા પ્રદાન કરે છે. VOSviewer આવૃત્તિ 1.6.16 નો ઉપયોગ તારણોને વિઝ્યુઅલાઈઝ કરવા અને બાઈબલિયોમેટ્રિક નેટવર્ક્સ બનાવવા માટે કરવામાં આવ્યો હતો (Eck & Waltman, 2009). VOSviewer સાહજિક વિઝ્યુલાઇઝેશનની શ્રેણી પ્રદાન કરે છે, ખાસ કરીને બાઇબલિયોમેટ્રિક નકશાનું વિશ્લેષણ કરવા માટે (Geng et al., 2020). વધુમાં, તે સાદા દ્રશ્ય પરિણામો પ્રદાન કરવામાં મદદ કરે છે જે પરિણામોને વધુ સારી રીતે સમજવામાં મદદ કરે છે (અબ્દોલ્લાહી એટ અલ., 2021). ઉપર જણાવ્યા મુજબ શોધ શબ્દમાળાઓ લાગુ કરીને, અમે તમામ સંબંધિત પ્રકાશનો એકત્રિત અને સંગ્રહિત કર્યા. પ્રથમ શોધ પરિણામોમાં કુલ 5,085 દસ્તાવેજો મળ્યા. પસંદ કરેલા નમૂનાની ગુણવત્તા સુનિશ્ચિત કરવા માટે, સંશોધનમાં માત્ર પીઅર-સમીક્ષા કરાયેલા જર્નલ લેખોને ધ્યાનમાં લેવામાં આવ્યા હતા, પરિણામે પુસ્તકો, પ્રકરણો, કોન્ફરન્સની કાર્યવાહી અને સંપાદકીય નોંધો જેવા અન્ય દસ્તાવેજોના પ્રકારોને બાકાત રાખવામાં આવ્યા હતા. સ્ક્રીનીંગ પ્રક્રિયા દરમિયાન, અપ્રસ્તુત (એટલે કે, આ કાર્યના અવકાશની બહાર), રીડન્ડન્ટ (એટલે કે, ડબલ ઇન્ડેક્સીંગમાંથી ઉદ્ભવતા ડુપ્લિકેટ્સ), અને બિન-અંગ્રેજી-ભાષી પ્રકાશનોને ફિલ્ટર કરવામાં આવ્યા હતા. આ પ્રક્રિયાના પરિણામે અંતિમ વિશ્લેષણમાં 4,700 દસ્તાવેજોનો સમાવેશ કરવામાં આવ્યો.
તારણો અને ચર્ચા
શરૂ કરવા માટે, અમે કૃષિ ડ્રોન પરના વર્તમાન સાહિત્યમાં પ્રકાશન આઉટપુટના વિકાસનું વિશ્લેષણ કર્યું. વિદ્વતાપૂર્ણ સંશોધનનું અસ્થાયી વિતરણ આકૃતિ 1 માં દર્શાવવામાં આવ્યું છે. અમે વર્ષ 2011 (30 પ્રકાશનો) થી પ્રકાશનોમાં ઝડપી વધારો જોઈ રહ્યા છીએ; તેથી, અમે વિશ્લેષણના સમયગાળાને બે જુદા જુદા તબક્કામાં વિભાજિત કરવાનું નક્કી કર્યું છે. અમે 1990 અને 2010 વચ્ચેના સમયગાળાને બિલ્ડ-અપ સ્ટેજ તરીકે ઓળખીએ છીએ, જેમાં વાર્ષિક આશરે સાત પેપર પ્રકાશિત થયા હતા. 2010 પછીના સમયગાળાને વૃદ્ધિનો તબક્કો કહેવામાં આવે છે કારણ કે આ સમયગાળા દરમિયાન કૃષિમાં ડ્રોન એપ્લિકેશન્સ પર સંશોધનમાં ઘાતાંકીય ઉછાળો જોવા મળ્યો હતો. 2010 પછી, પ્રકાશનોની વધતી સંખ્યા સંશોધકોમાં વધતી જતી રુચિની પુષ્ટિ કરે છે, જે એ પણ દર્શાવે છે કે ડ્રોનને રિમોટ સેન્સિંગ માટે લાગુ કરવામાં આવ્યા છે અને તેનો ઉપયોગ ચોકસાઇ કૃષિમાં કરવામાં આવ્યો છે (ડેંગ એટ અલ., 2018; મેસ અને સ્ટેપ, 2019; મેસિના અને મોડિકા, 2020 ). ખાસ કરીને, પ્રકાશનોની સંખ્યા 108 માં 2013 થી વધીને 498 માં 2018 થઈ અને 1,275 માં 2020 પર પહોંચી ગઈ. જાન્યુઆરી અને સપ્ટેમ્બર 935 ના મધ્યમાં કુલ 2021 લેખો પ્રકાશિત થયા. ત્યારબાદ, અમે અમારા વૃદ્ધિના વિશ્લેષણ પર વધુ ધ્યાન કેન્દ્રિત કરવાનું પસંદ કર્યું. કારણ કે આ સમયગાળો કૃષિ ડ્રોનની સૌથી તાજેતરની અને મહત્વપૂર્ણ સૂક્ષ્મતાને પ્રતિબિંબિત કરે છે.
કીવર્ડ્સ વિશ્લેષણ
પ્રકાશન માટે લેખકો જે કીવર્ડ્સ પસંદ કરે છે તે પેપરને કેવી રીતે રજૂ કરવામાં આવે છે અને તે વૈજ્ઞાનિક સમુદાયોમાં કેવી રીતે સંચાર થાય છે તેના પર નિર્ણાયક અસર કરે છે. તેઓ સંશોધનના મુખ્ય વિષયોને ઓળખે છે અને તેના વિકાસ અથવા નિષ્ફળ થવાની સંભાવના નક્કી કરે છે (ડે એન્ડ ગેસ્ટલ, 1998.; કિમ એટ અલ., 2016; ઉદ્દીન એટ અલ., 2015). કીવર્ડ્સ વિશ્લેષણ, વ્યાપક સંશોધન વલણો અને દિશાઓને ઉજાગર કરવા માટેનું એક સાધન, એક ડોમેન (દીક્ષિત અને જાખર, 2021)માં તમામ સંબંધિત પ્રકાશનોના કીવર્ડ્સના સંકલનનો સંદર્ભ આપે છે. વર્તમાન અભ્યાસમાં, અમે સૌથી વધુ લોકપ્રિય વિષયોનું અન્વેષણ કરવા માટે એકીકૃત કીવર્ડ્સને બે સેટમાં (એટલે કે, 2010 અને 2011-2021 સુધી) વિભાજિત કર્યા છે. આમ કરવાથી, અમે બંને સેટમાં નિર્ણાયક કીવર્ડ્સ શોધી શકીએ છીએ અને ખાતરી આપી શકીએ છીએ કે અમે તમામ જરૂરી ડેટા મેળવી લીધો છે. દરેક સમૂહ માટે, ટોચના દસ કીવર્ડ્સ કોષ્ટક 3 માં રજૂ કરવામાં આવ્યા છે. અમે "ડ્રોન" અને "ડ્રોન્સ" અથવા તે જ રીતે, "ઇન્ટરનેટ ઓફ થિંગ્સ" અને "IoT" જેવા સિમેન્ટીકલી સમાન કીવર્ડ્સને મર્જ કરીને વિસંગતતાઓને દૂર કરી છે.
કોષ્ટક 3 બતાવે છે કે બંને સમયગાળામાં "ડ્રોન" અને "માનવ રહિત એરિયલ સિસ્ટમ" ની તુલનામાં "માનવ રહિત એરિયલ વ્હીકલ" એ વધુ વારંવાર વપરાતો કીવર્ડ છે. ઉપરાંત, "રિમોટ સેન્સિંગ", "ચોકસાઇ કૃષિ," અને "કૃષિ" બંને સમયગાળામાં ઉચ્ચ ક્રમાંકિત છે. પ્રથમ સમયગાળામાં, "ચોકસાઇવાળી ખેતી" પાંચમા ક્રમે હતી, અને બીજા સમયગાળામાં તે બીજા ક્રમે આવી હતી, જે દર્શાવે છે કે કેવી રીતે ડ્રોન વધુને વધુ મહત્ત્વપૂર્ણ બની રહ્યાં છે જેથી તેઓ દેખરેખ કરી શકે,
અન્ય રિમોટ-સેન્સિંગ અને ગ્રાઉન્ડ-આધારિત સિસ્ટમોની તુલનામાં તપાસ, અને અંદાજ પ્રથા ઝડપી, સસ્તી અને સરળ રીતે કરવામાં આવે છે. ઉપરાંત, જ્યારે જરૂર પડે ત્યારે તેઓ ચોક્કસ માત્રામાં ઇનપુટ (દા.ત., પાણી અથવા જંતુનાશકો)નો છંટકાવ કરી શકે છે (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
સૌથી વધુ ઉપયોગમાં લેવાતા કીવર્ડ્સની સૂચિ.
ક્રમ | 1990-2010 | ની સંખ્યા ઘટનાઓ | 2011-2021 | ની સંખ્યા ઘટનાઓ |
1 | માનવરહિત હવાઈ વાહન | 28 | માનવરહિત હવાઈ વાહન | 1628 |
2 | રિમોટ સેન્સિંગ | 7 | ચોકસાઇ કૃષિ | 489 |
3 | કૃષિ | 4 | રિમોટ સેન્સિંગ | 399 |
4 | એરબોર્ન | 4 | પ્રમાદી | 374 |
5 | ચોકસાઇ કૃષિ | 4 | માનવરહિત હવાઈ સિસ્ટમ | 271 |
6 | માનવરહિત હવાઈ | 4 | કૃષિ | 177 |
7 | હાઇપરસ્પેક્ટ્રલ સેન્સર | 3 | ઊંડા શિક્ષણ | 151 |
8 | કૃત્રિમ ન્યુરલ નેટવર્ક્સ | 2 | મશીન શિક્ષણ | 149 |
9 | સ્વાયત્ત ઉડાન | 2 | વનસ્પતિ ઇન્ડેક્સ | 142 |
10 | કોફી | 2 | નું ઈન્ટરનેટ વસ્તુઓ | 124 |
અન્ય રસપ્રદ સુવિધા એ પૂરક તકનીકોની હાજરી છે. પ્રથમ તબક્કામાં, "હાયપરસ્પેક્ટ્રલ સેન્સર" અને "કૃત્રિમ ન્યુરલ નેટવર્ક્સ" (ANN) ટોપ ટેન કીવર્ડ્સમાં સામેલ છે. હાયપરસ્પેક્ટ્રલ ઇમેજિંગે વિવિધ તરંગલંબાઇ પર મોટી સંખ્યામાં છબીઓ એકત્રિત કરીને પરંપરાગત ઇમેજિંગમાં ક્રાંતિ લાવી. આમ કરવાથી, સેન્સર મલ્ટિસ્પેક્ટરલ ઇમેજિંગ, સ્પેક્ટ્રોસ્કોપી અને આરજીબી ઇમેજરી (અડાઓ ˜ એટ અલ.,
2017). પ્રથમ તબક્કામાં "ANN" અને બીજા તબક્કામાં "ડીપ લર્નિંગ" (DL) અને "મશીન લર્નિંગ" (ML) ની ઘટના સૂચવે છે કે મોટાભાગની પ્રકાશિત કૃતિઓ ડ્રોન માટે AI તકનીકોની સંભવિતતાના પરીક્ષણ પર કેન્દ્રિત છે- આધારિત ખેતી. જોકે ડ્રોન સ્વાયત્ત રીતે ઉડવા માટે સક્ષમ છે, તેમ છતાં તેમને પાઇલટની સંડોવણીની જરૂર છે, જે ઉપકરણની બુદ્ધિના નીચા સ્તરને સૂચવે છે. જો કે, આ સમસ્યા એઆઈ તકનીકોના વિકાસને કારણે ઉકેલી શકાય છે, જે વધુ સારી પરિસ્થિતિલક્ષી જાગૃતિ અને સ્વાયત્ત નિર્ણય સમર્થન પ્રદાન કરી શકે છે. AI થી સજ્જ, ડ્રોન નેવિગેશન દરમિયાન અથડામણને ટાળી શકે છે, માટી અને પાક વ્યવસ્થાપન સુધારી શકે છે (Inoue, 2020), અને મનુષ્યો માટે શ્રમ અને તણાવ ઘટાડી શકે છે (BK શર્મા એટ અલ., 2019).
તેમની લવચીકતા અને વિશાળ માત્રામાં બિનરેખીય ડેટાને હેન્ડલ કરવાની ક્ષમતાને લીધે, AI તકનીકો ડ્રોન અને અન્ય રિમોટ-સેન્સિંગ અને ગ્રાઉન્ડ-આધારિત સિસ્ટમ્સ દ્વારા પ્રસારિત કરવામાં આવતા ડેટાનું અનુમાન અને નિર્ણય લેવા માટે વિશ્લેષણ કરવા માટે યોગ્ય પદ્ધતિઓ છે (અલી એટ અલ., 2015; Inoue, 2020). વધુમાં, બીજા સમયગાળામાં "IoT" ની હાજરી કૃષિમાં તેની ઉભરતી ભૂમિકા સૂચવે છે. IoT ડ્રોન, ML, DL, WSNs અને મોટા ડેટા સહિત અન્ય તકનીકોને એકબીજા સાથે જોડીને કૃષિમાં ક્રાંતિ લાવી રહ્યું છે. IoT ના અમલીકરણના મુખ્ય ફાયદાઓમાંનો એક એ છે કે નજીકના વાસ્તવિક સમયમાં વિવિધ કાર્યો (ડેટા સંપાદન, ડેટા વિશ્લેષણ અને પ્રક્રિયા, નિર્ણય લેવા અને અમલીકરણ) ને અસરકારક અને અસરકારક રીતે મર્જ કરવાની તેની ક્ષમતા છે (એલિજાહ એટ અલ., 2018; ફેંગ એટ અલ. , 2019; મુઆંગપ્રથુબ એટ અલ., 2019). વધુમાં, ડ્રોનને વનસ્પતિના ઉત્સાહ અને વનસ્પતિ ગુણધર્મોની ગણતરી માટે જરૂરી ડેટા મેળવવા માટે કાર્યક્ષમ સાધનો ગણવામાં આવે છે (કેન્ડિયાગો એટ અલ., 2015). ફિગ. 2a અને 2b બંને સમયગાળા માટે કીવર્ડ સહ-ઘટના નેટવર્કનું વર્ણન કરે છે.
પ્રભાવશાળી લેખકો
આ વિભાગમાં, અમે પ્રભાવશાળી લેખકોને નિર્ધારિત કરીએ છીએ અને લેખકના સંદર્ભ નેટવર્ક્સ વર્તમાન સાહિત્યને કેવી રીતે વિઝ્યુઅલાઈઝ અને ગોઠવી શકે છે તેની તપાસ કરીએ છીએ. ફિગ. 3 એ તમામ સંશોધકોનો કાલક્રમિક ઓવરલે દર્શાવે છે જેમાં સૌથી વધુ સંખ્યામાં ટાંકણો છે. રંગ સ્કેલ લેખકોના અવતરણોની વર્ષ મુજબની વિવિધતાને પ્રતિબિંબિત કરે છે. અમે ઓછામાં ઓછા 50 ટાંકણો અને દસ પ્રકાશનોના થ્રેશોલ્ડનો ઉપયોગ કરીને કૃષિ ડ્રોન પર અભ્યાસ પ્રકાશિત કરનારા સંશોધકોના અવતરણ માળખાની તપાસ કરીએ છીએ. બહાર
12,891 લેખકો, માત્ર 115 આ શરતને પૂર્ણ કરે છે. કોષ્ટક 4 ટોચના દસ પ્રભાવશાળી લેખકોની યાદી આપે છે, મહત્તમ સંખ્યાના અવતરણો દ્વારા વર્ગીકૃત થયેલ છે. લોપેઝ- ગ્રેનાડોસ એફ. 1,963 અવતરણો સાથે યાદીમાં મોખરે છે, ત્યારબાદ 1,909 અવતરણો સાથે ઝાર્કો-તેજાદા પીજે છે.
સૌથી વધુ ટાંકવામાં આવેલા લેખકોની યાદી.
રેન્કિંગ | લેખક | થયેલા |
1 | લોપેઝ-ગ્રાનાડોસ એફ. | 1,963 |
2 | ઝરકો-તેજડા પી.જે | 1,909 |
3 | પેના ˜ જેએમ | 1,644 |
4 | ટોરસ-એસ' એન્ચેઝ જે. | 1,576 |
5 | ફેરેસ ઇ | 1,339 |
6 | રેમોન્ડિનો એફ | 1,235 |
7 | બોલ્ટન એ | 1,160 |
8 | બારેથ જી | 1,155 |
9 | બર્ની જે.એ | 1,132 |
10 | ડી કાસ્ટ્રો AI | 1,036 |
જ્યારે વ્યક્તિગત પ્રકાશનોની વાત આવે છે, ત્યારે ઝાંગ અને કોવાક્સનો (2012) લેખ પ્રિસિઝન એગ્રીકલ્ચરમાં પ્રકાશિત થયેલો સૌથી વધુ ટાંકવામાં આવેલ અભ્યાસ છે. અહીં, લેખકોએ ચોક્કસ કૃષિમાં UAS ની અરજીની સમીક્ષા કરી. તેમના સંશોધનના તારણો સૂચવે છે કે ખેડૂતોને વિશ્વસનીય અંતિમ ઉત્પાદનો પ્રદાન કરવા માટે પ્લેટફોર્મ ડિઝાઇન, ઉત્પાદન, ઇમેજ જિયોરેફરન્સિંગનું માનકીકરણ અને માહિતી પુનઃપ્રાપ્તિ વર્કફ્લોને આગળ વધારવાની જરૂર છે. વધુમાં, તેઓ ખાસ કરીને ફિલ્ડ પ્લાનિંગ, ઇમેજ કેપ્ચર, તેમજ ડેટા અર્થઘટન અને વિશ્લેષણમાં ખેડૂતને વધુ મજબૂત રીતે જોડવાની ભલામણ કરે છે. મહત્વની વાત એ છે કે, આ અભ્યાસ ફિલ્ડ મેપિંગ, જોરશોર મેપિંગ, રાસાયણિક સામગ્રી માપન, વનસ્પતિ તણાવ મોનિટરિંગ અને છોડના વિકાસ પર ખાતરોની અસરોના મૂલ્યાંકનમાં UAV નું મહત્વ દર્શાવનાર પ્રથમ અભ્યાસમાં હતો. ટેક્નોલોજી સંબંધિત પડકારોમાં પ્રતિબંધક ખર્ચ, સેન્સરની ક્ષમતા, પ્લેટફોર્મની સ્થિરતા અને વિશ્વસનીયતા, માનકીકરણનો અભાવ અને મોટા પ્રમાણમાં ડેટાનું વિશ્લેષણ કરવાની સુસંગત પ્રક્રિયાનો પણ સમાવેશ થાય છે.
અવતરણ વિશ્લેષણ
સંદર્ભ વિશ્લેષણ લેખોના પ્રભાવના અભ્યાસનું પ્રતિનિધિત્વ કરે છે, જોકે પ્રવાહની સંભાવના છે (દા.ત., ટાંકણી પૂર્વગ્રહ, સ્વ-ઉદ્ધરણ) અસર મૂલ્યાંકન માટેના એક માનક સાધન તરીકે ગણવામાં આવે છે (ઓસારેહ, 1996; એ. રેજેબ એટ અલ., 2022; સરલી એટ અલ., 2010). અવતરણો ચોક્કસ વિષય પરના સાહિત્યમાં પેપરોના યોગદાનના મહત્વ અને જોમને પણ પ્રતિબિંબિત કરે છે (આર. શર્મા એટ અલ., 2022). અમે કૃષિ ડ્રોન પરના સૌથી પ્રભાવશાળી અભ્યાસો નક્કી કરવા માટે એક અવતરણ વિશ્લેષણ હાથ ધર્યું અને સમાવિષ્ટોનો સારાંશ આપ્યો. કોષ્ટક 5 1990-2010 અને 2011-2021 સમયગાળા માટેના પંદર સૌથી પ્રભાવશાળી પેપર્સની સૂચિ રજૂ કરે છે. બર્ની એટ અલ દ્વારા લેખો. (2009)b અને ઑસ્ટિન (2010) અનુક્રમે 1990 અને 2010 ટાંકણો સાથે 831 અને 498 દરમિયાન સૌથી વધુ ટાંકવામાં આવ્યા છે. બર્ની એટ અલ. (2009)b એ સસ્તું થર્મલ અને નેરોબેન્ડ મલ્ટિસ્પેક્ટરલ ઇમેજિંગ સેન્સર્સ સાથે સજ્જ હેલિકોપ્ટર-આધારિત UAV દ્વારા જથ્થાત્મક રિમોટસેન્સિંગ ઉત્પાદનો વિકસાવવાની સંભવિતતા દર્શાવી છે. પરંપરાગત માનવસંચાલિત એરબોર્ન સેન્સર્સની તુલનામાં, કૃષિ માટે ઓછી કિંમતની યુએવી સિસ્ટમ પાકના બાયોફિઝિકલ પરિમાણોના તુલનાત્મક અંદાજો હાંસલ કરવામાં સક્ષમ છે, જો વધુ સારું ન હોય. ઝડપી ટર્નઅરાઉન્ડ સમયે ઉપલબ્ધ ઉચ્ચ સ્પેક્ટ્રલ, અવકાશી અને ટેમ્પોરલ રિઝોલ્યુશનની સાથે સસ્તું ખર્ચ અને ઓપરેશનલ લવચીકતા, સિંચાઈ શેડ્યુલિંગ અને ચોકસાઇ ખેતી સહિત સમય-નિર્ણાયક વ્યવસ્થાપનની જરૂર હોય તેવા કાર્યક્રમોની શ્રેણી માટે યોગ્ય UAV રેન્ડર કરે છે. બર્ની એટ અલ તરફથી પેપર. (2009)b ખૂબ જ ટાંકવામાં આવે છે કારણ કે તે અસરકારક રીતે માનવરહિત રોટરી-વિંગ પ્લેટફોર્મ અને ડિજિટલ અને થર્મલ સેન્સર્સને કૃષિ એપ્લિકેશન્સ માટે જરૂરી કેલિબ્રેશન મિકેનિઝમ્સ સાથે સંકલિત કરે છે. બીજું સૌથી વધુ ટાંકવામાં આવતું પ્રકાશન ઑસ્ટિન (2010) દ્વારા લખાયેલ પુસ્તક છે, જેણે ડિઝાઇન, વિકાસ અને જમાવટના દ્રષ્ટિકોણથી UAVs વિશે ચર્ચા કરી હતી. કૃષિમાં, UAVs પાકના રંગમાં ફેરફાર, પાકની વાવણી અને છંટકાવની સુવિધા, અને ટોળાઓનું નિરીક્ષણ અને વાહન ચલાવીને રોગોની વહેલી શોધ કરીને પાકની દેખરેખને સમર્થન આપે છે.
સુલિવાન એટ અલના અભ્યાસ. (2007), Lumme et al. (2008), અને ગોક્ટો ¨ ǧan એટ અલ. (2010) ટોચના પંદર સૌથી વધુ ટાંકવામાં આવેલા લેખોની સૂચિ સમાપ્ત કરો. આ લેખો કૃષિને ટેકો આપવા માટે યુએવી-આધારિત પ્રણાલીઓના વિકાસને દર્શાવે છે. તેઓ વિવિધ સમસ્યાઓના ઉકેલો આપે છે, જેમ કે પાકની દેખરેખ અને સ્કેનિંગ, નીંદણની દેખરેખ અને વ્યવસ્થાપન અને નિર્ણય સહાય. તેઓ નમૂના લેવાની કાર્યક્ષમતા વધારવા અને ખેડૂતોને સચોટ અને અસરકારક ઘડી કાઢવામાં મદદ કરવા માટે UAV ની ક્ષમતાનું સૂચન અને ચર્ચા પણ કરે છે.
વાવેતર વ્યૂહરચના. બર્ની દ્વારા બે પેપર લખવામાં આવ્યા હતા (બર્ની એટ અલ., 2009b; બર્ની એટ અલ., 2009a), કૃષિ ડ્રોન-સંબંધિત સંશોધન પર તેમની નોંધપાત્ર અસરને રેખાંકિત કરતા. Zarco-Tejada એટ અલ તરફથી કાગળ. (2014) વૃક્ષની ઊંચાઈના પરિમાણમાં ઓછા ખર્ચે UAV ઈમેજરીનો ઉપયોગ કરવાની જરૂરિયાતને દર્શાવવા માટેના અગ્રેસર અભ્યાસોમાંનો એક છે.
સૌથી વધુ ટાંકવામાં આવેલા પ્રકાશનોની સૂચિ.
ક્રમ | 1990 થી 2010 સુધી | 2011 થી 2021 સુધી | ||
દસ્તાવેજ | પ્રશસ્તિ | દસ્તાવેજ | પ્રશસ્તિ | |
1 | (બર્ની એટ અલ., 2009બી) | 831 | (સી. ઝાંગ અને કોવાક્સ, 2012) | 967 |
2 | (ઓસ્ટિન, 2010) | 498 | (નેક્સ અને રેમોન્ડિનો, 2014) | 893 |
3 | (હન્ટ એટ અલ., 2010) | 331 | (ફ્લોરેનો અને વુડ, 2015) | 552 |
4 | (એસઆર હેરવિટ્ઝ એટ અલ., 2004) | 285 | (હુસેન મોટલાગ એટ અલ., 2016) | 391 |
5 | (CCD લેલોંગ એટ અલ., 2008) | 272 | (શખાત્રેહ એટ અલ., 2019) | 383 |
6 | (બર્ની એટ અલ., 2009બી) | 250 | (મા એટ અલ., 2017) | 373 |
7 | (ગ્રેન્ઝડોર્ફર ¨ એટ અલ., 2008) | 198 | (બેન્ડિગ એટ અલ., 2014) | 360 |
8 | (હરાબર એટ અલ., 2005) | 175 | (ઝાર્કો-તેજાડા એટ અલ., 2014) | 347 |
9 | (વાય. હુઆંગ એટ અલ., 2009) | 129 | (એડ એઓ એટ અલ., 2017) | 335 |
10 | (Schmale III એટ અલ., 2008) | 119 | (હોંકાવરા એટ અલ., 2013a) | 331 |
11 | (અબ્દ-અલરહમાન એટ અલ., 2005) | 79 | (કેન્ડિયાગો એટ અલ., 2015) | 327 |
12 | (ટેકી એટ અલ., 2010) | 69 | (ઝિઆંગ અને ટિયાન, 2011) | 307 |
13 | (સુલિવાન એટ અલ., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (લુમ્મે એટ અલ., 2008) | 42 | (ગાગો એટ અલ., 2015) | 275 |
15 | (ગોક્ટો ¨ ǧan એટ અલ., 2010) | 40 | (આસેન એટ અલ., 2015a) | 269 |
બીજા સમયગાળામાં (2011–2021), Zhang and Kovacs (2012) અને Nex and Remondino (2014) દ્વારા કરવામાં આવેલા સંશોધનને પરિણામે સૌથી વધુ વારંવાર ટાંકવામાં આવતા પ્રકાશનો આવ્યા. Zhang and Kovacs (2012) દલીલ કરે છે કે ક્ષેત્રની વિવિધતાઓને પકડવા અને વૈકલ્પિક વ્યૂહરચનાઓને કામે લગાડીને તેને નિયંત્રિત કરવા માટે જિયોસ્પેશિયલ તકનીકો અને સેન્સર્સ, જેમ કે ભૌગોલિક માહિતી પ્રણાલીઓ, GPS અને રિમોટ સેન્સિંગના અમલીકરણથી ચોકસાઇવાળી ખેતી લાભ મેળવી શકે છે. પ્રિસિઝન એગ્રીકલ્ચરમાં ગેમ-ચેન્જર તરીકે, ડ્રોનને અપનાવવાથી રિમોટ સેન્સિંગ, હવાઈ અવલોકનને સરળ બનાવવા, પાકની વૃદ્ધિના ડેટા, જમીનની સ્થિતિ અને છંટકાવના ક્ષેત્રોમાં નવા યુગની શરૂઆત થઈ છે. Zhang and Kovacs (2012) ની સમીક્ષા મહત્વપૂર્ણ છે કારણ કે તે પર્યાવરણીય દેખરેખ અને ચોકસાઇ કૃષિમાં આ ઉપકરણોના હાલના ઉપયોગો અને પડકારો, જેમ કે પ્લેટફોર્મ અને કેમેરાની મર્યાદાઓ, ડેટા પ્રોસેસિંગ પડકારો, ખેડૂતોની સંલગ્નતા અને ઉડ્ડયન નિયમોને છતી કરીને UAVs માં આંતરદૃષ્ટિ આપે છે. . બીજી
Nex and Remondino (2014) ના સૌથી વધુ ટાંકવામાં આવેલા અભ્યાસમાં પૃથ્વીની છબીઓ કેપ્ચર કરવા, પ્રક્રિયા કરવા અને વિશ્લેષણ કરવા માટે UAV ની કલાની સ્થિતિની સમીક્ષા કરવામાં આવી છે.
તેમના કાર્યમાં યુએવી ઇમેજ પ્રોસેસિંગમાં નવીનતમ પ્રગતિ દર્શાવતા કેટલાક UAV પ્લેટફોર્મ્સ, એપ્લિકેશન્સ અને ઉપયોગના કેસોની ઝાંખી પણ રજૂ કરવામાં આવી હતી. કૃષિમાં, ખેડૂતો ખર્ચ અને સમયની બચત હાંસલ કરવા, નુકસાનનો ઝડપી અને ચોક્કસ રેકોર્ડ મેળવવા અને સંભવિત સમસ્યાઓની અપેક્ષા કરવા માટે અસરકારક નિર્ણયો લેવા UAV નો ઉપયોગ કરી શકે છે. પરંપરાગત હવાઈ પ્લેટફોર્મથી વિપરીત, UAVs ઓપરેશનલ ખર્ચમાં ઘટાડો કરી શકે છે અને ઉચ્ચ ચોકસાઇ ક્ષમતાને જાળવી રાખીને કઠોર સ્થળોએ પ્રવેશના જોખમને ઘટાડી શકે છે. તેમના પેપર UAV ના વિવિધ ફાયદાઓનો સારાંશ આપે છે, ખાસ કરીને ચોકસાઈ અને રિઝોલ્યુશનની દ્રષ્ટિએ.
2011 અને 2021 ની વચ્ચેના બાકીના તેર સૌથી વધુ ટાંકવામાં આવેલા પ્રકાશનોમાં, અમે ઇમેજિંગ મિશનમાં ડ્રોન એપ્લિકેશન્સ સાથે જોડાયેલા સંશોધન પર વધુ એકાગ્રતા નોંધ્યું (બેન્ડિગ એટ અલ., 2014; મા એટ અલ., 2017; ઝાર્કો-તેજાદા એટ અલ., 2014) , પ્રિસિઝન એગ્રીકલ્ચર (કેન્ડિયાગો એટ અલ., 2015; હોન્કાવારા એટ અલ., 2013a), પ્રિસિઝન વિટીકલ્ચર (મેટીસ એટ અલ., 2015), વોટર સ્ટ્રેસ એસેસમેન્ટ (ગાગો એટ અલ., 2015), અને વેજિટેશન મોનિટરિંગ (આસેન) , 2015a). પ્રારંભિક વર્ષોમાં, સંશોધકોએ ધ્યાન કેન્દ્રિત કર્યું
ખેતી માટે ઓછી કિંમતની, હલકી અને ચોક્કસ યુએવી-આધારિત સિસ્ટમો વિકસાવવા પર વધુ; વધુ તાજેતરના સંશોધનોએ કૃષિ અને ક્ષેત્રના સર્વેક્ષણ માટે યુએવી એપ્લિકેશન્સની સમીક્ષાઓ પર વધુ ધ્યાન કેન્દ્રિત કર્યું છે. સારાંશમાં, આ વિશ્લેષણ દર્શાવે છે કે પ્રભાવશાળી પ્રકાશનોએ મોટાભાગે UAVsની વર્તમાન વૈજ્ઞાનિક અને તકનીકી સ્થિતિનું મૂલ્યાંકન કરવા માટે અગાઉના અભ્યાસોની સમીક્ષાઓ પ્રદાન કરી છે અને ચોકસાઇ કૃષિને ટેકો આપવા માટે UAV સિસ્ટમ વિકસાવી છે. રસપ્રદ વાત એ છે કે, અમને એવા અભ્યાસ મળ્યા નથી કે જે પ્રયોગમૂલક કામ કરે
પધ્ધતિઓ અથવા વર્ણનાત્મક કેસ સ્ટડીઝ, જે જ્ઞાનમાં નોંધપાત્ર તફાવત બનાવે છે અને આ વિષય પર વધુ સંશોધનની માંગ કરે છે.
સહ-ઉદ્ધરણ વિશ્લેષણ
Gmür (2006) મુજબ, સહ-ઉદ્ધરણ વિશ્લેષણ સમાન પ્રકાશનોને ઓળખે છે અને તેમને ક્લસ્ટર કરે છે. ક્લસ્ટરની કાળજીપૂર્વક તપાસ કરવાથી પ્રકાશનોમાં સંશોધનનું સામાન્ય ક્ષેત્ર જાણી શકાય છે. અમે સંબંધિત વિષય વિસ્તારોને સમજાવવા અને પ્રકાશનોની બૌદ્ધિક પેટર્ન શોધવા માટે કૃષિ ડ્રોનને લગતા સાહિત્યના સહ-ઉદ્ધરણની તપાસ કરીએ છીએ. આ સંદર્ભમાં, સ્મોલ (1973) એ સૌથી પ્રભાવશાળી અને મુખ્ય સંશોધનનો અભ્યાસ કરવા માટે કોસિટેશન વિશ્લેષણનો ઉપયોગ કરવાની ભલામણ કરી હતી.
એક શિસ્તની અંદર. સમૂહને સૌથી મહત્વપૂર્ણ લેખો (ગોયલ અને કુમાર, 2021) સુધી મર્યાદિત કરવા માટે, અમે 25 ની સહ-ઉદ્ધરણ થ્રેશોલ્ડ સેટ કરી છે, એટલે કે 25 અથવા વધુ વિવિધ પ્રકાશનોની સંદર્ભ સૂચિમાં બે લેખો એકસાથે ટાંકવામાં આવ્યા હોવા જોઈએ. ક્લસ્ટરિંગ પણ ન્યૂનતમ ક્લસ્ટર કદ 1 સાથે હાથ ધરવામાં આવ્યું હતું અને નાના ક્લસ્ટરોને મોટા સાથે મર્જ કરવાની કોઈપણ પદ્ધતિ વિના. પરિણામે, અભ્યાસની સમાનતા અને તેમની બૌદ્ધિક રચનાના આધારે છ ક્લસ્ટર બનાવવામાં આવ્યા હતા. કોષ્ટક 6 દરેક ક્લસ્ટરમાં પ્રકાશનોનું વિતરણ દર્શાવે છે.
ક્લસ્ટર 1: આ ક્લસ્ટરમાં પ્રકાશિત થયેલા અઢાર દસ્તાવેજો છે જે આ ક્લસ્ટરના પ્રકાશનો પર્યાવરણીય દેખરેખ, પાક વ્યવસ્થાપન અને નીંદણ વ્યવસ્થાપનને ટેકો આપવા માટે ડ્રોનની ભૂમિકાની ચર્ચા કરે છે. ઉદાહરણ તરીકે, મેનફ્રેડા એટ અલ. (2018) પ્રાકૃતિક કૃષિ ઇકોસિસ્ટમ મોનિટરિંગમાં UAV ના વર્તમાન સંશોધન અને અમલીકરણોની ઝાંખી પૂરી પાડે છે અને દલીલ કરે છે કે ટેક્નોલોજી પર્યાવરણીય દેખરેખને તીવ્રપણે વધારવા અને ઘટાડવાની જબરદસ્ત સંભાવના પ્રદાન કરે છે.
ક્ષેત્ર અવલોકન અને પરંપરાગત હવા અને અવકાશજન્ય રીમોટ સેન્સિંગ વચ્ચેનું હાલનું અંતર. આ સસ્તું રીતે મોટા વિસ્તારોમાં સુધારેલ ટેમ્પોરલ પુનઃપ્રાપ્તિ અને અવકાશી આંતરદૃષ્ટિ માટે નવી ક્ષમતા પ્રદાન કરીને કરી શકાય છે. UAVs પર્યાવરણને સતત સમજી શકે છે અને પરિણામી ડેટાને બુદ્ધિશાળી, કેન્દ્રીયકૃત/વિકેન્દ્રિત સંસ્થાઓને મોકલી શકે છે જે સેન્સરને નિયંત્રિત કરે છે જેથી રોગ અથવા પાણીની શોધનો અભાવ (પદુઆ ´ એટ અલ., 2017). અદાઓ ˜ એટ અલ. (2017) એવું માને છે કે UAV એ પાણીની સ્થિતિ, બાયોમાસ અંદાજ અને જોમ મૂલ્યાંકન સંબંધિત વિશાળ માત્રામાં કાચો ડેટા મેળવીને છોડની સ્થિતિનું મૂલ્યાંકન કરવા માટે આદર્શ છે. UAV-માઉન્ટેડ સેન્સર્સને યોગ્ય પર્યાવરણીય પરિસ્થિતિઓમાં પણ તરત જ તૈનાત કરી શકાય છે જેથી રિમોટ-સેન્સિંગ ડેટાને સમયસર કેપ્ચર કરી શકાય (વોન બ્યુરેન એટ અલ., 2015). UAVs દ્વારા, ખેડૂતો ઇન્ડોર ફાર્મિંગ વાતાવરણની ત્રિ-પરિમાણીય જગ્યા (દા.ત., ગ્રીનહાઉસ) માં વ્યવહારીક રીતે કોઈપણ જગ્યાએથી માપ મેળવીને ઇન્ડોર ફાર્મિંગ પ્રવૃત્તિઓ હાથ ધરવા સક્ષમ છે, જેનાથી સ્થાનિક આબોહવા નિયંત્રણ અને છોડની દેખરેખ સુનિશ્ચિત થાય છે (રોલ્ડન એટ અલ. ., 2015). ચોકસાઇના સંદર્ભમાં
કૃષિ, પાક વ્યવસ્થાપનના નિર્ણયો માટે યોગ્ય ટેમ્પોરલ અને અવકાશી રીઝોલ્યુશન (ગેબર્સ અને એડમચુક, 2010; ગેવર્ટ એટ અલ., 2015; મેસ અને સ્ટેપ, 2019) સાથે ચોક્કસ, વિશ્વસનીય પાક ડેટાની આવશ્યકતા છે. આ કારણોસર, Agüera Vega et al. (2015) વધતી મોસમ દરમિયાન સૂર્યમુખીના પાકની છબીઓ મેળવવા માટે યુએવી-માઉન્ટેડ મલ્ટિસ્પેક્ટ્રલ સેન્સર સિસ્ટમનો ઉપયોગ કર્યો. તેવી જ રીતે, હુઆંગ એટ અલ. (2009) નોંધ કરો કે યુએવી પર આધારિત રિમોટ સેન્સિંગ એકત્રિત સ્પેક્ટ્રલ ડેટામાંથી પાક અને માટીના માપને સરળ બનાવી શકે છે. વર્જર એટ અલ. (2014) ઘઉં અને રેપસીડ પાકો પર ધ્યાન કેન્દ્રિત કરીને, ચોકસાઇવાળા કૃષિ એપ્લિકેશન્સમાં UAV પ્રતિબિંબ માપનથી ગ્રીન એરિયા ઇન્ડેક્સ (GAI) નો અંદાજ કાઢવા માટેની તકનીક વિકસાવી અને તેનું પરીક્ષણ કર્યું. તેથી, ડ્રોન વારંવાર પુનરાવર્તિત અને ઉચ્ચ અવકાશી રીઝોલ્યુશન (ડોંગ એટ અલ., 2019; ગારઝોનિયો એટ અલ., 2017; એચ. ઝેંગ એટ અલ., 2016) સાથે પાકની સ્થિતિની માહિતી પુનઃપ્રાપ્ત કરવા માટે નવી શક્યતાઓ પૂરી પાડે છે.
કૃષિ ડ્રોન પર પ્રભાવશાળી પ્રકાશનોનું ક્લસ્ટરિંગ.
ક્લસ્ટર | વ્યાપક થીમ | સંદર્ભ |
1 | પર્યાવરણીય દેખરેખ, પાક વ્યવસ્થાપન, નીંદણ વ્યવસ્થાપન | (એડ એઓ એટ અલ., 2017; અગુએરા વેગા એટ અલ., 2015; ડી કાસ્ટ્રો એટ અલ., 2018; ગોમેઝ-કેન્ડ ´ એટ અલ., 2014 પર; YB હુઆંગ એટ અલ., 2013; ખાનલ એટ અલ., 2017; લોપેઝ-ગ્રાનાડોસ, ´ 2011; મેનફ્રેડા એટ અલ., 2018; પી' અદુઆ એટ અલ., 2017; પેના ˜ એટ અલ., 2013; પેરેઝ-ઓર્ટીઝ એટ અલ., 2015; રાસમુસેન એટ અલ., 2013, 2016; ટોરસ-એસ' anchez et al., 2014; ટોરસ-સાંચેઝ, ´ લોપેઝ-ગ્રાનાડોસ, ´ અને પેના, ˜ 2015; વર્જર એટ અલ., 2014; વોન બુરેન એટ અલ., 2015; સી. ઝાંગ અને કોવાક્સ, 2012) |
2 | દૂરસ્થ ફેનોટાઇપિંગ, ઉપજ અંદાજ, પાકની સપાટીનું મોડેલ, છોડની ગણતરી | (Bendig et al., 2013, 2014; Geipel એટ અલ., 2014; Gnadinger ¨ & Schmidhalter, 2017; હઠીઘાતલબ એટ અલ., 2016; હોલમેન એટ અલ., 2016; જિન એટ અલ., 2017; ડબલ્યુ. લિ એટ અલ., 2016; Maimaitijiang et al., 2017; સંકરણ એટ અલ., 2015; શિરર્મન એટ અલ., 2016; શી એટ અલ., 2016; યુ એટ અલ., 2017; એક્સ. ઝોઉ એટ અલ., 2017) |
3 | પાણી માટે થર્મલ ઇમેજિંગ, મલ્ટિસ્પેક્ટ્રલ ઇમેજિંગ | (બાલુજા એટ અલ., 2012; બર્ની એટ અલ., 2009b; બર્ની એટ અલ., 2009a ; કેન્ડિયાગો એટ અલ., 2015; ગાગો એટ અલ., 2015; ગોન્ઝાલેઝ-ડુગો એટ અલ., 2013, 2014; ગ્રેન્ઝડોર્ફર ¨ એટ અલ., 2008; ખાલિક એટ અલ., 2019; Matese et al., 2015; રિબેરો-ગોમ્સ એટ અલ., 2017; સેન્ટેસ્ટેબન એટ અલ., 2017; યુટો એટ અલ., 2013) |
4 | હાયપરસેક્ટ્રલ ઇમેજિંગ, સ્પેક્ટ્રલ ઇમેજિંગ | (આસેન એટ અલ., 2015a; બેરેથ એટ અલ., 2015; હકાલા એટ અલ., 2013; હોન્કાવારા એટ અલ., 2013a; લ્યુસિયર એટ અલ., 2014; સારી એટ અલ., 2011; સુઓમલાઈનેન એટ અલ., 2014) |
5 | 3D-મેપિંગ એપ્લિકેશન્સ | (જિમેનેઝ-બ્રેન્સ એટ અલ., 2017; નેક્સ અને રેમોન્ડિનો, 2014; સલામી એટ અલ., 2014; ટોરસ-એસ' એન્ચેઝ, લોપેઝ- ´ ગ્રેનાડોસ, સેરાનો, એટ અલ., 2015; ઝહાવી એટ અલ., 2015; ઝરકો-તેજડા એટ અલ., 2014) |
6 | કૃષિ સર્વેલન્સ | (SR Herwitz et al., 2004; Hunt એટ અલ., 2010; CCD લેલોંગ એટ અલ., 2008; પ્રિમિસેરિયો એટ અલ., 2012; ઝિયાંગ અને ટિયાન, 2011) |
વધુમાં, ડ્રોન ખેતીના પડકારરૂપ કાર્યો માટે ઉપયોગી છે, જેમાં નીંદણના નકશાનો સમાવેશ થાય છે. ઉપકરણો દ્વારા કેપ્ચર કરાયેલી છબીઓએ ખેતરોમાં પ્રારંભિક નીંદણ શોધવા માટે તેમની ઉપયોગિતા સાબિત કરી છે (ડી કાસ્ટ્રો એટ અલ., 2018; જીમેનેઝ-બ્રેનેસ એટ અલ., 2017; લેમ એટ અલ., 2021; લોપેઝ-ગ્રાનાડોસ એટ અલ., 2016; રોઝેનબર્ગ એટ અલ., 2021). આ સંદર્ભે, ડી કાસ્ટ્રો એટ અલ. (2018) એવી ધારણા છે કે UAV ઇમેજરી અને ઑબ્જેક્ટ-આધારિત ઇમેજ એનાલિસિસ (OBIA) ના મર્જથી પ્રેક્ટિશનરોને પ્રારંભિક સીઝનના ઘાસના મેદાનમાં પાકમાં પ્રારંભિક શોધની સમસ્યાને દૂર કરવામાં સક્ષમ બનાવ્યા છે, જે નીંદણ સંશોધનમાં એક મોટું પગલું છે. તેવી જ રીતે, પેના ˜ એટ અલ. (2013) નિર્દેશ કરે છે કે OBIA પ્રક્રિયા સાથે જોડાણમાં UAV માંથી અતિ-ઉચ્ચ અવકાશી રિઝોલ્યુશન છબીઓનો ઉપયોગ પ્રારંભિક મકાઈના પાકમાં નીંદણના નકશા બનાવવાનું શક્ય બનાવે છે જેનો ઉપયોગ સીઝનમાં નીંદણ નિયંત્રણ પગલાંના અમલીકરણના આયોજનમાં થઈ શકે છે, ઉપગ્રહ અને પરંપરાગત એરબોર્ન ઈમેજીસની ક્ષમતાની બહારનું કાર્ય. ઇમેજ ક્લાસિફિકેશન અથવા ઑબ્જેક્ટ ડિટેક્શન એલ્ગોરિધમ્સની તુલનામાં, સિમેન્ટીક સેગ્મેન્ટેશન તકનીકો નીંદણના મેપિંગ કાર્યોમાં વધુ અસરકારક છે (જે. ડેંગ એટ અલ., 2020), આમ ખેડૂતોને ખેતરની સ્થિતિ શોધવા, નુકસાન ઘટાડવા અને વધતી મોસમ દરમિયાન ઉપજ સુધારવા માટે સક્ષમ બનાવે છે (રમેશ એટ અલ., 2020). ડીપ લર્નિંગ આધારિત સિમેન્ટીક સેગ્મેન્ટેશન ઉચ્ચ-રિઝોલ્યુશન એરિયલ ઈમેજીસ (રમેશ એટ અલ., 2020; એ. ઝેંગ એટ અલ., 2022)માંથી વનસ્પતિ કવરનું ચોક્કસ માપ પણ પ્રદાન કરી શકે છે. રિમોટ માટે તેમની સંભવિતતા હોવા છતાં
સેન્સિંગ પિક્સેલ વર્ગીકરણ, સિમેન્ટીક સેગમેન્ટેશન તકનીકોને નોંધપાત્ર ગણતરી અને પ્રતિબંધિત રીતે ઉચ્ચ GPU મેમરીની જરૂર છે (જે. ડેંગ એટ અલ., 2020).
મશીન લર્નિંગ અને UAV પર આધારિત, P´erez-Ortiz et al. (2015) જ્યારે ખેડૂતો પ્રારંભિક-પછી ઉદભવ નીંદણ નિયંત્રણ અપનાવે ત્યારે સાઇટ-વિશિષ્ટ નીંદણ નિયંત્રણ વ્યૂહરચના પ્રદાન કરવા માટે નીંદણ મેપિંગ અભિગમ સૂચવ્યો. છેલ્લે, રાસમુસેન એટ અલ. (2013) એ હાઇલાઇટ કર્યું કે ડ્રોન મહાન અવકાશી રિઝોલ્યુશન લવચીકતા સાથે સસ્તી સેન્સિંગ પ્રદાન કરે છે. એકંદરે, આ ક્લસ્ટરમાંના પ્રકાશનો રિમોટ સેન્સિંગ, પાકની દેખરેખ અને નીંદણ મેપિંગને સમર્થન આપવા માટે UAV ની સંભવિતતા શોધવા પર ધ્યાન કેન્દ્રિત કરે છે. પર્યાવરણીય દેખરેખ, પાક વ્યવસ્થાપન અને નીંદણ મેપિંગમાં ડ્રોન એપ્લીકેશન વધુ ટકાઉ ખેતી કેવી રીતે હાંસલ કરી શકે તેની વધુ તપાસ કરવા માટે વધારાના ઊંડા સંશોધનની જરૂર છે (ચમુઆહ અને સિંઘ, 2019; ઇસ્લામ એટ અલ., 2021; પોપેસ્કુ એટ અલ., 2020; જે. . Su, Liu, et al., 2018) અને પાક વીમા એપ્લિકેશન્સમાં આ ટેક્નોલોજીના ગવર્નન્સ મુદ્દાઓને સંબોધિત કરો (બાસનેટ અને બેંગ, 2018; ચામુઆહ અને સિંઘ, 2019, 2022; મેઈનેન અને રોબિન્સન, 2021). સંશોધકોએ પ્રોસેસ્ડ ડેટા (મેનફ્રેડા એટ અલ., 2018)ની અંતિમ ગુણવત્તાને વધારવા માટે કાર્યક્ષમ પ્રોસેસિંગ તકનીકો સાથે UAV એકત્રિત માપને માન્ય કરવા પર ધ્યાન કેન્દ્રિત કરવું જોઈએ. વધુમાં, ડિજિટલ ઈમેજીસમાં નીંદણ પ્રદર્શિત કરતા પિક્સેલ્સને ઓળખતા અને UAV નીંદણ મેપિંગ દરમિયાન અપ્રસ્તુત પૃષ્ઠભૂમિને દૂર કરતા યોગ્ય અલ્ગોરિધમ્સના વિકાસની જરૂર છે (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; લોપેઝ- ´ ગ્રેનાડોસ એટ અલ., 2016). છોડની ઓળખ, પાંદડાના વર્ગીકરણ અને રોગના મેપિંગમાં અર્થપૂર્ણ વિભાજન તકનીકોને અપનાવવા પર વધારાનું સંશોધન આવકાર્ય છે (ફ્યુએન્ટેસ-પાચેકો એટ અલ., 2019; કેર્કેચ એટ અલ., 2020).
ક્લસ્ટર 2. આ ક્લસ્ટરમાંના પ્રકાશનો કૃષિ ડ્રોનના કેટલાક પાસાઓ પર ધ્યાન કેન્દ્રિત કરે છે. રિમોટ ફેનોટાઇપિંગથી સંબંધિત, શંકરન એટ અલ. (2015) એ ખેતરમાં પાકના ઝડપી ફેનોટાઇપિંગ માટે UAVs સાથે નીચી-ઊંચાઈ, ઉચ્ચ-રિઝોલ્યુશન એરિયલ ઇમેજિંગનો ઉપયોગ કરવાની સંભાવનાની સમીક્ષા કરી, અને તેઓ દલીલ કરે છે કે, ગ્રાઉન્ડ-આધારિત સેન્સિંગ પ્લેટફોર્મની તુલનામાં, પર્યાપ્ત સેન્સર સાથેના નાના UAV ઘણા ફાયદાઓ પ્રદાન કરે છે. , જેમ કે ક્ષેત્રની સરળ ઍક્સેસ, ઉચ્ચ રીઝોલ્યુશન ડેટા, કાર્યક્ષમ ડેટા સંગ્રહ,
ક્ષેત્રની વૃદ્ધિની સ્થિતિનું ઝડપી મૂલ્યાંકન અને ઓછા ઓપરેશનલ ખર્ચ. જો કે, લેખકો એ પણ નોંધે છે કે ફીલ્ડ ફિનોટાઇપિંગ માટે UAV નો અસરકારક ઉપયોગ બે મૂળભૂત તત્વો પર આધાર રાખે છે, એટલે કે, UAV લક્ષણો (દા.ત., સલામતી, સ્થિરતા, સ્થિતિ, સ્વાયત્તતા) અને સેન્સર લાક્ષણિકતાઓ (દા.ત., રીઝોલ્યુશન, વજન, વર્ણપટની તરંગલંબાઇ, ક્ષેત્ર. દૃશ્ય). હગીઘટ્ટલબ એટ અલ. (2016) એ UAV ઇમેજરીમાંથી પ્લોટ-લેવલ ડેટા પુનઃપ્રાપ્ત કરવા અને સંવર્ધન પ્રક્રિયાને વેગ આપવા માટે અર્ધ-સ્વચાલિત ઇમેજ પ્રોસેસિંગ પાઇપલાઇનનો પ્રસ્તાવ મૂક્યો. હોલમેન એટ અલ. (2016) એક ઉચ્ચ વિકાસ કર્યો
થ્રુપુટ ફીલ્ડ ફિનોટાઇપિંગ સિસ્ટમ અને હાઇલાઇટ કર્યું કે UAV ગુણવત્તાયુક્ત, વિશાળ, ફિલ્ડ-આધારિત ફિનોટાઇપિક ડેટા એકત્રિત કરવામાં સક્ષમ છે અને તે ઉપકરણ મોટા વિસ્તારો અને વિવિધ ક્ષેત્રના સ્થળો માટે અસરકારક છે.
ઉપજનો અંદાજ એ માહિતીનો અતિ મહત્વનો ભાગ છે, ખાસ કરીને જ્યારે સમયસર ઉપલબ્ધ હોય ત્યારે, UAV માટે તમામ ક્ષેત્ર માપન પ્રદાન કરવા અને ઉચ્ચ ગુણવત્તાવાળા ડેટાને અસરકારક રીતે પ્રાપ્ત કરવાની સંભાવના છે (ડાકીર એટ અલ., 2017; ડેમિર એટ અલ., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; આ સંદર્ભે, જિન એટ અલ. (2012) એ ઉદભવના તબક્કે ઘઉંના છોડની ઘનતાનો અંદાજ કાઢવાની પદ્ધતિ વિકસાવવા અને આકારણી કરવા માટે ખૂબ જ ઓછી ઊંચાઈએ UAVs દ્વારા મેળવેલી ઉચ્ચ રીઝોલ્યુશન છબીનો લાભ લીધો. લેખકોના મતે, UAVs કેમેરાથી સજ્જ રોવર સિસ્ટમ્સની મર્યાદાઓને દૂર કરે છે અને પાકમાં છોડની ઘનતાનો અંદાજ કાઢવા માટે બિન-આક્રમક પદ્ધતિનું પ્રતિનિધિત્વ કરે છે, જે ખેડૂતોને જમીનની ટ્રાફિકની ક્ષમતાથી સ્વતંત્ર ફીલ્ડ ફેનોટાઇપિંગ માટે જરૂરી ઉચ્ચ થ્રુપુટ પ્રાપ્ત કરવાની મંજૂરી આપે છે. લિ એટ અલ. (2017) મકાઈના પરિમાણોનો અંદાજ કાઢવા માટે UAV-આધારિત સિસ્ટમનો ઉપયોગ કરીને અત્યંત ઉચ્ચ રિઝોલ્યુશન સાથે સેંકડો સ્ટીરિયો ઈમેજો એકત્રિત કરી, જેમાં કેનોપીની ઊંચાઈ અને જમીનથી ઉપરના બાયોમાસનો સમાવેશ થાય છે. છેલ્લે, યૂ એટ અલ. (2016) જાણવા મળ્યું છે કે UAV માંથી નિર્ધારિત પાકની ઊંચાઈ જમીનની ઉપરના બાયોમાસ (AGB) અંદાજને વધારી શકે છે.
પાકની વૃદ્ધિ પર દેખરેખ રાખવાનો અભિગમ એ પાક સપાટીના મોડલ વિકસાવવાનો વિચાર છે (બેન્ડિગ એટ અલ., 2014, 2015; હોલમેન એટ અલ., 2016; પાંડે, શ્રેષ્ઠા, એટ અલ., 2020; સુમેશ એટ અલ., 2021). કેટલાક અભ્યાસોએ છોડની ઊંચાઈ મેળવવા અને તેમની વૃદ્ધિ પર દેખરેખ રાખવા માટે UAV માંથી લીધેલી ઈમેજોની શક્યતાને હાઈલાઈટ કરી છે. ઉદાહરણ તરીકે, બેન્ડિગ એટ અલ. (2013) એ UAV નો ઉપયોગ કરીને 0.05 મીટર કરતા ઓછાના ખૂબ ઊંચા રિઝોલ્યુશન સાથે મલ્ટિ-ટેમ્પોરલ ક્રોપ સરફેસ મોડલ્સના વિકાસનું વર્ણન કર્યું છે. તેઓ પાકને શોધવાનો હેતુ ધરાવે છે
વૃદ્ધિની વિવિધતા અને પાકની સારવાર, કલ્ટીવાર અને તાણ પર તેની અવલંબન. બેન્ડિગ એટ અલ. (2014) પાકની સપાટીના મૉડલ્સમાંથી છોડની ઊંચાઈના આધારે તાજા અને સૂકા બાયોમાસનો અંદાજ કાઢવા UAVsનો ઉપયોગ કર્યો અને જાણવા મળ્યું કે, એરબોર્ન પ્લેટફોર્મ અને પાર્થિવ લેસર સ્કેનીંગથી વિપરીત, UAV માંથી ઉચ્ચ રિઝોલ્યુશનની છબીઓ વિવિધ વૃદ્ધિ માટે છોડની ઊંચાઈ મોડેલિંગની ચોકસાઈમાં નોંધપાત્ર વધારો કરી શકે છે. તબક્કાઓ એ જ નસમાં, ગીપેલ એટ અલ. (2014) ઇમેજરી મેળવવા માટે તેમના સંશોધનમાં UAV નો ઉપયોગ કર્યો
મકાઈના અનાજની ઉપજની આગાહી માટેના ડેટાસેટ્સ પ્રારંભિકથી મધ્ય-સિઝન સુધીના ત્રણ અલગ-અલગ વિકાસના તબક્કામાં અને તારણ કાઢ્યું કે હવાઈ છબીઓ અને પાકની સપાટીના નમૂનાઓ પર આધારિત સ્પેક્ટ્રલ અને અવકાશી મોડેલિંગનું સંયોજન મધ્ય-સિઝન મકાઈની ઉપજની આગાહી કરવા માટે યોગ્ય પદ્ધતિ છે. છેલ્લે, Gnadinger ¨ અને Schmidhalter (2017) એ UAV ની સચોટ ફિનોટાઇપિંગમાં ઉપયોગિતાની તપાસ કરી અને હાઇલાઇટ કર્યું કે આ ટેક્નોલોજીનો ઉપયોગ ફાર્મ મેનેજમેન્ટને વધારી શકે છે અને સંવર્ધન અને કૃષિ હેતુઓ માટે ક્ષેત્ર પ્રયોગોને સક્ષમ કરી શકે છે. એકંદરે, અમે અવલોકન કરીએ છીએ કે ક્લસ્ટર 2 માં પ્રકાશનો રિમોટમાં UAV ના મુખ્ય ફાયદાઓ પર ધ્યાન કેન્દ્રિત કરે છે.
ફેનોટાઇપિંગ, ઉપજનો અંદાજ, પાકની સપાટીનું મોડેલિંગ અને છોડની ગણતરી. ભવિષ્યના અભ્યાસો રિમોટ ફિનોટાઇપિંગ માટે નવી પદ્ધતિઓ વિકસાવીને વધુ ઊંડો ખોદી શકે છે જે રિમોટલી સેન્સ્ડ ડેટાની પ્રક્રિયાને સ્વચાલિત અને ઑપ્ટિમાઇઝ કરી શકે છે (બારાબાચી એટ અલ., 2016; લિબિસ્ચ એટ અલ., 2015; મોચિડા એટ અલ., 2015; એસ. ઝૂ એટ અલ. ., 2021). વધુમાં, UAVs પર માઉન્ટ થયેલ IoT સેન્સરનું પ્રદર્શન અને તેમના ખર્ચ, શ્રમ અને ઉપજના અંદાજની ચોકસાઈ વચ્ચેના ટ્રેડ-ઓફ પર સંશોધન કરવાની જરૂર છે.
ભવિષ્ય (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). આખરે, કાર્યક્ષમ ઇમેજ પ્રોસેસિંગ પદ્ધતિઓ વિકસાવવાની જરૂર છે જે વિશ્વસનીય માહિતી પેદા કરી શકે, કૃષિ ઉત્પાદનમાં કાર્યક્ષમતા વધારી શકે અને ખેડૂતોના મેન્યુઅલ ગણતરીના કામને ઘટાડી શકે (RU ખાન એટ અલ., 2021; કોહ એટ અલ., 2021; લિન & ગુઓ, 2020; સી. ઝાંગ એટ અલ., 2020).
ક્લસ્ટર 3. આ ક્લસ્ટરમાંના પ્રકાશનો UAV પ્લેટફોર્મ પર વપરાતા કૃષિ સંસાધનોના રિમોટ સેન્સિંગ માટે વિવિધ પ્રકારની ઇમેજિંગ સિસ્ટમ્સની ચર્ચા કરે છે. આ સંદર્ભમાં, થર્મલ ઇમેજિંગ સપાટીના તાપમાનની દેખરેખને પાકના નુકસાનને અટકાવવા અને દુષ્કાળના તાણને વહેલી તકે શોધવાની મંજૂરી આપે છે (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; યેઓમ, 2021). બાલુજા વગેરે. (2012)એ ભારપૂર્વક જણાવ્યું હતું કે ઓનબોર્ડ પર મલ્ટિસ્પેક્ટરલ અને થર્મલ કેમેરાનો ઉપયોગ
UAV સંશોધકોને ઉચ્ચ રીઝોલ્યુશનની છબીઓ મેળવવા અને વેલાના પાણીની સ્થિતિનું મૂલ્યાંકન કરવા સક્ષમ બનાવે છે. રિમોટ-સેન્સિંગ ડેટા (બાલુજા એટ અલ., 2012) નો ઉપયોગ કરીને નવલકથા પાણી શેડ્યુલિંગ મોડલ્સ વિકસાવવા માટે આ ઉપયોગી થઈ શકે છે. કારણે
યુએવીની મર્યાદિત લોડ ક્ષમતા, રિબેરો-ગોમ્સ એટ અલ. (2017) એ છોડમાં પાણીના તાણને નિર્ધારિત કરવા માટે UAVS માં અનકૂલ્ડ થર્મલ કેમેરાના એકીકરણને ધ્યાનમાં લીધું છે, જે આ પ્રકારના UAVsને પરંપરાગત સેટેલાઇટ-આધારિત રિમોટ સેન્સિંગ અને કૂલ્ડ થર્મલ કેમેરાથી સજ્જ UAVs કરતાં વધુ કાર્યક્ષમ અને સધ્ધર બનાવે છે. લેખકોના મતે, અનકૂલ્ડ થર્મલ કેમેરા કૂલ્ડ કેમેરા કરતાં હળવા હોય છે, જેને યોગ્ય માપાંકનની જરૂર હોય છે. ગોન્ઝાલેઝ-ડુગો એટ અલ. (2014) દર્શાવે છે કે થર્મલ ઇમેજરી અસરકારક રીતે પાકના પાણીના તાણ સૂચકાંકોના અવકાશી નકશાઓ બનાવે છે જે પાણીની સ્થિતિનું મૂલ્યાંકન કરે છે અને સાઇટ્રસ બગીચાઓમાં અને તેની અંદર પાણીના તાણનું પ્રમાણ નક્કી કરે છે. ગોન્ઝાલેઝ-ડુગો એટ અલ. (2013) અને Santesteban et al. (2017) વાણિજ્યિક બગીચા અને વાઇનયાર્ડની પાણીની સ્થિતિની વૈવિધ્યતાનો અંદાજ કાઢવા માટે ઉચ્ચ રીઝોલ્યુશન UAV થર્મલ ઇમેજરીના ઉપયોગની તપાસ કરી.
મલ્ટિસ્પેક્ટ્રલ ઇમેજિંગ પરંપરાગત RGB (લાલ, લીલો અને વાદળી) છબીઓ (Ad˜ ao et al., 2017; Navia et al., 2016) ની સરખામણીમાં મોટા પ્રમાણમાં ડેટા પ્રદાન કરી શકે છે. આ સ્પેક્ટ્રલ ડેટા, અવકાશી માહિતી સાથે, વર્ગીકરણ, મેપિંગ, આગાહી, આગાહી અને શોધ હેતુઓમાં મદદ કરી શકે છે (બર્ની એટ અલ., 2009b). Candiago et al અનુસાર. (2015), UAV આધારિત મલ્ટિસ્પેક્ટ્રલ ઇમેજિંગ એક વિશ્વસનીય અને કાર્યક્ષમ સંસાધન તરીકે પાકની આકારણી અને ચોક્કસ કૃષિમાં મોટા પાયે ફાળો આપી શકે છે. ઉપરાંત,
ખાલીક એટ અલ. (2019) એ સેટેલાઇટ અને UAV આધારિત મલ્ટિસ્પેક્ટ્રલ ઇમેજિંગ વચ્ચે સરખામણી કરી. યુએવી-આધારિત છબીઓ વાઇનયાર્ડની વિવિધતા તેમજ પાક કેનોપીઝનું પ્રતિનિધિત્વ કરવા માટે ઉત્સાહી નકશાઓનું વર્ણન કરવામાં વધુ સચોટ હોવાનું પરિણમ્યું છે. ટૂંકમાં, આ ક્લસ્ટરમાંના લેખો કૃષિ યુએવીમાં થર્મલ અને મલ્ટિસ્પેક્ટ્રલ ઇમેજિંગ સેન્સર્સના સમાવેશની ચર્ચા કરે છે. તદનુસાર, થર્મલ અને મલ્ટિસ્પેક્ટ્રલ ઇમેજિંગને AI સાથે કેવી રીતે સંકલિત કરી શકાય તે સમજવા માટે વધુ સંશોધનની જરૂર છે
છોડના તાણને શોધવા માટેની તકનીકો (દા.ત., ડીપ લર્નિંગ) (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). આવી આંતરદૃષ્ટિ વધુ કાર્યક્ષમ અને સચોટ તપાસ તેમજ છોડની વૃદ્ધિ, તાણ અને ફિનોલોજીનું નિરીક્ષણ કરવામાં મદદ કરશે (બ્યુટર્સ એટ અલ., 2019; કાઓ એટ અલ., 2020; ન્યુપાને અને બેસલગુરેલ, 2021; એલ. ઝૂ એટ અલ., 2020).
ક્લસ્ટર 4. આ ક્લસ્ટરમાં સાત પેપરનો સમાવેશ થાય છે જે કૃષિ પદ્ધતિઓને ટેકો આપવા માટે સ્પેક્ટ્રલ ઇમેજિંગ અને હાઇપરસ્પેક્ટ્રલ ઇમેજિંગની નિર્ણાયક ભૂમિકાની આસપાસ ફરે છે. હાયપરસ્પેક્ટ્રલ ઇમેજિંગે પોતાની જાતને રિમોટ-સેન્સિંગ પદ્ધતિ તરીકે સ્થાપિત કરી છે જે પૃથ્વી પ્રણાલીના જથ્થાત્મક મૂલ્યાંકનને સક્ષમ કરે છે (સ્કેપમેન એટ અલ., 2009). વધુ ચોક્કસ થવા માટે, તે સપાટીની સામગ્રીની ઓળખ, (સંબંધિત) સાંદ્રતાનું પ્રમાણીકરણ અને સપાટીના ઘટકોના પ્રમાણની સોંપણી
મિશ્રિત પિક્સેલની અંદર (કિર્શ એટ અલ., 2018; ઝાઓ એટ અલ., 2022). બીજા શબ્દોમાં કહીએ તો, હાયપરસ્પેક્ટ્રલ સિસ્ટમ્સ દ્વારા પ્રદાન કરવામાં આવેલ ઉચ્ચ સ્પેક્ટ્રલ રિઝોલ્યુશન વિવિધ પરિમાણો, જેમ કે શાકાહારી ગુણધર્મો અથવા પાંદડાના પાણીની સામગ્રી (સુઓમલાઈનેન એટ અલ., 2014) જેવા વધુ સચોટ અંદાજોને સક્ષમ કરે છે. આ ક્લસ્ટરના સંશોધકોએ આવી સિસ્ટમોના વિવિધ પાસાઓની તપાસ કરી. અન્ય લોકોમાં, આસેન એટ અલ. (2015b) એ હળવા વજનમાંથી ત્રિ-પરિમાણીય હાઇપરસ્પેક્ટ્રલ માહિતી મેળવવા માટે અનન્ય અભિગમ ઓફર કર્યો
વનસ્પતિ નિરીક્ષણ માટે યુએવી પર ઉપયોગમાં લેવાતા સ્નેપશોટ કેમેરા. લ્યુસિયર એટ અલ. (2014) એ નવલકથા હાઇપરસ્પેક્ટ્રલ UAS ની ડિઝાઇન, વિકાસ અને હવાઈ કામગીરી તેમજ તેની સાથે એકત્ર કરાયેલ ઇમેજ ડેટાના માપાંકન, વિશ્લેષણ અને અર્થઘટનની ચર્ચા કરી હતી. છેલ્લે, હોન્કાવારા એટ અલ. (2013b) એ FabryPerot ઇન્ટરફેરોમીટર-આધારિત સ્પેક્ટ્રલ છબીઓ માટે વ્યાપક પ્રક્રિયા અભિગમ વિકસાવ્યો છે અને તેનો ઉપયોગ ચોકસાઇ કૃષિ માટે બાયોમાસ અંદાજ પ્રક્રિયામાં દર્શાવ્યો છે. આ વર્તમાન ક્લસ્ટર માટે સંભવિત ભાવિ માર્ગોમાં સેન્સર ટેક્નોલોજી (આસેન એટ અલ., 2015b) માં તકનીકી સુધારણાની જરૂરિયાત પર ભાર મૂકવો તેમજ પૂરક તકનીકો, ખાસ કરીને મોટા ડેટા અને વિશ્લેષણ (Ang & Seng, 2021b) ને સમાવિષ્ટ અને વધારવાની જરૂરિયાતનો સમાવેશ થાય છે. -ગ્રામમેટીકિસ એટ અલ., 2020; શકૂર એટ અલ., 2019). બાદમાં મુખ્યત્વે સ્માર્ટ એગ્રીકલ્ચર (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021) માં લાગુ કરાયેલા વિવિધ સેન્સર્સ દ્વારા જનરેટ થતા સતત વધતા ડેટામાંથી ઉદ્દભવે છે.
ક્લસ્ટર 5. આ ક્લસ્ટરમાંના પ્રકાશનોએ ડ્રોન-આધારિત 3Dmapping એપ્લિકેશન્સની તપાસ કરી. 3D મેપિંગ માટે ડ્રોનનો ઉપયોગ જટિલ ફિલ્ડવર્કને દૂર કરી શકે છે અને કાર્યક્ષમતામાં નોંધપાત્ર વધારો કરી શકે છે (Torres-Sanchez ´ et al., 2015). ક્લસ્ટરના પાંચ લેખો મુખ્યત્વે પ્લાન્ટ મોનિટરિંગ એપ્લિકેશન્સ પર કેન્દ્રિત છે. ઉદાહરણ તરીકે, કેનોપી વિસ્તાર, ઝાડની ઊંચાઈ અને તાજની માત્રા વિશે ત્રિ-પરિમાણીય ડેટા મેળવવા માટે, ટોરેસ-સાંચેઝ ´ એટ અલ. (2015) ડિજિટલ સરફેસ મૉડલ બનાવવા અને પછી ઑબ્જેક્ટ-આધારિત ઇમેજ એનાલિસિસ (OBIA) અભિગમો બનાવવા માટે UAV તકનીકનો ઉપયોગ કર્યો. આગળ, ઝાર્કો-તેજાડા એટ અલ. (2014) UAV ટેક્નોલોજી અને ત્રિ-પરિમાણીય ફોટો-પુનઃનિર્માણ પદ્ધતિઓને એકીકૃત કરીને વૃક્ષની ઊંચાઈનું પ્રમાણ નક્કી કર્યું. જીમેનેઝ-બ્રેનેસ લોપેઝ-ગ્રાનાડોસ, ડી કાસ્ટ્રો, એટ અલ. (2017) એ અદ્યતન OBIA પદ્ધતિ સાથે UAV ટેક્નોલોજીને સંકલિત કરીને ડઝનેક ઓલિવ ટ્રીના મલ્ટી-ટેમ્પોરલ, 3D મોનિટરિંગ માટેની નવી પ્રક્રિયાનું નિદર્શન કર્યું. આ ક્લસ્ટરમાં ભાવિ કાર્યો માટેના રસપ્રદ માર્ગોમાં વર્તમાનમાં સુધારો કરવાનો સમાવેશ થાય છે
ડિજિટલ સપાટી મોડેલિંગ હેતુઓ માટે પદ્ધતિ (ઝાર્કો-તેજાદા એટ અલ., 2014) , 2017), અને ફોટો પુનઃનિર્માણ અથવા વિકાસશીલ નવલકથા પદ્ધતિઓ (Díaz-Varela et al., 2016; Torres-S´ anchez et al., 2018).
ક્લસ્ટર 6. આ ક્લસ્ટર કૃષિ સર્વેલન્સમાં ડ્રોનની ભૂમિકાની ચર્ચા કરે છે. યુએવી ઉપગ્રહ અને એરક્રાફ્ટ ઇમેજિંગની ખામીઓને પૂરક બનાવી શકે છે અને તેને દૂર કરી શકે છે. ઉદાહરણ તરીકે, તેઓ ઓછા ઇંધણ અથવા પાઇલોટિંગ પડકારો સાથે રીઅલ-ટાઇમ ઇમેજિંગની નજીક ઉચ્ચ રીઝોલ્યુશન પ્રદાન કરી શકે છે, જેના પરિણામે સતત અને વાસ્તવિક સમયની દેખરેખ અને નિર્ણય લેવામાં સુધારો થાય છે (S. Herwitz et al., 2004). UAV નું બીજું મહત્ત્વનું યોગદાન એ છે કે તેમના ઉચ્ચ રીઝોલ્યુશન તરીકે ચોક્કસ કૃષિ અથવા સાઇટ-વિશિષ્ટ ખેતી માટે સાઇટ-વિશિષ્ટ ડેટા પ્રદાન કરવાની તેમની ક્ષમતા, વિવિધ પરિમાણો વિશેની વિગતવાર માહિતી ખેડૂતોને જમીનને સજાતીય ભાગોમાં વહેંચવામાં સક્ષમ બનાવે છે અને તે મુજબ સારવાર આપે છે (હન્ટ એટ અલ. , 2010; CC Lelong et al., 2008 Primicerio et al., 2012). આવા UAV-આધારિત કૃષિ સર્વેલન્સ ખાદ્ય સુરક્ષા મોનીટરીંગ અને નિર્ણય લેવામાં મદદ કરી શકે છે (SR Herwitz et al., 2004). કૃષિ સર્વેલન્સમાં સંશોધનને આગળ વધારવા માટે, માત્ર સેન્સર્સ, યુએવી અને અન્ય સંબંધિત ટેક્નોલોજીઓ અને તેમની સંચાર અને ડેટા ટ્રાન્સફર પદ્ધતિઓમાં સુધારાની જરૂર નથી (ઇવિંગ એટ અલ., 2020; શુઆઇ એટ અલ., 2019), પણ વિવિધ સાથે ડ્રોનને એકીકૃત કરવાની પણ જરૂર છે. સ્માર્ટ એગ્રીકલ્ચરના સંબંધમાં વિવિધ કાર્યોને ઑપ્ટિમાઇઝ કરવા માટેની તકનીકો, જેમ કે દેખરેખ, કૃષિ સર્વેલન્સ અને નિર્ણય લેવા, એ એક ઉચ્ચ સંભવિત સંશોધન ક્ષેત્ર છે (અલસામી એટ અલ., 2021; પોપેસ્કુ એટ અલ., 2020; વુરાન એટ અલ., 2018). આ સંદર્ભમાં, IoT, WSNs અને મોટા ડેટા રસપ્રદ પૂરક ક્ષમતાઓ પ્રદાન કરે છે (વાન ડેર મેરવે એટ અલ., 2020). અમલીકરણ ખર્ચ, ખર્ચ બચત, ઉર્જા કાર્યક્ષમતા અને ડેટા સુરક્ષા આવા એકીકરણ માટે સંશોધન હેઠળના ક્ષેત્રોમાં છે (મસરૂર એટ અલ., 2021).
દેશો અને શૈક્ષણિક સંસ્થાઓ
અંતિમ પગલામાં મૂળ દેશની તપાસ અને લેખકોના શૈક્ષણિક જોડાણનો સમાવેશ થાય છે. આ પૃથ્થકરણ દ્વારા, અમારો ઉદ્દેશ્ય એ વિદ્વાનોના ભૌગોલિક વિતરણને વધુ સારી રીતે સમજવાનો છે કે જેઓ કૃષિમાં ડ્રોનની એપ્લિકેશનમાં યોગદાન આપે છે. દેશો અને શૈક્ષણિક સંસ્થાઓની વિવિધતા પર ધ્યાન આપવું એ નોંધનીય છે. દેશના પરિપ્રેક્ષ્યમાં, યુએસએ, ચીન, ભારત અને ઇટાલી પ્રકાશનોની સંખ્યાના સંદર્ભમાં યાદીમાં ટોચ પર છે (કોષ્ટક 7). અત્યારે
કૃષિ ડ્રોન પર સંશોધન મોટાભાગે ઉત્તર અમેરિકન અને એશિયાઈ દેશોમાં કેન્દ્રિત છે, મુખ્યત્વે તેમની ચોકસાઇવાળા કૃષિ કાર્યક્રમોમાં ઉચ્ચ જોડાણને કારણે. ઉદાહરણ તરીકે, યુએસએમાં, કૃષિ ડ્રોનનું બજાર વર્ષ 841.9 માં 2020 મિલિયન યુએસડી હોવાનો અંદાજ હતો, જે વૈશ્વિક બજાર હિસ્સાના આશરે 30% હિસ્સો ધરાવે છે (રિપોર્ટલિંકર, 2021). વિશ્વની સૌથી મોટી અર્થવ્યવસ્થા તરીકે ક્રમાંકિત, ચીન વર્ષ 2.6 માં અંદાજિત બજાર કદ 2027 બિલિયન USD સુધી પહોંચવાની આગાહી કરે છે. આ દેશ ઉત્પાદકતાના મુદ્દાઓને દૂર કરવા અને વધુ સારી ઉપજ, શ્રમ નિવારણ અને ઓછા ઉત્પાદન ઇનપુટ્સ પ્રાપ્ત કરવા માટે કૃષિ ડ્રોન માટે અપીલ કરી રહ્યો છે. જો કે, ચીનમાં ટેક્નોલૉજી અપનાવવા પણ વસ્તીના કદ અને હાલની પાક વ્યવસ્થાપન પદ્ધતિઓમાં નવીનતા લાવવા અને સુધારવાની જરૂરિયાત જેવા પરિબળો દ્વારા પ્રેરિત છે.
ટોચના સૌથી વધુ ઉત્પાદક દેશો અને યુનિવર્સિટીઓ/સંસ્થાઓ કે જેઓ ફાળો આપે છે
કૃષિ ડ્રોન સંબંધિત સંશોધન.
ક્રમ | દેશો |
1 | યુએસએ |
2 | ચાઇના |
3 | ભારત |
4 | ઇટાલી |
5 | સ્પેઇન |
6 | જર્મની |
7 | બ્રાઝીલ |
8 | ઓસ્ટ્રેલિયા |
9 | જાપાન |
10 | યુનાઇટેડ કિંગડમ |
ક્રમ | યુનિવર્સિટીઓ/સંસ્થાઓ |
1 | ચિની એકેડેમી ઓફ સાયન્સિસ |
2 | પીપલ્સ રિપબ્લિક ઓફ ચાઇનાના કૃષિ મંત્રાલય |
3 | વૈજ્ .ાનિક તપાસની સુપિરિયર કાઉન્સિલ |
4 | ટેક્સાસ એ એન્ડ એમ યુનિવર્સિટી |
5 | ચીન એગ્રીકલ્ચરલ યુનિવર્સિટી |
6 | યુએસડીએ કૃષિ સંશોધન સેવા |
7 | CSIC – ઇન્સ્ટિટ્યુટો ડી એગ્રીકલ્ચર સોસ્ટેનિબલ IAS |
8 | પરડ્યુ યુનિવર્સિટી |
9 | રાષ્ટ્રીય સંશોધન પરિષદ |
10 | દક્ષિણ ચાઇના કૃષિ યુનિવર્સિટી |
યુનિવર્સિટી અને સંસ્થાકીય પરિપ્રેક્ષ્યમાં, ચાઇનીઝ એકેડેમી ઓફ સાયન્સ પ્રકાશનોની સંખ્યાના સંદર્ભમાં યાદીમાં ટોચ પર છે, ત્યારબાદ પીપલ્સ રિપબ્લિક ઓફ ચાઇનાનું કૃષિ મંત્રાલય અને કોન્સેજો સુપિરિયર ડી ઇન્વેસ્ટિગેશન સિન્ટિફિકસ આવે છે. ચાઈનીઝ એકેડેમી ઓફ સાયન્સનું પ્રતિનિધિત્વ લેખકો લિયાઓ ઝિયાઓહાન અને લી જૂન દ્વારા કરવામાં આવે છે; હાન વેન્ટિંગ પીપલ્સ રિપબ્લિક ઓફ ચાઇનાના કૃષિ મંત્રાલયનું પ્રતિનિધિત્વ કરે છે; અને કોન્સેજો સુપિરિયર ડી ઇન્વેસ્ટિગેશન સાયન્ટિફિકાસનું પ્રતિનિધિત્વ લોપેઝ-ગ્રેનાડોસ, ´એફ. અને પેના, ˜ જોસે મારિયા એસ. યુએસએથી, ટેક્સાસ એ એન્ડ એમ યુનિવર્સિટી અને પરડ્યુ યુનિવર્સિટી જેવી યુનિવર્સિટીઓએ
ઉલ્લેખ. સૌથી વધુ સંખ્યામાં પ્રકાશનો અને તેમના જોડાણો ધરાવતી યુનિવર્સિટીઓ ફિગ. 4 માં બતાવવામાં આવી છે. વધુમાં, આ સૂચિમાં કોન્સિગ્લિઓ નાઝિઓનાલ ડેલે રિસેર્ચ અને કોન્સેજો સુપિરિયર ડી ઇન્વેસ્ટિગેશન સિન્ટિફિકસ જેવી સંસ્થાઓનો સમાવેશ થાય છે જે વૈજ્ઞાનિક સંશોધનમાં સક્રિય છે, પરંતુ શૈક્ષણિક સંસ્થાઓ નથી. .
અમારી પસંદગીમાં વિવિધ પ્રકારના જર્નલ્સનો સમાવેશ થાય છે, જેમાં વર્ચ્યુઅલ રીતે ઉપલબ્ધ તમામ ડેટાનો સમાવેશ થાય છે. કોષ્ટક 8 માં બતાવ્યા પ્રમાણે, 258 લેખો સાથે રિમોટ સેન્સિંગ ટોચ પર છે, ત્યારબાદ જર્નલ ઑફ ઇન્ટેલિજન્ટ એન્ડ રોબોટિક સિસ્ટમ્સ: 126 સાથે થિયરી અને એપ્લિકેશન્સ અને 98 લેખો સાથે કૃષિમાં કમ્પ્યુટર અને ઇલેક્ટ્રોનિક્સ આવે છે. જ્યારે રિમોટ સેન્સિંગ મોટાભાગે ડ્રોનના ઉપયોગ અને વિકાસ પર કેન્દ્રિત છે, ત્યારે કૃષિમાં કમ્પ્યુટર્સ અને ઇલેક્ટ્રોનિક્સ મુખ્યત્વે કૃષિમાં કમ્પ્યુટર હાર્ડવેર, સોફ્ટવેર, ઇલેક્ટ્રોનિક્સ અને કંટ્રોલ સિસ્ટમ્સમાં પ્રગતિને આવરી લે છે. ક્રોસ-એરિયા આઉટલેટ્સ, જેમ કે 87 પ્રકાશનો સાથે IEEE રોબોટિક્સ અને ઓટોમેશન લેટર્સ અને 34 પ્રકાશનો સાથે IEEE એક્સેસ, પણ આ ક્ષેત્રમાં પ્રીમિયર આઉટલેટ્સ છે. ટોચના પંદર આઉટલેટ્સે 959 દસ્તાવેજો સાથે સાહિત્યમાં યોગદાન આપ્યું છે, જે તમામ પ્રકાશનોના આશરે 20.40% છે. જર્નલ સહ-ઉદ્ધરણ વિશ્લેષણ અમને પ્રકાશનો વચ્ચેના મહત્વ અને સમાનતાની તપાસ કરવા સક્ષમ બનાવે છે. આકૃતિ 5 માં બતાવ્યા પ્રમાણે સહ-ઉદ્ધરણ વિશ્લેષણ ત્રણ ક્લસ્ટર આપે છે. લાલ ક્લસ્ટરમાં રીમોટ સેન્સિંગ, કમ્પ્યુટર અને ઈલેક્ટ્રોનિક્સ ઇન એગ્રીકલ્ચર, સેન્સર્સ, જેવા જર્નલ્સનો સમાવેશ થાય છે.
અને ઇન્ટરનેશનલ જર્નલ ઓફ રિમોટ સેન્સિંગ. આ તમામ આઉટલેટ્સ રિમોટ સેન્સિંગ અને પ્રિસિઝન એગ્રીકલ્ચરના ક્ષેત્રોમાં અત્યંત પ્રતિષ્ઠિત જર્નલ્સ છે. ગ્રીન ક્લસ્ટરમાં એવા જર્નલ્સ છે જે રોબોટિક્સ સાથે કામ કરે છે, જેમ કે જર્નલ ઓફ ઈન્ટેલિજન્ટ એન્ડ રોબોટિક સિસ્ટમ્સ: થિયરી એન્ડ એપ્લીકેશન્સ, આઈઈઈઈ રોબોટિક્સ એન્ડ ઓટોમેશન લેટર્સ, આઈઈઈઈ એક્સેસ અને ડ્રોન્સ. આ આઉટલેટ્સ મોટાભાગે ઓટોમેશન પર પેપર પ્રકાશિત કરે છે અને તે કૃષિ ઇજનેરો માટે ઉપયોગી છે. અંતિમ ક્લસ્ટર એગ્રોનોમી અને એગ્રોનોમી અને ઇન્ટરનેશનલ જર્નલ ઓફ એગ્રીકલ્ચરલ એન્ડ બાયોલોજિકલ એન્જિનિયરિંગ જેવા એગ્રોનોમી અને એગ્રીકલ્ચર એન્જિનિયરિંગને લગતા જર્નલ્સ દ્વારા બનાવવામાં આવે છે.
કૃષિ ડ્રોન-સંબંધિત સંશોધનમાં ટોચના 15 જર્નલ્સ.
ક્રમ | જર્નલ | ગણક |
1 | રિમોટ સેન્સિંગ | 258 |
2 | જર્નલ ઓફ ઇન્ટેલિજન્ટ એન્ડ રોબોટિક સિસ્ટમ્સ: થિયરી અને કાર્યક્રમો | 126 |
3 | કૃષિમાં કમ્પ્યુટર્સ અને ઇલેક્ટ્રોનિક્સ | 98 |
4 | IEEE રોબોટિક્સ અને ઓટોમેશન લેટર્સ | 87 |
5 | સેન્સર્સ | 73 |
6 | ઇન્ટરનેશનલ જર્નલ ઓફ રિમોટ સેન્સિંગ | 42 |
7 | ચોકસાઇ કૃષિ | 41 |
8 | ડોન | 40 |
9 | કૃષિવિજ્ઞાન | 34 |
10 | IEEE એક્સેસ | 34 |
11 | ઇન્ટરનેશનલ જર્નલ ઓફ એડવાન્સ્ડ રોબોટિક સિસ્ટમ્સ | 31 |
12 | ઇન્ટરનેશનલ જર્નલ ઓફ એગ્રીકલ્ચર એન્ડ બાયોલોજિકલ એન્જિનિયરિંગ | 25 |
13 | PLoS ONE | 25 |
14 | જર્નલ ઓફ ફીલ્ડ રોબોટિક્સ | 23 |
15 | બાયોસિસ્ટમ એન્જિનિયરિંગ | 23 |
ઉપસંહાર
સારાંશ
આ અભ્યાસમાં, અમે કૃષિ ડ્રોન પરના હાલના સંશોધનોનો સારાંશ અને વિશ્લેષણ કર્યું છે. વિવિધ બાઇબલિયોમેટ્રિક તકનીકોનો ઉપયોગ કરીને, અમે કૃષિ ડ્રોન-સંબંધિત સંશોધનની બૌદ્ધિક રચનાની વધુ સારી સમજ મેળવવાનો પ્રયત્ન કર્યો. સરવાળે, અમારી સમીક્ષા સાહિત્યમાં કીવર્ડ્સને ઓળખીને અને તેની ચર્ચા કરીને, જ્ઞાનના ક્લસ્ટરોને જાહેર કરીને, ડ્રોનના ક્ષેત્રમાં અર્થપૂર્ણ રીતે સમાન સમુદાયોની રચના કરતી વખતે, અગાઉના સંશોધનની રૂપરેખા આપીને અને ભવિષ્યના સંશોધન દિશાઓ સૂચવીને અનેક યોગદાન આપે છે. નીચે, અમે કૃષિ ડ્રોનના વિકાસ પર સમીક્ષાના મુખ્ય તારણોની રૂપરેખા આપીએ છીએ:
• એકંદર સાહિત્યનો ઝડપથી વિકાસ થયો છે અને છેલ્લા દાયકામાં ભારે ધ્યાન આકર્ષિત કર્યું છે, જે 2012 પછી લેખોની સંખ્યામાં વધારો દર્શાવે છે. તેમ છતાં આ જ્ઞાન ક્ષેત્રે તેની સંપૂર્ણ પરિપક્વતા પ્રાપ્ત કરવાની બાકી છે (બેરિએન્ટોસ એટ અલ., 2011; મેસ & Steppe, 2019), ઘણા પ્રશ્નો હજુ પણ અનુત્તરિત છે. દાખલા તરીકે, ઇન્ડોર ફાર્મિંગમાં ડ્રોનની ઉપયોગિતા હજુ પણ ચર્ચા માટે ખુલ્લી છે (અસલાન એટ અલ., 2022; ક્રુલ એટ અલ., 2021; રોલ્ડ એટ અલ., 2015). ક્ષેત્રના દ્રશ્યોની જટિલતા અને વિવિધ ઇમેજિંગ સંજોગો (દા.ત., પડછાયાઓ અને રોશની) ઉચ્ચ સ્પેક્ટ્રલ ઇન-ક્લાસ ભિન્નતામાં પરિણમી શકે છે (યાઓ એટ અલ., 2019). પછીના સંશોધન તબક્કાઓમાં પણ, સંશોધકોને ચોક્કસ દૃશ્યો અને આવશ્યક છબી ગુણવત્તા (સોરેસ એટ અલ., 2021; તુ એટ અલ.,
2020).
• અમે નોંધ્યું છે કે ક્ષેત્રે કાર્યક્ષમ UAV પ્રણાલી વિકસાવવાથી લઈને કૃષિ ડ્રોનની ડિઝાઇનમાં મશીન લર્નિંગ અને ડીપ લર્નિંગ જેવી AI તકનીકોનો સમાવેશ કરવા સુધીની પ્રગતિ થઈ છે (બાહ એટ અલ., 2018; કિટાનો એટ અલ., 2019; માઈમેટિજિયાંગ એટ અલ. , 2020; Mazzia et al., 2020, Tetila et al., 2020).
• કૃષિ ડ્રોન પરના સંશોધનમાં મુખ્યત્વે પર્યાવરણીય દેખરેખ, પાક વ્યવસ્થાપન અને નીંદણ વ્યવસ્થાપન (ક્લસ્ટર 1) તેમજ રિમોટ ફેનોટાઈપિંગ અને ઉપજ અંદાજ (ક્લસ્ટર 2)માં ટેક્નોલોજીની સંભવિતતાઓનું અન્વેષણ કરીને રિમોટ સેન્સિંગની ચર્ચા કરવામાં આવી હતી. કૃષિ ડ્રોન પર પ્રભાવશાળી અભ્યાસના સમૂહમાં Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex and Remondino (2014), અને Zhang and Kovacs (2012). આ અભ્યાસોએ કૃષિના સંદર્ભમાં ડ્રોન-સંબંધિત સંશોધનનો વૈચારિક આધાર વિકસાવ્યો.
• પધ્ધતિથી સંબંધિત, અમે અવલોકન કર્યું કે અત્યાર સુધી કરવામાં આવેલ મોટાભાગના સંશોધનો ક્યાં તો સિસ્ટમ ડિઝાઇન, વૈચારિક અથવા સમીક્ષા-આધારિત અભ્યાસોથી બનેલા હતા (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; યાઓ એટ અલ., 2019). અમે કૃષિ ડ્રોનની તપાસમાં કામ પર પ્રયોગમૂલક, ગુણાત્મક અને કેસ-સ્ટડી-આધારિત પદ્ધતિઓનો અભાવ પણ નોંધીએ છીએ.
• તાજેતરમાં, પ્રિસિઝન એગ્રીકલ્ચર, AI ટેકનિક, પ્રિસિઝન વીટીકલ્ચર, અને વોટર સ્ટ્રેસ એસેસમેન્ટ સંબંધિત વિષયોએ નોંધપાત્ર ધ્યાન દોર્યું છે (એસ્પિનોઝા એટ અલ., 2017; ગોમેઝ-કેન્ડ ´ એટ અલ., 2016; મેટીસ એટ અલ., 2015; Matese & Di Gennaro, 2018, 2021 Z. Zhou et al., 2021). 1990-2010 અને 2011-2021, બે અલગ-અલગ યુગમાં સંશોધન ક્લસ્ટરોની કાળજીપૂર્વક તપાસ, ડોમેનની બૌદ્ધિક રચનાની પ્રગતિ દર્શાવે છે. 1990 થી 2010 સુધીના સમયગાળામાં કેન્દ્રીય ધારણાઓ અને ડ્રોનની વિભાવનાઓની રચના કરવામાં આવી હતી, જે UAV ડિઝાઇન, વિકાસ અને અમલીકરણની ચર્ચાથી સ્પષ્ટ છે. બીજા યુગમાં, સંશોધનનું ધ્યાન અગાઉના અભ્યાસો પર વિસ્તરે છે, કૃષિમાં યુએવીના ઉપયોગના કેસોનું સંશ્લેષણ કરવાનો પ્રયાસ કરે છે. અમને અસંખ્ય અભ્યાસો પણ મળ્યાં છે જે ઇમેજિંગ કાર્યો અને ચોક્કસ કૃષિમાં ડ્રોન એપ્લિકેશનની ચર્ચા કરે છે.
ક્રમ | જર્નલ | ગણક |
1 | રિમોટ સેન્સિંગ | 258 |
2 | જર્નલ ઓફ ઇન્ટેલિજન્ટ એન્ડ રોબોટિક સિસ્ટમ્સ: થિયરી અને | 126 |
કાર્યક્રમો | ||
3 | કૃષિમાં કમ્પ્યુટર્સ અને ઇલેક્ટ્રોનિક્સ | 98 |
4 | IEEE રોબોટિક્સ અને ઓટોમેશન લેટર્સ | 87 |
5 | સેન્સર્સ | 73 |
6 | ઇન્ટરનેશનલ જર્નલ ઓફ રિમોટ સેન્સિંગ | 42 |
7 | ચોકસાઇ કૃષિ | 41 |
8 | ડોન | 40 |
9 | કૃષિવિજ્ઞાન | 34 |
10 | IEEE એક્સેસ | 34 |
11 | ઇન્ટરનેશનલ જર્નલ ઓફ એડવાન્સ્ડ રોબોટિક સિસ્ટમ્સ | 31 |
12 | ઇન્ટરનેશનલ જર્નલ ઓફ એગ્રીકલ્ચર એન્ડ બાયોલોજિકલ એન્જિનિયરિંગ | 25 |
13 | PLoS ONE | 25 |
14 | જર્નલ ઓફ ફીલ્ડ રોબોટિક્સ | 23 |
15 | બાયોસિસ્ટમ એન્જિનિયરિંગ | 22 |
ઇમ્પ્લિકેશન્સ
અમારી બાઇબલિયોમેટ્રિક સમીક્ષા વિદ્વાનો, ખેડૂતો, કૃષિ નિષ્ણાતો, પાક સલાહકારો અને UAV સિસ્ટમ ડિઝાઇનર્સને ધ્યાનમાં રાખીને ડિઝાઇન અને હાથ ધરવામાં આવી હતી. લેખકોના શ્રેષ્ઠ જ્ઞાન માટે, આ પ્રથમ મૂળ સમીક્ષાઓમાંની એક છે જેણે તેનું ઊંડાણપૂર્વક ગ્રંથસૂત્રિય વિશ્લેષણ હાથ ધર્યું છે.
કૃષિમાં ડ્રોન એપ્લિકેશન. અમે આ જ્ઞાન સંસ્થાની વ્યાપક સમીક્ષા હાથ ધરી છે, જેમાં પ્રકાશનોના સંદર્ભ અને સહ-ઉદ્ધરણ વિશ્લેષણનો ઉપયોગ કરવામાં આવ્યો છે. ડ્રોન સંશોધનની બૌદ્ધિક રચનાનું વર્ણન કરવાના અમારા પ્રયાસો પણ શિક્ષણવિદો માટે નવી આંતરદૃષ્ટિ પ્રદાન કરે છે. સમય જતાં ઉપયોગમાં લેવાતા કીવર્ડ્સની સાવચેતીભરી સમીક્ષા ડ્રોન-સંબંધિત સાહિત્યમાં હોટસ્પોટ્સ અને ફોકલ સંશોધન ક્ષેત્રો દર્શાવે છે. વધુમાં, અમે ક્ષેત્રમાં પૂર્ણ થયેલા સૌથી પ્રભાવી સંશોધન કાર્યોને ઓળખવા માટે સૌથી વધુ ટાંકવામાં આવેલા અભ્યાસોની સૂચિ રજૂ કરીએ છીએ. લેખો અને કીવર્ડ્સની ઓળખ પરિણામે ભવિષ્યના અભ્યાસો માટે ઘણા માર્ગો ઉજાગર કરવા માટે નક્કર પ્રારંભિક બિંદુ પ્રદાન કરી શકે છે.
અગત્યની રીતે, અમે ક્લસ્ટરો જાહેર કર્યા છે જે તુલનાત્મક કાર્યોને વર્ગીકૃત કરે છે અને પરિણામોને વિસ્તૃત કરે છે. ક્લસ્ટરોમાં વર્ગીકૃત થયેલ અભ્યાસ UAV સંશોધનની બૌદ્ધિક રચનાને સમજવામાં મદદ કરે છે. નોંધનીય રીતે, અમે ડ્રોનના દત્તક લેવાના પરિબળોની તપાસ કરતા અભ્યાસની અછત શોધી કાઢી છે
અને ખેતી પ્રવૃત્તિઓમાં અવરોધો (કોષ્ટક 9 જુઓ). ભાવિ સંશોધકો વિવિધ ખેતી પ્રવૃત્તિઓ અને આબોહવાની પરિસ્થિતિઓમાં ડ્રોનના દત્તક લેવાના પરિબળોનું મૂલ્યાંકન કરતી પ્રયોગમૂલક તપાસ કરીને આ સંભવિત અંતરને દૂર કરી શકે છે. વધુમાં, ડ્રોનની અસરકારકતા સંબંધિત કેસ સ્ટડી-આધારિત સંશોધનને ક્ષેત્રના વાસ્તવિક ડેટા સાથે સમર્થન આપવું જોઈએ. ઉપરાંત, ખેડૂતો અને સંચાલકોને શૈક્ષણિક સંશોધનમાં સામેલ કરવું ડ્રોન સંશોધનની સૈદ્ધાંતિક અને વ્યવહારિક પ્રગતિ બંને માટે ફાયદાકારક રહેશે. અમે સૌથી અગ્રણી સંશોધકો અને તેમના યોગદાનને ઓળખવામાં પણ સક્ષમ હતા, જે મૂલ્યવાન છે કારણ કે તાજેતરના મુખ્ય કાર્યોની જાગૃતિ ભવિષ્યના શૈક્ષણિક પ્રયાસો માટે કેટલાક માર્ગદર્શન આપી શકે છે.
કોષ્ટક 9
UAV દત્તક લેવાના અવરોધો.
બેરિયર | વર્ણન |
ડેટા સુરક્ષા | અમલીકરણ માટે સાયબર સુરક્ષા એક મોટો પડકાર છે IoT ઉકેલો (મસરૂર એટ અલ., 2021). |
આંતરકાર્યક્ષમતા અને સંકલન | વિવિધ તકનીકો જેમ કે UAV, WSN, IoT, વગેરે. સંકલિત હોવું જોઈએ અને ડેટા ટ્રાન્સમિટ કરવો જોઈએ જે જટિલતા સ્તરમાં વધારો (અલસામી એટ અલ., 2021; પોપેસ્કુ એટ અલ., 2020; વુરાન એટ અલ., 2018). |
અમલીકરણ ખર્ચ | આ ખાસ કરીને નાના ખેડૂતો માટે અને માટેનો કેસ છે વિવિધ અદ્યતન તકનીકોનું એકીકરણ ( મસરૂર એટ અલ., 2021). |
શ્રમ જ્ઞાન અને કુશળતા | યુએવી ઓપરેટ કરવા માટે કુશળ ડ્રોન પાઇલટ્સની જરૂર છે. ઉપરાંત, વિવિધ કટીંગ-એજ અમલીકરણ ટેક્નોલોજી માટે કુશળ કામદારોની જરૂર છે (YB Huang એટ અલ., 2013; ત્સોરોસ એટ અલ., 2019). |
એન્જિન પાવર અને ફ્લાઇટ સમયગાળો | ડ્રોન લાંબા કલાકો અને કવર સુધી ચલાવી શકાતા નથી મોટા વિસ્તારો (હાર્ડિન અને હાર્ડિન, 2010; લાલીબર્ટે એટ અલ., 2007). |
સ્થિરતા, વિશ્વસનીયતા અને દાવપેચ | ખરાબ હવામાનમાં ડ્રોન સ્થિર નથી હોતા (હાર્ડિન અને હાર્ડિન, 2010; લાલીબર્ટે એટ અલ., 2007). |
પેલોડ મર્યાદાઓ અને સેન્સરની ગુણવત્તા | ડ્રોન માત્ર મર્યાદિત લોડ લઈ શકે છે ઓછી ગુણવત્તાવાળા સેન્સર લોડ કરવાની ક્ષમતા (નેબીકર એટ અલ., 2008). |
નિયમન | જેમ કે ડ્રોન જોખમી પણ હોઈ શકે છે, ત્યાં ગંભીર છે કેટલાક વિસ્તારોમાં નિયમો (હાર્ડિન અને જેન્સન, 2011; લાલીબર્ટે અને રંગો, 2011). |
ખેડૂતોનું જ્ઞાન અને વ્યાજ | અન્ય અદ્યતન તકનીકોની જેમ, ડ્રોન' સફળ અમલીકરણ માટે કુશળતાની જરૂર છે અને તે પણ અનિશ્ચિતતાઓ સાથે (ફિશર એટ અલ., 2009; લેમ્બર્ટ એટ અલ., 2004; સ્ટેફોર્ડ, 2000). |
ઉપજને વધારવા માટે ઉપલબ્ધ સંસાધનોનો અસરકારક રીતે ઉપયોગ કરવાની સતત જરૂર હોવાથી, ખેડૂતો તેમના ખેતરોનું ઝડપી, સચોટ અને ખર્ચ-અસરકારક સ્કેનિંગ સુનિશ્ચિત કરવા માટે ડ્રોનનો લાભ લઈ શકે છે. આ ટેક્નોલોજી ખેડૂતોને તેમના પાકની સ્થિતિ નક્કી કરવા અને પાણીની સ્થિતિ, પાકવાની અવસ્થા, જંતુઓનો ઉપદ્રવ અને પોષક જરૂરિયાતોનું મૂલ્યાંકન કરવામાં મદદ કરી શકે છે. ડ્રોનની રિમોટ-સેન્સિંગ ક્ષમતાઓ ખેડૂતોને પ્રારંભિક તબક્કે સમસ્યાઓની અપેક્ષા રાખવા અને તાત્કાલિક યોગ્ય હસ્તક્ષેપ કરવા માટે નિર્ણાયક ડેટા પ્રદાન કરી શકે છે. જો કે, જો પડકારોને યોગ્ય રીતે સંબોધવામાં આવે તો જ ટેક્નોલોજીના ફાયદાઓ પ્રાપ્ત થઈ શકે છે. ના પ્રકાશમાં
ડેટા સુરક્ષા, સેન્સર ટેક્નોલોજી મુદ્દાઓ (દા.ત., માપનની વિશ્વસનીયતા અથવા સચોટતા), એકીકરણની જટિલતા અને નોંધપાત્ર અમલીકરણ ખર્ચ સંબંધિત વર્તમાન સમસ્યાઓ, ભવિષ્યના અભ્યાસોએ કૃષિ ડ્રોન અને અન્ય કટીંગને એકીકૃત કરવાની તકનીકી, આર્થિક અને ઓપરેશનલ સંભવિતતાની પણ તપાસ કરવી જોઈએ. ધાર તકનીકો.
મર્યાદાઓ
અમારા અભ્યાસમાં ઘણી મર્યાદાઓ છે. પ્રથમ, તારણો અંતિમ વિશ્લેષણ માટે પસંદ કરાયેલા પ્રકાશનો દ્વારા નક્કી કરવામાં આવે છે. કૃષિ ડ્રોન સંબંધિત તમામ સંબંધિત અભ્યાસોને કેપ્ચર કરવું પડકારજનક છે, ખાસ કરીને જે સ્કોપસ ડેટાબેઝમાં અનુક્રમિત નથી. વધુમાં, માહિતી સંગ્રહ પ્રક્રિયા શોધ કીવર્ડ્સની સેટિંગ સુધી મર્યાદિત છે, જે કદાચ સમાવિષ્ટ ન હોય અને અનિર્ણિત તારણો તરફ દોરી જાય. આમ, ભવિષ્યના અભ્યાસોને બનાવવા માટે ડેટા સંગ્રહના અંતર્ગત મુદ્દા પર વધુ ધ્યાન આપવાની જરૂર છે
વધુ વિશ્વસનીય તારણો. બીજી મર્યાદા અવતરણોની ઓછી સંખ્યાવાળા નવા પ્રકાશનોને લગતી છે. બાઇબલિયોમેટ્રિક વિશ્લેષણ અગાઉના પ્રકાશનો તરફ પક્ષપાતી છે કારણ કે તેઓ વર્ષોથી વધુ અવતરણો પ્રાપ્ત કરે છે. તાજેતરના અભ્યાસોને ધ્યાન આકર્ષિત કરવા અને ટાંકણો એકઠા કરવા માટે ચોક્કસ સમયની જરૂર છે. પરિણામે, તાજેતરના અભ્યાસો કે જે નમૂનારૂપ પરિવર્તન લાવે છે તે ટોચના દસ પ્રભાવશાળી કાર્યોમાં સ્થાન મેળવશે નહીં. આ મર્યાદા કૃષિ ડ્રોન જેવા ઝડપથી ઉભરતા સંશોધન ક્ષેત્રોની પરીક્ષામાં પ્રચલિત છે. આ કાર્ય માટે સાહિત્યનો અભ્યાસ કરવા માટે અમે સ્કોપસની સલાહ લીધી હોવાથી, ભાવિ સંશોધકો અલગ વિચારણા કરી શકે છે
ડેટાબેસેસ, જેમ કે વેબ ઓફ સાયન્સ અને IEEE Xplore, ક્ષિતિજને વિસ્તૃત કરવા અને સંશોધન માળખું વધારવા માટે.
સંભવિત બાઇબલિયોમેટ્રિક અભ્યાસો નવલકથા આંતરદૃષ્ટિ પેદા કરવા માટે કોન્ફરન્સ પેપર, પ્રકરણો અને પુસ્તકો જેવા અન્ય મહત્વપૂર્ણ જ્ઞાન સ્ત્રોતોને ધ્યાનમાં લઈ શકે છે. કૃષિ ડ્રોન પર વૈશ્વિક પ્રકાશનો મેપિંગ અને તપાસ કરવા છતાં, અમારા તારણો યુનિવર્સિટીઓના વિદ્વતાપૂર્ણ આઉટપુટ પાછળના કારણોને જાહેર કરતા નથી. જ્યારે કૃષિ વિશે સંશોધનની વાત આવે છે ત્યારે કેટલીક યુનિવર્સિટીઓ શા માટે અન્ય કરતાં વધુ ઉત્પાદક છે તે ગુણાત્મક રીતે સમજાવવામાં આ સંશોધનના નવલકથા ક્ષેત્રનો માર્ગ મોકળો કરે છે.
ડ્રોન વધુમાં, ભવિષ્યના અભ્યાસો ઘણા સંશોધકો દ્વારા સૂચવ્યા મુજબ પર્યાવરણીય દેખરેખ, પાક વ્યવસ્થાપન અને નીંદણ મેપિંગ જેવી વિવિધ રીતે ખેતીની ટકાઉપણું વધારવા માટે ડ્રોનની સંભવિતતામાં આંતરદૃષ્ટિ પ્રદાન કરી શકે છે (ચમુઆહ અને સિંઘ, 2019; ઇસ્લામ એટ અલ., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). પસંદ કરેલા પેપરોની વધુ સંખ્યાને કારણે ટેક્સ્ટનું પૃથ્થકરણ શક્ય ન હોવાથી, વ્યવસ્થિત સાહિત્યની સમીક્ષાની જરૂર છે જે
ઉપયોગમાં લેવાતી સંશોધન પદ્ધતિઓ અને અગાઉના અભ્યાસોમાં ખેડૂતોની સંડોવણી. ટૂંકમાં, ડ્રોન સંશોધનનું અમારું વિશ્લેષણ આ જ્ઞાન સંસ્થાના અદ્રશ્ય જોડાણોને છતી કરે છે. તેથી આ સમીક્ષા પ્રકાશનો વચ્ચેના સંબંધોને ઉજાગર કરવામાં મદદ કરે છે અને સંશોધન ક્ષેત્રની બૌદ્ધિક રચનાની શોધ કરે છે. તે સાહિત્યના વિવિધ પાસાઓ, જેમ કે લેખકોના કીવર્ડ્સ, જોડાણો અને દેશો વચ્ચેના જોડાણને પણ દર્શાવે છે.
હરીફાઈનું હિત જાહેર કરવું
લેખકો ઘોષણા કરે છે કે તેમની પાસે કોઈ જાણીતી સ્પર્ધાત્મક નાણાકીય હિતો અથવા વ્યક્તિગત સંબંધો નથી જે આ કાગળમાં નોંધાયેલા કામને પ્રભાવિત કરી શકે છે.
પરિશિષ્ટ 1
TITLE-ABS-KEY (((ડ્રોન* અથવા "માનવ રહિત એરિયલ વ્હીકલ" અથવા uav* અથવા "માનવરહિત એરક્રાફ્ટ સિસ્ટમ” અથવા uas અથવા “દૂરથી પાઇલોટેડ એરક્રાફ્ટ”) અને (કૃષિ અથવા કૃષિ અથવા ખેતી અથવા ખેડૂત))) અને (બાકાત (પ્યુબયર, 2022)) અને (મર્યાદા-થી (ભાષા, “અંગ્રેજી”)).
સંદર્ભ
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. વનસ્પતિ મોનિટરિંગ માટે હળવા વજનના UAV સ્નેપશોટ કેમેરા સાથે 3D હાઇપરસ્પેક્ટ્રલ માહિતી જનરેટ કરવી: તરફથી
ગુણવત્તા ખાતરી માટે કેમેરા કેલિબ્રેશન. ISPRS જે. ફોટોગ્રામ. રીમોટ સેન્સ. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
અબ્દ-અલરહમાન, એ., પર્લસ્ટાઈન, એલ., પર્સિવલ, એફ., 2005. માનવરહિત હવાઈ વાહન ઈમેજરીમાંથી સ્વચાલિત પક્ષી શોધ માટે પેટર્ન ઓળખ અલ્ગોરિધમનો વિકાસ.
સર્વે. જમીનની માહિતી. વિજ્ઞાન 65 (1), 37–45.
અબ્દોલ્લાહી, એ., રેજેબ, કે., રેજેબ, એ., મોસ્તફા, એમએમ, ઝૈલાની, એસ., 2021. કૃષિમાં વાયરલેસ સેન્સર નેટવર્ક્સ: બાઈબલિયોમેટ્રિક વિશ્લેષણમાંથી આંતરદૃષ્ટિ. ટકાઉપણું 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., ઉચ્ચ-રીઝોલ્યુશન ઓપ્ટિકલ ઇમેજરીમાં પડછાયાની શોધ માટે વિવિધ પદ્ધતિઓનું મૂલ્યાંકન અને ગણતરી પર પડછાયાની અસરનું મૂલ્યાંકન NDVI, અને બાષ્પીભવન. સિંચાઈ. વિજ્ઞાન 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. હાયપરસ્પેક્ટ્રલ ઇમેજિંગ: UAV- આધારિત સેન્સર્સ, ડેટા પર સમીક્ષા પ્રક્રિયા અને
કૃષિ અને વનસંવર્ધન માટેની અરજીઓ. રિમોટ સેન્સિંગ 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramirez, FC, Saiz, MP, Rosúa, FO, 2015. સૂર્યમુખીના પાકની દેખરેખ માટે માનવરહિત હવાઈ વાહનનો ઉપયોગ કરીને મલ્ટિ-ટેમ્પોરલ ઇમેજિંગ. બાયોસિસ્ટ. એન્જી.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. UAV થી સચોટ ડિજિટલ એલિવેશન મોડલ્સની ઉત્પત્તિએ નીચી ટકાવારી ઓવરલેપિંગ છબીઓ મેળવી. ઇન્ટ.
જે. રીમોટ સેન્સ. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. રિમોટ સેન્સિંગ ડેટામાંથી બાયોમાસ અને જમીનમાં ભેજ મેળવવા માટે મશીન લર્નિંગ અભિગમોની સમીક્ષા. રિમોટ સેન્સિંગ 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., B5G નેટવર્ક્સમાં UAV નો ઉપયોગ કરીને વસ્તુઓનું ગ્રીન ઇન્ટરનેટ: એપ્લિકેશન્સની સમીક્ષા
અને વ્યૂહરચના. એડ. હોક. નેટવ. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. ઘેટાં પશુધનની દેખરેખ માટે ડ્રોન. માં: 20મી IEEE ભૂમધ્ય ઇલેક્ટ્રોટેક્નિકલ કોન્ફરન્સ. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. યુએવી-આધારિત ઉચ્ચ થ્રુપુટ ફેનોટાઇપિંગ સાઇટ્રસમાં મલ્ટિસ્પેક્ટરલ ઇમેજિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કરીને. રિમોટ સેન્સિંગ 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ કરતી પ્રિસિઝન એગ્રીકલ્ચર એપ્લિકેશન્સ માટે UAV-એકત્રિત ડેટાની પ્રક્રિયા, વિશ્લેષણ અને વિઝ્યુઅલાઈઝ કરવા માટે ક્લાઉડ-આધારિત એપ્લિકેશન. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. કૃષિમાં હાઇપરસ્પેક્ટ્રલ માહિતી સાથે મોટો ડેટા અને મશીન લર્નિંગ. IEEE એક્સેસ 9, 36699–36718. https://doi.org/10.1109/
ACCESS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. સમીક્ષા: ગોચર-આધારિત પશુધન પ્રણાલીમાં ચોકસાઇવાળા પશુધન ખેતી તકનીકીઓ. પ્રાણી 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., માટે અદ્યતન માહિતી અને સંચાર તકનીકો પર વલણો
કૃષિ ઉત્પાદકતામાં સુધારો: એક ગ્રંથસૂચિ વિશ્લેષણ. કૃષિવિજ્ઞાન 10 (12), કલમ 12. https://doi.org/10.3390/agronomy10121989.
આર્મસ્ટ્રોંગ, આઇ., પીરોન-બ્રુસે, એમ., સ્મિથ, એ., જદુડ, એમ., 2011. ધ ફ્લાઇંગ ગેટર: ઓકેમ-πમાં એરિયલ રોબોટિક્સ તરફ. કોમ્યુન. પ્રક્રિયા આર્કિટેક્ટ. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
અરોરા, એસ.ડી., ચક્રવર્તી, એ., 2021. કન્ઝ્યુમર કમ્પ્લેઇંગ બિહેવિયર (સીસીબી) સંશોધનનું બૌદ્ધિક માળખું: એક બાઈબલિયોમેટ્રિક વિશ્લેષણ. જે. બિઝનેસ રેસ. 122, 60-74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
ખુલ્લા મેદાનો અને ગ્રીનહાઉસીસમાં સચોટ ખેતી માટે યુએવી સાથેના તાજેતરના અભ્યાસોનું વ્યાપક સર્વેક્ષણ. એપલ. વિજ્ઞાન 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). ભવિષ્ય માટે ફીલ્ડ ફેનોટાઇપિંગ. ઈન એન્યુઅલ પ્લાન્ટ રિવ્યુઝ ઓનલાઈન (pp. 719–736). જ્હોન
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
ઑસ્ટિન, આર., 2010. માનવરહિત એરક્રાફ્ટ સિસ્ટમ્સ: યુએવીએસ ડિઝાઇન, ડેવલપમેન્ટ એન્ડ ડિપ્લોયમેન્ટ. માં: માનવરહિત એરક્રાફ્ટ સિસ્ટમ્સ: UAVS ડિઝાઇન, વિકાસ અને
જમાવટ. જ્હોન વિલી એન્ડ સન્સ. https://doi.org/10.1002/9780470664797.
ઔવેસ, એમ., લી, ડબલ્યુ., ચીમા, એમજેએમ, જમાન, કયુ, શાહીન, એ., અસલમ, બી., ઝુ, ડબલ્યુ., અજમલ, એમ., ફહીમ, એમ., હુસૈન, એસ., નદીમ, AA, Afzal, MM, Liu, C., 2022. UAV આધારિત રિમોટ સેન્સિંગ ઇન પ્લાન્ટ સ્ટ્રેસ ડિજિટલ એગ્રીકલ્ચર પ્રેક્ટિસ માટે ઉચ્ચ-રિઝોલ્યુશન થર્મલ સેન્સરનો ઉપયોગ કરીને કલ્પના કરો: એક મેટા-રિવ્યુ. ઇન્ટ. જે. પર્યાવરણ. વિજ્ઞાન ટેકનોલ. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. સ્માર્ટ ફાર્મિંગ: તકો, પડકારો
અને ટેકનોલોજી સમર્થકો. 2018 IoT વર્ટિકલ અને. ટોપિકલ સમિટ ઓન એગ્રીકલ્ચર -ટસ્કની (આઈઓટી ટસ્કની) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. UAV ઈમેજીસમાં રેખા પાકોમાં નીંદણની શોધ માટે અનસુપરવાઇઝ્ડ ડેટા લેબલીંગ સાથે ડીપ લર્નિંગ. રિમોટ સેન્સિંગ 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
બાલ્ડી, એસ., 1998. અવતરણની ફાળવણીમાં સામાન્ય વિરુદ્ધ સામાજિક રચનાત્મક પ્રક્રિયાઓ: નેટવર્ક-વિશ્લેષણાત્મક મોડેલ. એમ. સામાજિક. રેવ. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
બાલુજા, જે., ડિયાગો, એમપી, બાલ્દા, પી., ઝોરેર, આર., મેગીયો, એફ., મોરાલેસ, એફ., ટાર્દાગુઇલા, જે., 2012. થર્મલ અને મલ્ટિસ્પેક્ટ્રલ દ્વારા વાઇનયાર્ડ વોટર સ્ટેટસ વેરિએબિલિટીનું મૂલ્યાંકન
માનવરહિત એરિયલ વ્હીકલ (UAV) નો ઉપયોગ કરીને છબી. સિંચાઈ. વિજ્ઞાન 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
બારાબાચી, ડી., ટોંડેલી, એ., ડેસિડેરીઓ, એફ., વોલાન્ટે, એ., વેક્સિનો, પી., વાલે, જી., કેટિવેલ્લી, એલ., નેક્સ્ટ જનરેશન બ્રીડિંગ. છોડ વિજ્ઞાન. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. પશુઓ પર દેખરેખ રાખવા માટે માનવરહિત હવાઈ પ્રણાલીના ઉપયોગ પરના પરિપ્રેક્ષ્ય. આઉટલુક એગ્રીક. 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. ઓછા વજન અને UAV- આધારિત હાઇપરસ્પેક્ટ્રલ ફુલ-ફ્રેમ કેમેરા
પાકની દેખરેખ માટે: પોર્ટેબલ સ્પેક્ટ્રોરાડિયોમીટર માપ સાથે સ્પેક્ટ્રલ સરખામણી. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
બેરિએન્ટોસ, એ., કોલોરાડો, જે., ડેલ સેરો, જે., માર્ટિનેઝ, એ., રોસી, સી., સાન્ઝ, ડી., વેલેન્ટે, જે., એરિયલ રિમોટ સેન્સિંગ ઇન એગ્રીકલ્ચરઃ એરિયા કવરેજ માટે એક વ્યવહારુ અભિગમ
અને મિની એરિયલ રોબોટ્સના કાફલા માટે પાથ પ્લાનિંગ. જે. ફીલ્ડ રોબ. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
બસિરી, એ., મરિયાની, વી., સિલાનો, જી., આતિફ, એમ., યાનેલી, એલ., ગ્લિએલ્મો, એલ., 2022. ચોકસાઇમાં મલ્ટિ-રોટર યુએવી માટે પાથ-પ્લાનિંગ અલ્ગોરિધમ્સની એપ્લિકેશન પર સર્વેક્ષણ
કૃષિ જે. નેવિગ. 75 (2), 364–383.
બસનેટ, બી., બેંગ, જે., 2018. જ્ઞાન-સઘન કૃષિની અત્યાધુનિક: એપ્લાઇડ સેન્સિંગ સિસ્ટમ્સ અને ડેટા એનાલિટિક્સ પરની સમીક્ષા. જે. સેન્સ. 2018, 1-13.
બેન્ડિગ, જે., બોલ્ટેન, એ., બેરેથ, જી., 2013. પાક વૃદ્ધિની વિવિધતા પર દેખરેખ રાખવા માટે મલ્ટિ-ટેમ્પોરલ, ખૂબ જ ઉચ્ચ રિઝોલ્યુશન ક્રોપ સપાટી મોડેલ્સ માટે UAV-આધારિત ઇમેજિંગ. 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. UAV આધારિત RGB ઇમેજિંગમાંથી મેળવેલા ક્રોપ સરફેસ મોડલ્સ (CSMs) નો ઉપયોગ કરીને જવના બાયોમાસનો અંદાજ કાઢવો. રિમોટ સેન્સિંગ 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. પાકની સપાટીથી UAV-આધારિત છોડની ઊંચાઈનું સંયોજન મોડેલો
જવમાં બાયોમાસ મોનિટરિંગ માટે દૃશ્યમાન અને નજીકના ઇન્ફ્રારેડ વનસ્પતિ સૂચકાંકો. ઇન્ટ. જે. એપલ. પૃથ્વી Obs. જીઓઇન્ફ. 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. ઉચ્ચ રીઝોલ્યુશનનો ઉપયોગ કરીને ઓલિવ બગીચામાં કેનોપી વાહકતા અને CWSI મેપિંગ
થર્મલ રિમોટ સેન્સિંગ ઈમેજરી. રીમોટ સેન્સ. પર્યાવરણ. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. માનવરહિત હવાઈ વાહનમાંથી વનસ્પતિની દેખરેખ માટે થર્મલ અને નેરોબેન્ડ મલ્ટિસ્પેક્ટ્રલ રિમોટ સેન્સિંગ. IEEE ટ્રાન્સ. જીઓસ્કી. રીમોટ સેન્સ. 47 (3), 722–738.
બૂઝેમબ્રાક, વાય., ક્લુચે, એમ., ગવાઈ, એ., માર્વિન, એચજેપી, 2019. ઈન્ટરનેટ ઓફ થિંગ્સ ઇન ફૂડ સેફ્ટી: લિટરેચર રિવ્યુ એન્ડ એ બીબ્લિયોમેટ્રિક વિશ્લેષણ. ટ્રેન્ડ્સ ફૂડ સાયન્સ. ટેકનોલ. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
બ્રુસ્ટર, સી., રૂસાકી, આઈ., કલાત્ઝીસ, એન., ડૂલિન, કે., એલિસ, કે., 2017. કૃષિમાં IoT: યુરોપ-વ્યાપી મોટા પાયે પાઇલટની રચના. IEEE કોમ્યુન. મેગ. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. મિલિમીટર ચોકસાઈ પર વ્યક્તિગત રોપાઓ અને બીજ ઉગાડવાના સમુદાયોનું મલ્ટિ-સેન્સર UAV ટ્રેકિંગ. ડ્રોન 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. UAV ઈમેજીસમાંથી ચોક્સાઈભરી ખેતી એપ્લિકેશન્સ માટે મલ્ટિસ્પેક્ટ્રલ ઈમેજો અને વનસ્પતિ સૂચકાંકોનું મૂલ્યાંકન. રિમોટ સેન્સિંગ 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. UAV માંથી મેળવેલા વાઈડ-ડાયનેમિક-રેન્જ વેજિટેશન ઈન્ડેક્સ (WDRVI) નો ઉપયોગ કરીને સુગર બીટ વૃદ્ધિ સૂચકાંકોનું નિરીક્ષણ
મલ્ટિસ્પેક્ટ્રલ છબીઓ. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
કેસિલાસ, જે., એસેડો, એફ., 2007. ફેમિલી બિઝનેસ લિટરેચરની બૌદ્ધિક રચનાની ઉત્ક્રાંતિ: એફબીઆરનો એક ગ્રંથસૂચિ અભ્યાસ. કૌટુંબિક વ્યવસાય રેવ. 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. હેઠળ ચોખાના બાયોમાસનું ગતિશીલ નિરીક્ષણ
ડ્યુઅલ ઇમેજ-ફ્રેમ સ્નેપશોટ કેમેરા સાથે હળવા વજનના UAV નો ઉપયોગ કરીને વિવિધ નાઇટ્રોજન સારવાર. છોડની પદ્ધતિઓ 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
ચામુઆહ, એ., સિંઘ, આર., 2019. નાગરિક UAV દ્વારા ભારતીય કૃષિમાં ટકાઉપણું સુરક્ષિત: એક જવાબદાર નવીનતા પરિપ્રેક્ષ્ય. એસએન એપ્લ. વિજ્ઞાન 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
ચમુઆહ, એ., સિંઘ, આર., 2022. ભારતીય પાક વીમા અરજીઓ માટે નાગરિક માનવરહિત હવાઈ વાહન (યુએવી) નવીનતાઓનું જવાબદાર શાસન. J. જવાબદાર
ટેકનોલ. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
ચેન, એ., ઓર્લોવ-લેવિન, વી., મેરોન, એમ., 2019. ચોકસાઇ સિંચાઈ વ્યવસ્થાપન માટે પાક કેનોપીની ઉચ્ચ-રિઝોલ્યુશન દૃશ્યમાન-ચેનલ એરિયલ ઇમેજિંગ લાગુ કરવી. કૃષિ. પાણી
મેનગ. 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. ઓન-બોર્ડ ફોટોગ્રામેટ્રી અને સિંગલ ફ્રીક્વન્સી GPS પોઝિશનિંગ સાથે લાઇટવેઇટ UAV મેટ્રોલોજી એપ્લિકેશન્સ માટે. ISPRS જે. ફોટોગ્રામ. રીમોટ સેન્સ. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. ઓટોનોમસ ડ્રોન ઓપરેશન મેનેજમેન્ટ માટે બ્લોકચેન-આધારિત IoT પ્લેટફોર્મ. માં: 2જી ACM ની કાર્યવાહી
5G અને બિયોન્ડ માટે ડ્રોન આસિસ્ટેડ વાયરલેસ કોમ્યુનિકેશન્સ પર મોબીકોમ વર્કશોપ, પૃષ્ઠ 31-36. https://doi.org/10.1145/3414045.3415939.
ડે, આરએ, ગેસ્ટલ, બી., 1998. વૈજ્ઞાનિક પેપર કેવી રીતે લખવું અને પ્રકાશિત કરવું. કેમ્બ્રિજ યુનિવર્સિટી પ્રેસ. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. મેપિંગ cynodon dactylon infesting ઓટોમેટિક ડિસિઝન ટ્રી-ઓબીઆઈએ પ્રક્રિયા સાથે પાકને આવરી લે છે અને ચોકસાઇવાળા દ્રાક્ષની ખેતી માટે UAV છબી. રિમોટ સેન્સિંગ 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. માટે એક સ્વચાલિત રેન્ડમ ફોરેસ્ટ-OBIA અલ્ગોરિધમ UAV ઇમેજરીનો ઉપયોગ કરીને પાકની પંક્તિઓ વચ્ચે અને અંદર પ્રારંભિક નીંદણ મેપિંગ. રિમોટ સેન્સિંગ 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. UAV ઈમેજરીમાંથી મેળવેલા DSM નો ઉપયોગ કરીને ઘઉંના જીનોટાઈપ્સના છોડની ઊંચાઈનું સ્વયંસંચાલિત માપન. કાર્યવાહી 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
ડેંગ, જે., ઝોંગ, ઝેડ., હુઆંગ, એચ., લેન, વાય., હાન, વાય., ઝાંગ, વાય., 2020. માનવરહિત હવાઈ વાહનોનો ઉપયોગ કરીને રીઅલ-ટાઇમ વીડ મેપિંગ માટે લાઇટવેઇટ સિમેન્ટીક સેગ્મેન્ટેશન નેટવર્ક. એપલ. વિજ્ઞાન 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-આધારિત મલ્ટિસ્પેક્ટ્રલ રિમોટ સેન્સિંગ ફોર પ્રિસિઝન એગ્રીકલ્ચર: વિવિધ કેમેરા વચ્ચેની સરખામણી. ISPRS જે. ફોટોગ્રામ. રિમોટ સેન્સ. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. મશીન લર્નિંગ અને રિમોટ સેન્સિંગ તકનીકો માટી સૂચકાંકોના અંદાજ માટે લાગુ - સમીક્ષા. ઇકોલ. ઇન્ડ. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. 3D ફોટોનો ઉપયોગ કરીને ઓલિવ ટ્રી ક્રાઉન પરિમાણોનું મૂલ્યાંકન કરવા માટે ઉચ્ચ-રિઝોલ્યુશન એરબોર્ન UAV છબી
પુનર્નિર્માણ: સંવર્ધન ટ્રાયલ્સમાં એપ્લિકેશન. રિમોટ સેન્સિંગ 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
દીક્ષિત, એ., જાખર, એસ.કે., 2021. એરપોર્ટ કેપેસિટી મેનેજમેન્ટઃ એ રિવ્યુ એન્ડ બાઇબલિયોમેટ્રિક એનાલિસિસ. જે. એર ટ્રાન્સપ. મેનગ. 91, 102010.
ડોંગ, ટી., શાંગ, જે., લિયુ, જે., ક્વિન, બી., જિંગ, ક્યૂ., મા, બી., હફમેન, ટી., ગેંગ, એક્સ., સો, એ., શી, વાય., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
ઓન્ટારિયો, કેનેડામાં પાકની વૃદ્ધિ અને ઉપજની ક્ષેત્રની અંદરની વિવિધતા ઓળખવા માટે RapidEye ઇમેજરીનો ઉપયોગ કરવો. પ્રિસિઝન એગ્રીક. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
દત્તા, પીકે, મિત્રા, એસ., 2021. કોવિડ-19 પછીના સમયગાળા દરમિયાન ફૂડ સપ્લાય ચેઇનને સમજવા માટે કૃષિ ડ્રોન અને આઇઓટીની એપ્લિકેશન. માં: ચૌધરી, એ., બિસ્વાસ, એ., પ્રતિક, એમ.,
ચક્રવર્તી, એ. (એડ્સ.), એગ્રીકલ્ચરલ ઇન્ફોર્મેટિક્સ: ઓટોમેશન યુઝિંગ ધ આઇઓટી અને મશીન લર્નિંગ. વિલી, પૃષ્ઠ 67-87. વાન એક, એન., વોલ્ટમેન, એલ., 2009. સૉફ્ટવેર સર્વેક્ષણ: વીઓએસવ્યુઅર, બાઈબલિયોમેટ્રિક મેપિંગ માટે કમ્પ્યુટર પ્રોગ્રામ. સાયન્ટમેટ્રિક્સ 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., રહેમાન, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. એક વિહંગાવલોકન ઇન્ટરનેટ ઓફ થિંગ્સ (IoT) અને ડેટા એનાલિટિક્સ ઇન એગ્રીકલ્ચર: ફાયદા અને પડકારો.
IEEE ઈન્ટરનેટ થિંગ્સ 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. કૃષિવિજ્ઞાનની માન્યતા UAV અને ક્ષેત્ર
ટામેટાંની જાતો માટે માપન. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. હાઇ રિઝોલ્યુશન મલ્ટિસ્પેક્ટરલ અને થર્મલ રિમોટ સેન્સિંગ આધારિત પાણીના તણાવનું મૂલ્યાંકન
ઉપસપાટીની સિંચાઈવાળી દ્રાક્ષની દ્રાક્ષ. રિમોટ સેન્સિંગ 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. માટીના ગ્રેડેશન માટે હાઇપરસ્પેક્ટ્રલ રિમોટ સેન્સિંગનો ઉપયોગ. રિમોટ સેન્સિંગ 12 (20), 3312. ttps://doi.org/10.3390/
આરએસ12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., એન્ડરસન, કે., 2020. ઓપરેશનલ પરિસ્થિતિઓમાં ડ્રોન-આધારિત મલ્ટીસ્પેક્ટ્રલ સપાટીના પ્રતિબિંબ અને વનસ્પતિ સૂચકાંકોનું મલ્ટિસ્કેલ મૂલ્યાંકન. રિમોટ સેન્સિંગ 12 (3), 514.
ફેંગ, એક્સ., યાન, એફ., લિયુ, એક્સ., 2019. ચોક્કસ કૃષિ માટે ઇન્ટરનેટ ઓફ થિંગ્સ પર વાયરલેસ કમ્યુનિકેશન ટેક્નોલોજીનો અભ્યાસ. વાયરલેસ Pers. કોમ્યુન. 108 (3),
1785-1802
ફેરેરા, એમપી, પિન્ટો, સીએફ, સેરા, એફઆર, 2014. આંતરરાષ્ટ્રીય વ્યાપાર સંશોધનમાં ટ્રાન્ઝેક્શન કોસ્ટ થિયરી: ત્રણ દાયકાઓ પરનો એક ગ્રંથસૂચિનો અભ્યાસ. સાયન્ટમેટ્રિક્સ 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
ફિશર, પી., અબુઝાર, એમ., રાબ, એમ., બેસ્ટ, એફ., ચંદ્ર, એસ., 2009. દક્ષિણ-પૂર્વ ઓસ્ટ્રેલિયામાં ચોકસાઇવાળી ખેતીમાં પ્રગતિ. I. અનુકરણ કરવા માટે રીગ્રેશન પદ્ધતિ
ખેડૂતોની ઐતિહાસિક વાડો ઉપજ અને સામાન્યકૃત તફાવત વનસ્પતિ સૂચકનો ઉપયોગ કરીને અનાજની ઉપજમાં અવકાશી ભિન્નતા. પાક ગોચર વિજ્ઞાન. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. વિજ્ઞાન, ટેકનોલોજી અને નાના સ્વાયત્ત ડ્રોનનું ભવિષ્ય. નેચર 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. ઈન્ટરનેટ ઓફ થિંગ્સ ફોર ધ ફ્યુચર ઓફ સ્માર્ટ એગ્રીકલ્ચર: ઇમર્જિંગ ટેક્નોલોજીનો વ્યાપક સર્વે. IEEE CAA જે. ઓટોમ. સિનિકા 8 (4), 718–752.
ફ્યુએન્ટેસ-પાચેકો, જે., ટોરેસ-ઓલિવરેસ, જે., રોમન-રેન્જેલ, ઇ., સર્વાંટેસ, એસ., જુઆરેઝલોપેઝ, પી., હર્મોસિલો-વાલાડેઝ, જે., રેન્ડોન-માંચા, ´ જેએમ, 2019. ફિગ પ્લાન્ટ સેગ્મેન્ટેશન ડીપ કન્વોલ્યુશનલ એન્કોડર-ડીકોડર નેટવર્કનો ઉપયોગ કરીને એરિયલ ઈમેજીસમાંથી. રિમોટ સેન્સિંગ 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. માટે પાણીના તણાવનું મૂલ્યાંકન કરવા માટે UAVs પડકાર
ટકાઉ ખેતી. કૃષિ. પાણી વ્યવસ્થા. 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. થર્મલ ઇમેજિંગ પ્લાન્ટ પર
ખાધ સિંચાઈ વ્યૂહરચના હેઠળ બદામના ઝાડ (સીવી. ગુઆરા) માં પાક-પાણીની સ્થિતિનું મૂલ્યાંકન કરવા માટેનું સ્તર. કૃષિ. પાણી વ્યવસ્થા. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. નાના હાઇપરસ્પેક્ટ્રલ UAS નો ઉપયોગ કરીને સપાટીનું પ્રતિબિંબ અને સૂર્યપ્રેરિત ફ્લોરોસેન્સ સ્પેક્ટ્રોસ્કોપી માપન. રિમોટ સેન્સિંગ 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. માટે એક સ્વચાલિત પદ્ધતિ
UAV ઇમેજરી પર આધારિત ઓટ ક્ષેત્રોમાં નીંદણ મેપિંગ. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ.
ગેબર્સ, આર., એડમચુક, VI, 2010. પ્રિસિઝન એગ્રીકલ્ચર એન્ડ ફૂડ સિક્યુરિટી. વિજ્ઞાન 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. માનવરહિત એરક્રાફ્ટ સિસ્ટમ વડે હસ્તગત હવાઈ છબીઓ અને પાકની સપાટીના નમૂનાઓના આધારે મકાઈની ઉપજનું સંયુક્ત સ્પેક્ટ્રલ અને અવકાશી મોડેલિંગ. રિમોટ સેન્સિંગ 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. વપરાશકર્તાઓ માટે ટકાઉ ડિઝાઇન: સાહિત્ય સમીક્ષા અને ગ્રંથસૂચિ વિશ્લેષણ. પર્યાવરણ. વિજ્ઞાન પ્રદુષણ. રેસ. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
ગેવર્ટ, સીએમ, સુઓમલાઈનેન, જે., તાંગ, જે., કુઇસ્ટ્રા, એલ., 2015. મલ્ટિસ્પેક્ટરલ સેટેલાઇટ અને હાઇપરસ્પેક્ટ્રલને જોડીને સ્પેક્ટરલ ટેમ્પોરલ રિસ્પોન્સ સપાટીઓનું નિર્માણ
ચોક્કસ કૃષિ એપ્લિકેશન્સ માટે UAV છબી. IEEE J. Sel. ટોચ. એપલ. પૃથ્વી Obs. રીમોટ સેન્સ. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT આધારિત એગ્રીકલ્ચર એઝ એ ક્લાઉડ અને મોટી ડેટા સર્વિસ: ડિજિટલ ઈન્ડિયાની શરૂઆત. J. Org. અને અંતિમ વપરાશકર્તા કોમ્પ્યુટ. (JOEUC) 29 (4),
1-23
ગમ્યુર, એમ., 2006. સહ-ઉદ્ધરણ વિશ્લેષણ અને અદ્રશ્ય કોલેજોની શોધ: પદ્ધતિસરનું મૂલ્યાંકન. સાયન્ટમેટ્રિક્સ 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. માનવરહિત એરિયલ વ્હીકલ (UAVs) દ્વારા મકાઈના છોડની ડિજિટલ ગણતરી. રિમોટ સેન્સિંગ 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. જળચર નીંદણની દેખરેખ માટે રોટરી-વિંગ માનવરહિત હવાઈ વાહન અને
સંચાલન જે. ઇન્ટેલ. રોબોટિક સિસ્ટમ.: થિયર. એપલ. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
ગોમેઝ-કેન્ડ ´ ઓન, ´ ડી., ડી કાસ્ટ્રો, AI, લોપેઝ-ગ્રેનાડોસ, ´ એફ., 2014. ઘઉંમાં ચોક્કસ કૃષિ હેતુઓ માટે માનવરહિત હવાઈ વાહન (યુએવી) ઇમેજરીમાંથી મોઝેઇકની ચોકસાઈનું મૂલ્યાંકન. ચોક્કસ. કૃષિ. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
ગોમેઝ-કેન્ડ ´ ઓન, ´ ડી., વિરલેટ, એન., લેબ્બે, એસ., જોલિવોટ, એ., રેગ્નર્ડ, જે.-એલ., 2016. યુએવી-સેન્સ્ડ ઇમેજરી દ્વારા વૃક્ષના સ્કેલ પર પાણીના તાણનું ક્ષેત્ર ફિનોટાઇપિંગ : માટે નવી આંતરદૃષ્ટિ
થર્મલ એક્વિઝિશન અને કેલિબ્રેશન. ચોક્કસ. કૃષિ. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. સાઇટ્રસ બગીચાઓમાં પાણીની ઉણપના સૂચક તરીકે પાકના પાણીના તાણ સૂચકાંકનો ઉપયોગ કરવાની લાગુતા અને મર્યાદાઓ. કૃષિ. માટે. મીટીરોલ. 198-199, 94-104. https://doi.org/10.1016/j. એગ્રફોર્મેટ.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. ઉચ્ચ રિઝોલ્યુશન UAV થર્મલ ઇમેજરીનો ઉપયોગ કરીને
વાણિજ્યિક બગીચામાં ફળના ઝાડની પાંચ પ્રજાતિઓની પાણીની સ્થિતિમાં પરિવર્તનશીલતાનું મૂલ્યાંકન કરો. ચોક્કસ. કૃષિ. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
ગોયલ, કે., કુમાર, એસ., 2021. નાણાકીય સાક્ષરતા: એક પદ્ધતિસરની સમીક્ષા અને ગ્રંથસૂચિ વિશ્લેષણ. ઇન્ટ. જે. કન્ઝ્યુમર સ્ટડીઝ 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. ફોરેસ્ટ્રી અને એગ્રીકલ્ચરમાં ઓછી કિંમતના યુએવીની ફોટોગ્રામેટ્રિક સંભવિતતા. ઈન્ટરનેશનલ આર્કાઈવ્સ ઓફ ધ ફોટોગ્રામેટ્રી, રિમોટ સેન્સિંગ એન્ડ સ્પેશિયલ ઈન્ફોર્મેશન સાયન્સ - ISPRS આર્કાઈવ્ઝ 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. ઉચ્ચ-રિઝોલ્યુશનના સહસંબંધનું મૂલ્યાંકન
નાના UAV નો ઉપયોગ કરીને ખાતરના ઉપયોગના સ્તર અને ચોખા અને ઘઉંના પાકની ઉપજ સાથે NDVI. રિમોટ સેન્સિંગ 11 (2), 112.
ગુંડોલ્ફ, કે., ફિલસર, એમ., 2013. મેનેજમેન્ટ રિસર્ચ એન્ડ રિલિજિયન: એક અવતરણ વિશ્લેષણ. જે. બસ. નીતિશાસ્ત્ર 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD સિમ્યુલેશન અને અવકાશીની પ્રાયોગિક ચકાસણી અને ટેમ્પોરલ વિતરણો
હોવરમાં ક્વાડ-રોટર એગ્રીકલ્ચરલ યુએવીનો ડાઉનવોશ એરફ્લો. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 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. , પોલેન્ડ, જે., 2016.
મોટી ઘઉંના સંવર્ધન નર્સરીઓના ઉચ્ચ થ્રુપુટ ફેનોટાઇપિંગ માટે માનવરહિત એરિયલ સિસ્ટમનો ઉપયોગ. છોડની પદ્ધતિઓ 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. વિવિધ રોશની પરિસ્થિતિઓ હેઠળ UAV માંથી સ્પેક્ટ્રલ ઇમેજિંગ . જીજી બિલ આર. (એડ.), ઈન્ટરનેશનલ આર્કાઈવ્સ ઓફ ધ ફોટોગ્રામેટ્રી, રિમોટ સેન્સિંગ એન્ડ સ્પેશિયલ ઈન્ફોર્મેશન સાયન્સ-આઈએસપીઆરએસ આર્કાઈવ્ઝ (વોલ્યુમ 40, ઈસ્યુ 1W2, પૃષ્ઠ 189-194) માં. ઇન્ટરનેશનલ સોસાયટી ફોર ફોટોગ્રામેટ્રી એન્ડ રિમોટ સેન્સિંગ. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
હેમિલ્ટન, એસએમ, મોરિસ, આરએચ, કાર્વાલ્હો, આરસી, રોડર, એન., બાર્લો, પી., મિલ્સ, કે., વાંગ, એલ. માનવરહિત હવાઈમાંથી ટાપુની વનસ્પતિના મેપિંગ માટેની તકનીકોનું મૂલ્યાંકન
વાહન (UAV) છબીઓ: પિક્સેલ વર્ગીકરણ, વિઝ્યુઅલ અર્થઘટન અને મશીન લર્નિંગ અભિગમો. ઇન્ટ. જે. એપલ. પૃથ્વી Obs. જીઓઇન્ફ. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
હક, એ., ઇસ્લામ, એન., સમ્રાટ, એનએચ, ડે, એસ., રે, બી., 2021. બાંગ્લાદેશમાં જવાબદાર નેતૃત્વ દ્વારા સ્માર્ટ ફાર્મિંગ: શક્યતાઓ, તકો અને તેનાથી આગળ.
ટકાઉપણું 13 (8), 4511.
હાર્ડિન, પીજે, હાર્ડિન, ટીજે, 2010. પર્યાવરણીય સંશોધનમાં નાના પાયે રિમોટલી પાઇલોટેડ વાહનો. ભૂગોળ હોકાયંત્ર 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
હાર્ડિન, પીજે, જેન્સન, આરઆર, 2011. પર્યાવરણીય રિમોટ સેન્સિંગમાં નાના પાયે માનવરહિત હવાઈ વાહનો: પડકારો અને તકો. GISci. રીમોટ સેન્સ. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. એગ્રીકલ્ચરલ ઈન્ટરનેટ ઓફ થિંગ્સ: ટેક્નોલોજી અને એપ્લિકેશન્સ, (1લી આવૃત્તિ 2021 આવૃત્તિ). સ્પ્રિંગર.
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.
માનવરહિત હવાઈ વાહનમાંથી ઇમેજિંગ: કૃષિ સર્વેલન્સ અને નિર્ણય સમર્થન. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 44 (1), 49–61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, UAV આધારિત રિમોટ સેન્સિંગનો ઉપયોગ કરીને ઘઉંના છોડની ઊંચાઈ અને વૃદ્ધિ દરનું ઉચ્ચ થ્રુપુટ ફીલ્ડ ફેનોટાઈપિંગ. રિમોટ સેન્સિંગ 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. પ્રક્રિયા અને મૂલ્યાંકન સ્પેક્ટ્રોમેટ્રિક, સ્ટીરિયોસ્કોપિક ઇમેજરી ચોકસાઇ કૃષિ માટે હળવા વજનના UAV સ્પેક્ટ્રલ કેમેરાનો ઉપયોગ કરીને એકત્રિત કરવામાં આવે છે. રિમોટ સેન્સિંગ 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
હોસૈન મોટલાગ, એન., તાલેબ, ટી., અરોક, ઓ., 2016. ઓછી ઉંચાઈ પર માનવરહિત હવાઈ વાહનો આધારિત ઈન્ટરનેટ ઓફ થિંગ્સ સેવાઓ: વ્યાપક સર્વેક્ષણ અને ભવિષ્યના પરિપ્રેક્ષ્યો. IEEE ઈન્ટરનેટ થિંગ્સ J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
હરાબર, એસ., સુખાત્મે, જીએસ, કોર્કે, પી., અશર, કે., રોબર્ટ્સ, જે., 2005. સંયુક્ત ઓપ્ટિક-ફ્લો અને યુએવી માટે શહેરી ખીણોનું સ્ટીરિયો-આધારિત નેવિગેશન. માં: 2005 IEEE/RSJ
ઈન્ટેલિજન્ટ રોબોટ્સ એન્ડ સિસ્ટમ્સ પર ઈન્ટરનેશનલ કોન્ફરન્સ, પૃષ્ઠ 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. ક્લાઉડ ફોગ કમ્પ્યુટિંગ માટે એક સર્જનાત્મક IoT એગ્રીકલ્ચર પ્લેટફોર્મ. ટકાવી. કોમ્પ્યુટ. ઇન્ફ. સિસ્ટ. 28, 100285 છે.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. માનવરહિત હવાઈ વાહન ( UAV) છબી. PLOS ONE 13 (4), e0196302.
હુઆંગ, એચ., લેન, વાય., યાંગ, એ., ઝાંગ, વાય., વેન, એસ., ડેંગ, જે., 2020. યુએવી ઇમેજરીના નીંદણ મેપિંગમાં ડીપ લર્નિંગ વિરુદ્ધ ઑબ્જેક્ટ-આધારિત છબી વિશ્લેષણ (ઓબીઆઈએ). ઇન્ટ. જે.
રિમોટ સેન્સ. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. ક્રોપ મોનિટરિંગમાં UAV ઇમેજરી માટે ડીપ કલર કેલિબ્રેશન
સ્થાનિકથી વૈશ્વિક ધ્યાન સાથે સિમેન્ટીક શૈલી ટ્રાન્સફરનો ઉપયોગ કરીને. ઇન્ટ. જે. એપલ. પૃથ્વી Obs. જીઓઇન્ફ. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. કૃષિ ઉત્પાદન માટે માનવરહિત હવાઈ વાહન તકનીકોનો વિકાસ અને સંભાવના
સંચાલન ઇન્ટ. જે. એગ્રીક. બાયોલ. એન્જી. 6 (3), 1-10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. માનવરહિત હવાઈ વાહન પ્લેટફોર્મ માટે સ્પ્રે સિસ્ટમનો વિકાસ. એપલ. એન્જી. કૃષિ. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. તરફથી NIR-લીલા-વાદળી ડિજિટલ ફોટોગ્રાફ્સનું સંપાદન
પાકની દેખરેખ માટે માનવરહિત વિમાન. રિમોટ સેન્સિંગ 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. સ્માર્ટ ફાર્મિંગ માટે પાક અને જમીનનું સેટેલાઇટ- અને ડ્રોન-આધારિત રિમોટ સેન્સિંગ-એક સમીક્ષા. માટી વિજ્ઞાન. છોડનું પોષણ. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
ઇસ્લામ, એન., રશીદ, એમએમ, પસંદીદેહ, એફ., રે, બી., મૂર, એસ., કડેલ, આર., 2021. ઇન્ટરનેટ ઓફ થિંગ્સ (IoT) માટે એપ્લિકેશન્સ અને કોમ્યુનિકેશન ટેક્નોલોજીની સમીક્ષા અને
માનવરહિત એરિયલ વ્હીકલ (UAV) આધારિત ટકાઉ સ્માર્ટ ફાર્મિંગ. ટકાઉપણું 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. દ્વારા ગણતરી કરાયેલ ઉચ્ચ રિઝોલ્યુશન ડિજિટલ સપાટી મોડેલ્સની ચોકસાઈનું મૂલ્યાંકન
PhotoScan® અને MicMac® ઉપ-શ્રેષ્ઠ સર્વેક્ષણ પરિસ્થિતિઓમાં. રિમોટ સેન્સિંગ 8 (6), https://doi.org/10.3390/rs8060465.
જીમેનેઝ-બ્રેનેસ, એફએમ, લોપેઝ-ગ્રેનાડોસ, એફ., કાસ્ટ્રો, એઆઈ, ટોરેસ-સે એન્ચેઝ, જે., સેરાનો, એન., પેના, ˜ જેએમ, 2017. ઓલિવ ટ્રી આર્કિટેક્ચર અને વાર્ષિક પર કાપણીની અસરોનું પ્રમાણીકરણ UAV-આધારિત 3D મોડેલિંગનો ઉપયોગ કરીને કેનોપી વૃદ્ધિ. છોડની પદ્ધતિઓ 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. ઘઉંના પાકની છોડની ઘનતાનો અંદાજ ખૂબ જ ઓછી ઉંચાઈથી UAV ઈમેજરીમાંથી ઉદભવે છે. રિમોટ સેન્સ.
પર્યાવરણ. 198, 105-114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. ક્લાઉડ કમ્પ્યુટિંગ દ્વારા સમર્થિત કૃષિ ઉત્પાદન મોનિટરિંગ સિસ્ટમ. ક્લસ્ટર કોમ્પ્યુટ. 22 (4), 8929–8938.
જુ, સી. અને પુત્ર, HI 2018a. કૃષિમાં રિમોટ સેન્સિંગ માટે બહુવિધ UAV સિસ્ટમોનું પ્રદર્શન મૂલ્યાંકન. IEEE ઇન્ટરનેશનલ કોન્ફરન્સ ઓન રોબોટિક્સ એન્ડ ઓટોમેશન (ICRA), બ્રિસ્બેન, ઓસ્ટ્રેલિયા, 21-26 ખાતે રોબોટિક વિઝન એન્ડ એક્શન ઇન એગ્રીકલ્ચર પર વર્કશોપની કાર્યવાહી.
જુ, સી., પુત્ર, HI, 2018b. કૃષિ કાર્યક્રમો માટે બહુવિધ યુએવી સિસ્ટમ્સ: નિયંત્રણ, અમલીકરણ અને મૂલ્યાંકન. ઇલેક્ટ્રોનિક્સ 7 (9), 162. https://doi.org/10.3390/
ઇલેક્ટ્રોનિક્સ7090162.
જંગ, જે., મેડા, એમ., ચાંગ, એ., ભંડારી, એમ., આશાપુરે, એ., લેન્ડિવર-બાઉલ્સ, જે., 2021. રિમોટ સેન્સિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ ની સંભવિતતાને સુધારવા માટેના સાધનો તરીકે
કૃષિ ઉત્પાદન પ્રણાલીની સ્થિતિસ્થાપકતા. કરર. અભિપ્રાય. બાયોટેકનૉલ. 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. તરબૂચમાં ચીકણું સ્ટેમ બ્લાઈટ માટે પરંપરાગત સ્કાઉટિંગ પ્રેક્ટિસમાં માનવરહિત હવાઈ વાહન-સહાયિત મલ્ટિસ્પેક્ટ્રલ ક્રોપ ઇમેજિંગનો સમાવેશ કરતી સુધારેલી પાક સ્કાઉટિંગ તકનીક. પ્લાન્ટ ડિ. 103 (7), 1642–1650.
કપૂર, કેકે, તમિલમણિ, કે., રાણા, એનપી, પાટીલ, પી., દ્વિવેદી, વાયકે, નેરુર, એસ., 2018. સોશિયલ મીડિયા સંશોધનમાં પ્રગતિ: ભૂતકાળ, વર્તમાન અને ભવિષ્ય. જાણ કરો. સિસ્ટ. આગળ. 20
(3), 531-558
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: મલ્ટીસ્પેક્ટ્રલ ઈમેજીસ અને ડેપ્થ મેપ પર આધારિત વાઈન ડિસીઝ ડિટેક્શન નેટવર્ક. રિમોટ સેન્સિંગ 12 (20), 3305. https://doi. org/10.3390/rs12203305.
ખાલીક, એ., કોમ્બા, એલ., બિગ્લિયા, એ., રિકૌડા એઇમોનિનો, ડી., ચિયાબર્ગે, એમ., ગે, પી., 2019. ઉપગ્રહની સરખામણી અને વાઇનયાર્ડ માટે યુએવી-આધારિત મલ્ટિસ્પેક્ટ્રલ છબી
પરિવર્તનશીલતા આકારણી. રિમોટ સેન્સિંગ 11 (4). https://doi.org/10.3390/rs11040436.
ખાન, PW, Byun, Y.-C., Park, N., 2020. IoT-બ્લોકચેન એ એડવાન્સ ડીપ લર્નિંગનો ઉપયોગ કરીને ફૂડ ઇન્ડસ્ટ્રી 4.0 માટે ઑપ્ટિમાઇઝ પ્રોવેનન્સ સિસ્ટમ સક્ષમ કરી છે. સેન્સર્સ 20 (10), 2990.
ખાન, આરયુ, ખાન, કે., અલબત્તાહ, ડબલ્યુ., કમર, એએમ, ઉલ્લાહ, એફ., 2021. છોડના રોગોની છબી-આધારિત શોધ: ક્લાસિકલ મશીન લર્નિંગથી ડીપ લર્નિંગ પ્રવાસ સુધી. વાયરલેસ કોમ્યુન. મોબાઇલ કોમ્પ્યુટ. 2021, 1-13.
ખાન, એસ., તુફૈલ, એમ., ખાન, એમટી, ખાન, ઝેડએ, ઇકબાલ, જે., આલમ, એમ., લે, કેએનક્યુ, 2021. UAV આધારિત પાક/નીંદણ વર્ગીકરણ માટે એક નવલકથા અર્ધ-નિરીક્ષણ માળખું. PLOS ONE 16 (5), e0251008.
ખાનલ, એસ., ફુલટન, જે., શીયરર, એસ., 2017. ચોકસાઇ કૃષિમાં થર્મલ રિમોટ સેન્સિંગની વર્તમાન અને સંભવિત એપ્લિકેશનોની ઝાંખી. કોમ્પ્યુટ. ઈલેક્ટ્રોન.
કૃષિ. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
ખન્ના, એ., કૌર, એસ., 2019. ઈવોલ્યુશન ઓફ ઈન્ટરનેટ ઓફ થિંગ્સ (IoT) અને પ્રિસિઝન એગ્રીકલ્ચરના ક્ષેત્રમાં તેની નોંધપાત્ર અસર. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. ટકાઉ સંસ્થાઓ માટે કર્મચારીઓની સગાઈ: સામાજિક નેટવર્ક વિશ્લેષણ અને વિસ્ફોટનો ઉપયોગ કરીને કીવર્ડ વિશ્લેષણ
શોધ અભિગમ. ટકાઉપણું 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. એકીકરણ પાર્થિવ અને ડ્રોન દ્વારા જન્મેલા
એક્સપ્લોરેશન મેપિંગ અને માઇનિંગ મોનિટરિંગ માટે હાઇપરસ્પેક્ટ્રલ અને ફોટોગ્રામેટ્રિક સેન્સિંગ પદ્ધતિઓ. રિમોટ સેન્સિંગ 10 (9), 1366. https://doi.org/10.3390/
આરએસ10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. ઊંડા શિક્ષણ અને UAV છબીઓનો ઉપયોગ કરીને મકાઈના છોડની ગણતરી. IEEE Geosci. રીમોટ સેન્સ. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. હાઇથ્રુપુટ ઇમેજ-આધારિત પ્લાન્ટ ફિનોટાઇપિંગ માટે સ્વયંસંચાલિત મશીન લર્નિંગ. રિમોટ સેન્સિંગ 13 (5), 858. https://
doi.org/10.3390/rs13050858.
કોવાલેવ, IV, વોરોશિલોવા, AA, 2020. કાર્ગો UAVs ના ઇકોસિસ્ટમના વિકાસમાં આધુનિક તકનીકી વલણો. જે. ફિઝ. કોન્ફ. સેર. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. એક મોનોક્યુલર કેમેરા સાથે નાના ડ્રોનનો ઉપયોગ કરીને ઇન્ડોર પશુધન અને ખેતી માટે વિઝ્યુઅલ SLAM: એક શક્યતા અભ્યાસ.
ડ્રોન્સ 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. કૃષિ ઓટોમેશન માટે ડ્રોનનું સર્વેક્ષણ વાવેતર થી
લણણી માં: INES 2018 – IEEE 22મી ઈન્ટરનેશનલ કોન્ફરન્સ ઓન ઈન્ટેલિજન્ટ એન્જિનિયરિંગ સિસ્ટમ્સ, pp. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT ફ્રેમવર્ક દૃશ્યો અને પડકારો: "વસ્તુઓ" તરીકે ડ્રોનનું રક્ષણ કરવા તરફ. સેન્સર્સ 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. શુષ્ક ઉપર માનવરહિત એરક્રાફ્ટ સાથે હસ્તગત સબ-ડેસીમીટર ઈમેજરીનું વિશ્લેષણ કરવા માટે ઈમેજ પ્રોસેસિંગ અને વર્ગીકરણ પ્રક્રિયાઓ
રેન્જલેન્ડ GISci. રીમોટ સેન્સ. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
લાલીબર્ટે, એએસ, રેંગો, એ., હેરિક, જેઈ, 2007. રેન્જલેન્ડ મેપિંગ અને મોનિટરિંગ માટે માનવરહિત એરિયલ વાહનો: બે સિસ્ટમ્સની સરખામણી. ASPRS વાર્ષિક કોન્ફરન્સ કાર્યવાહી.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. મૂળ ગ્રાસલેન્ડમાં નીંદણ મેપિંગ માટે એક ઓપન સોર્સ વર્કફ્લો
માનવરહિત હવાઈ વાહનનો ઉપયોગ: કેસ સ્ટડી તરીકે રુમેક્સ ઓબ્ટુસિફોલિયસનો ઉપયોગ. EUR. જે. રીમોટ સેન્સ. 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
લેમ્બર્ટ, ડીએમ, લોવેનબર્ગ-ડીબોઅર, જે., ગ્રિફીન, ટીડબ્લ્યુ, પીઓન, જે., પેને, ટી., ડાબરકોવ, એસજી, 2004. દત્તક, નફાકારકતા, અને ચોકસાઇ ખેતી ડેટાનો વધુ સારો ઉપયોગ.
કાર્યકારી કાગળ. પરડ્યુ યુનિવર્સિટી. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb'e, S., Baret, F., 2008. નાના પ્લોટમાં ઘઉંના પાકની માત્રાત્મક દેખરેખ માટે માનવરહિત હવાઈ વાહનોની છબીનું મૂલ્યાંકન. સેન્સર 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. મોટા ડેટા અને વસ્તુઓના ઇન્ટરનેટ પર આધારિત સ્માર્ટ એગ્રીકલ્ચરની ડિઝાઇન. ઇન્ટ. જે. ડિસ્ટ્રીબ. સેન્સ. નેટવર્ક. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. ઉચ્ચ-રિઝોલ્યુશન સ્ટીરિયો ઈમેજોનો ઉપયોગ કરીને મકાઈના કેનોપીની ઊંચાઈ અને ઉપરની જમીનના બાયોમાસનો દૂરસ્થ અંદાજ ઓછી કિંમતની માનવરહિત હવાઈ વાહન સિસ્ટમ. ઇકોલ. ઇન્ડ. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. મશીન લર્નિંગ ઇન એગ્રીકલ્ચર: એક સમીક્ષા. સેન્સર 18 (8), 2674.
લિબિસ્ચ, એફ., કિર્ચગેસ્નર, એન., સ્નેડર, ડી., વોલ્ટર, એ., હંડ, એ., 2015. મોબાઇલ મલ્ટિ-સેન્સર અભિગમ સાથે મકાઈના લક્ષણોનું દૂરસ્થ, હવાઈ ફિનોટાઇપિંગ. છોડની પદ્ધતિઓ 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
લિન, ઝેડ., ગુઓ, ડબલ્યુ., 2020. માનવરહિત એરિયલ સિસ્ટમ ઈમેજો અને ડીપ લર્નિંગનો ઉપયોગ કરીને જુવારની પેનિકલ શોધ અને ગણતરી. આગળ. છોડ વિજ્ઞાન. 11.
લિયુ, એસ., ગુઓ, એલ., વેબ, એચ., યા, એક્સ., ચાંગ, એક્સ., 2019. ક્લાઉડ કમ્પ્યુટિંગ પર આધારિત આધુનિક ઇકો-એગ્રીકલ્ચરની ઇન્ટરનેટ ઓફ થિંગ્સ મોનિટરિંગ સિસ્ટમ. IEEE એક્સેસ 7, 37050–37058.
લોપેઝ-ગ્રાનાડોસ, ´એફ., 2011. સાઇટ-વિશિષ્ટ નીંદણ વ્યવસ્થાપન માટે નીંદણ શોધ: મેપિંગ અને રીઅલ-ટાઇમ અભિગમો. નીંદણ રેસ. 51 (1), 1-11. https://doi.org/10.1111/j.1365-3180.2010.00829.x
લોપેઝ-ગ્રાનાડોસ, ´એફ., ટોરેસ-સાંચેઝ, ´ જે., ડી કાસ્ટ્રો, એ.-આઇ., સેરાનો-પેરેઝ, એ., મેસાસકેરાસ્કોસા, એફ.-જે., પેના, ˜ જે.-એમ. , 2016. ઉચ્ચ રીઝોલ્યુશન UAV ઇમેજરીનો ઉપયોગ કરીને ઘાસના પાકમાં ઘાસના નીંદણની ઑબ્જેક્ટ-આધારિત પ્રારંભિક દેખરેખ. એગ્રોન. ટકાવી. દેવ. 36 (4), 1–12
લોપેઝ-ગ્રેનાડોસ, ´એફ., ટોરેસ-સે' એન્ચેઝ, જે., સેરાનો-પેરેઝ, એ., ડી કાસ્ટ્રો, એઆઈ, મેસાસકેરાસ્કોસા, એફ.-જે., પેના, ˜ જે.-એમ., 2016. યુએવી ટેક્નોલોજીનો ઉપયોગ કરીને સૂર્યમુખીમાં પ્રારંભિક મોસમનું નીંદણ મેપિંગ: નીંદણ થ્રેશોલ્ડ સામે હર્બિસાઇડ ટ્રીટમેન્ટ નકશાની પરિવર્તનશીલતા. ચોક્કસ. કૃષિ. 17 (2), 183–199.
લ્યુસિયર, એ., મલેનોવસ્કી, ઝેડ., વેનેસ, ટી., વોલેસ, એલ., 2014. હાયપરયુએએસ – મલ્ટિરોટર માનવરહિત એરક્રાફ્ટ સિસ્ટમમાંથી ઇમેજિંગ સ્પેક્ટ્રોસ્કોપી. જે. ફીલ્ડ રોબ. 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. ટેરેસ્ટ્રીયલ લેસર સ્કેનિંગ કૃષિ પાક. જેજેમાં
ચેન જે. માસ એચ-જી. (સં.), ઇન્ટરનેશનલ આર્કાઇવ્સ ઓફ ધ ફોટોગ્રામેટ્રી, રિમોટ સેન્સિંગ એન્ડ સ્પેશિયલ ઇન્ફોર્મેશન સાયન્સ-ISPRS આર્કાઇવ્ઝ (વોલ્યુમ 37, પૃષ્ઠ 563–566).
ઇન્ટરનેશનલ સોસાયટી ફોર ફોટોગ્રામેટ્રી એન્ડ રિમોટ સેન્સિંગ. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. નિરીક્ષણ કરેલ ઑબ્જેક્ટ આધારિત જમીન-કવર છબી વર્ગીકરણની સમીક્ષા. ISPRS જે. ફોટોગ્રામ. રીમોટ સેન્સ. 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
મેસ, ડબ્લ્યુએચ, સ્ટેપ્પે, કે., 2019. પ્રિસિઝન એગ્રીકલ્ચરમાં માનવરહિત હવાઈ વાહનો સાથે રિમોટ સેન્સિંગ માટેના પરિપ્રેક્ષ્યો. ટ્રેન્ડ્સ પ્લાન્ટ સાય. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., ગુલામ, A., Sidike, P., Hartling, S., Maimaitiiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., બર્કેન, જે., ફ્રિસ્ચી, એફ., 2017.
મલ્ટી-સેન્સર ડેટા ફ્યુઝન અને એક્સ્ટ્રીમ લર્નિંગ મશીનનો ઉપયોગ કરીને માનવરહિત એરિયલ સિસ્ટમ (UAS) આધારિત સોયાબીનનું ફેનોટાઇપિંગ. ISPRS જે. ફોટોગ્રામ. રીમોટ સેન્સ. 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.
સેટેલાઇટ/યુએવી ડેટા ફ્યુઝન અને મશીન લર્નિંગનો ઉપયોગ કરીને પાકનું નિરીક્ષણ. રિમોટ સેન્સિંગ 12 (9), 1357. https://doi.org/10.3390/rs12091357.
મેનફ્રેડા, એસ., મેકકેબે, એમ., મિલર, પી., લુકાસ, આર., પાજુએલો મેડ્રીગલ, વી., મલિનીસ, જી., બેન ડોર, ઇ., હેલમેન, ડી., એસ્ટેસ, એલ., સિરાઓલો, જી. ., મુલેરોવા, ´ J., Tauro, F., de Lima, M., de
લિમા, જે., માલ્ટિઝ, એ., ફ્રાન્સિસ, એફ., કેલર, કે., કોહવ, એમ., પર્ક્સ, એમ., રુઇઝ-પેરેઝ, જી., સુ, ઝેડ., વિકો, જી., ટોથ , બી., 2018. માટે માનવરહિત હવાઈ પ્રણાલીઓના ઉપયોગ પર
પર્યાવરણીય દેખરેખ. રિમોટ સેન્સિંગ 10 (4), 641.
મેરિન્કો, આરએ, 1998. નિબંધો, 1989 અને ધ સિરિયલ્સ લાઇબ્રેરિયન 35 (1–2), 29–44માં વિમેન્સ સ્ટડીઝ જર્નલ્સના સંદર્ભો. https://doi.org/10.1300/J123v35n01_
03.
મસરૂર, આર., નઈમ, એમ., એજાઝ, ડબલ્યુ., 2021. યુએવી-આસિસ્ટેડ વાયરલેસ નેટવર્ક્સમાં સંસાધન સંચાલન: એક ઓપ્ટિમાઇઝેશન પરિપ્રેક્ષ્ય. એડ હોક નેટવર્ક. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. ચોકસાઇમાં મલ્ટિસ્પેક્ટરલ, થર્મલ અને RGB ઉચ્ચ રિઝોલ્યુશન છબીઓ પર આધારિત મલ્ટિસેન્સર UAV પ્લેટફોર્મની પ્રાયોગિક એપ્લિકેશન્સ
વિટીકલ્ચર કૃષિ 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. પરંપરાગત NDVI અનુક્રમણિકાથી આગળ, ચોકસાઇ દ્રાક્ષની ખેતીમાં UAV ના ઉપયોગને મુખ્ય પ્રવાહમાં લાવવાના મુખ્ય પરિબળ તરીકે. વિજ્ઞાન રેપ. 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 યુએવી, એરક્રાફ્ટની ઇન્ટરકમ્પરિઝન
અને ચોકસાઇ દ્રાક્ષની ખેતી માટે સેટેલાઇટ રિમોટ સેન્સિંગ પ્લેટફોર્મ. રિમોટ સેન્સિંગ 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. ચોકસાઇ માટે સેટેલાઇટ-સંચાલિત વનસ્પતિ અનુક્રમણિકાનું UAV અને મશીન લર્નિંગ આધારિત શુદ્ધિકરણ
કૃષિ સેન્સર્સ 20 (9), 2530. https://doi.org/10.3390/s20092530.
મેકકેન, કેડબ્લ્યુ, 1990. બૌદ્ધિક અવકાશમાં મેપિંગ લેખકો: એક તકનીકી વિહંગાવલોકન. જે. એમ. સોસી. માહિતી. વિજ્ઞાન 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. કૃષિ ધોવાણ મોડેલિંગ: UAV સમય-શ્રેણી ડેટાનો ઉપયોગ કરીને USLE અને WEPP ક્ષેત્ર-સ્કેલ ધોવાણ અંદાજોનું મૂલ્યાંકન. પર્યાવરણ. મોડલ. સૉફ્ટવેર 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
મેલવિલે, બી., લ્યુસિયર, એ., આર્યલ, જે., 2019. હાઇપરસ્પેક્ટ્રલ માનવરહિત એરક્રાફ્ટ સિસ્ટમ (યુએએસ) ઇમેજરીનો ઉપયોગ કરીને નીચાણવાળા મૂળ ગ્રાસલેન્ડ સમુદાયોનું વર્ગીકરણ
તાસ્માનિયન મિડલેન્ડ્સ. ડ્રોન 3 (1), 5.
મેસિના, જી., મોડિકા, જી., 2020. પ્રિસિઝન એગ્રીકલ્ચરમાં યુએવી થર્મલ ઇમેજરીની એપ્લિકેશન્સઃ સ્ટેટ ઓફ ધ આર્ટ એન્ડ ફ્યુચર રિસર્ચ આઉટલૂક. રિમોટ સેન્સિંગ 12 (9), https://doi.org/10.3390/rs12091491.
મિશ્રા, ડી., લુઓ, ઝેડ., જિઆંગ, એસ., પાપાડોપોલોસ, ટી., દુબે, આર., 2017. મોટા ડેટા પર ગ્રંથસૂચિ અભ્યાસ: વિભાવનાઓ, વલણો અને પડકારો. બિઝનેસ પ્રોસેસ મેનેજ. જે. 23 (3),
555-573
Mochida, K., Saisho, D., Hirayama, T., 2015. ક્ષેત્રની પરિસ્થિતિઓ હેઠળ હસ્તગત જીવન ચક્ર ડેટાસેટ્સનો ઉપયોગ કરીને પાક સુધારણા. આગળ. છોડ વિજ્ઞાન. 6 https://doi.org/10.3389/
fpls.2015.00740.
મોગિલી, UM.R., દીપક, BBVL, 2018. પ્રિસિઝન એગ્રીકલ્ચરમાં ડ્રોન સિસ્ટમના ઉપયોગ પર સમીક્ષા. પ્રોસીડિયા કોમ્પ્યુટ. વિજ્ઞાન 133, 502-509.
મોહરાના, એસ., દત્તા, એસ., 2016. હાઇપરસ્પેક્ટ્રલ ઇમેજરીમાંથી ચોખામાં હરિતદ્રવ્ય અને નાઇટ્રોજન સામગ્રીની અવકાશી પરિવર્તનક્ષમતા. ISPRS જે. ફોટોગ્રામ. રીમોટ સેન્સ. 122, 17-29.
મુઆંગપ્રથુબ, જે., બૂનમ, એન., કાજોર્નકાસિરાત, એસ., લેકબેંગપોંગ, એન., વાનિચસોમ્બાત, એ.,
નિલ્લોર, પી., 2019. સ્માર્ટ ફાર્મ માટે IoT અને કૃષિ ડેટા વિશ્લેષણ. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 156, 467–474.
નેન્સેન, સી., ઇલિયટ, એન., 2016. કીટશાસ્ત્રમાં રિમોટ સેન્સિંગ અને રિફ્લેક્ટન્સ પ્રોફાઇલિંગ. અનુ. રેવ. એન્ટોમોલ. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. કૃષિમાં મલ્ટિસ્પેક્ટ્રલ મેપિંગ: સ્વાયત્ત ક્વાડકોપ્ટર UAV નો ઉપયોગ કરીને ટેરેન મોઝેક. ઇન્ટ. કોન્ફ.
માનવરહિત એરક્રાફ્ટ સિસ્ટમ. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
નય્યર, એ., ન્ગ્યુએન, બી.-એલ., ન્ગુયેન, એનજી, 2020. ડ્રોન વસ્તુઓનું ઇન્ટરનેટ (આઇઓડીટી): સ્માર્ટ ડ્રોન્સની ભવિષ્યની કલ્પના. એડવો. બુદ્ધિ. સિસ્ટ. કોમ્પ્યુટ. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. માઇક્રો UAV માટે હળવા વજનનું મલ્ટિસ્પેક્ટ્રલ સેન્સર — ખૂબ જ ઉચ્ચ રિઝોલ્યુશન એરબોર્ન રિમોટ સેન્સિંગ માટેની તકો. ઇન્ટ. કમાન. ફોટોગ્રામ. દૂરસ્થ સંવેદના. ઇન્ફ. વિજ્ઞાન 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. કૃષિમાં ઉભરતી UAV એપ્લિકેશન્સ. માં: 2019 7મી ઇન્ટરનેશનલ કોન્ફરન્સ ઓન રોબોટ ઇન્ટેલિજન્સ ટેકનોલોજી અને
એપ્લિકેશન્સ (RiTA), પૃષ્ઠ 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
નેરુર, એસપી, રશીદ, એએ, નટરાજન, વી., 2008. વ્યૂહાત્મક વ્યવસ્થાપન ક્ષેત્રનું બૌદ્ધિક માળખું: લેખક સહ-ઉદ્ધરણ વિશ્લેષણ. વ્યૂહરચના. મેનગ. જે. 29 (3),
319-336
ન્યુપાને, કે., બેસલ-ગુરેલ, એફ., 2021. માનવરહિત હવાઈ વાહનોનો ઉપયોગ કરીને છોડના રોગોની સ્વચાલિત ઓળખ અને દેખરેખ: એક સમીક્ષા. રિમોટ સેન્સિંગ 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. 3D મેપિંગ એપ્લિકેશન્સ માટે UAV: એક સમીક્ષા. એપલ. જીઓમેટિક્સ 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
નિયુ, એચ., હોલેનબેક, ડી., ઝાઓ, ટી., વાંગ, ડી., ચેન, વાય., 2020. ચોકસાઇ કૃષિમાં નાના યુએવી સાથે બાષ્પીભવનનું અનુમાન. સેન્સર્સ 20 (22), 6427. https://
doi.org/10.3390/s20226427.
ઓસારેહ, એફ., 1996. બિબ્લિયોમેટ્રિક્સ, સિટેશન એનાલિસિસ અને કો-સિટેશન એનાલિસિસ. સાહિત્યની સમીક્ષા 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, સેન્સર્સ, અને એગ્રોફોરેસ્ટ્રીમાં ડેટા પ્રોસેસિંગ: વ્યવહારુ એપ્લિકેશનો તરફ સમીક્ષા. ઇન્ટ. જે. રિમોટ સેન્સ. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
પાંડે, યુએસ, પ્રતિહસ્ત, એકે, આર્યલ, જે., કાયસ્થ, આરબી, 2020. અનાજ પાકો માટે ડ્રોન-આધારિત ડેટા સોલ્યુશન્સ પર સમીક્ષા. ડ્રોન 4 (3), 1-29. https://doi.org/10.3390/
drones4030041.
પારસિયન, એમ., શહાબી, એમ., હસનપોર, એચ., 2020. ઇમેજ પ્રોસેસિંગ અને કૃત્રિમ ન્યુરલ નેટવર્કનો ઉપયોગ કરીને તલના બીજમાં તેલ અને પ્રોટીનની સામગ્રીનો અંદાજ કાઢવો. જે. એમ. તેલ
રસાયણશાસ્ત્રીઓની સંસ્થા. 97 (7), 691–702.
પેના, ˜ જેએમ, ટોરેસ-સાંચેઝ, જે., ડી કાસ્ટ્રો, એઆઈ, કેલી, એમ., લોપેઝ-ગ્રાનાડોસ, એફ., સુઆરેઝ, ઓ., ઑબ્જેક્ટ-આધારિત વિશ્લેષણનો ઉપયોગ કરીને પ્રારંભિક સીઝનના મકાઈના ખેતરોમાં નીંદણ મેપિંગ ના
માનવરહિત હવાઈ વાહન (UAV) છબીઓ. PLOS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv' as-Martínez, C.,
લોપેઝ-ગ્રેનાડોસ, ´એફ., 2015. માનવરહિત હવાઈ વાહનો અને પાક પંક્તિ શોધ પદ્ધતિનો ઉપયોગ કરીને સૂર્યમુખીના પાકમાં નીંદણ મેપિંગ માટે અર્ધ-નિરીક્ષણ સિસ્ટમ. એપલ. સોફ્ટ કોમ્પ્યુટ. જે. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. સચોટ કૃષિમાં બ્લોકચેન-આધારિત જળ વ્યવસ્થાપન પ્રણાલી માટે વિશ્વસનીય ડેટા સ્ત્રોત તરીકે ખર્ચ-અસરકારક IoT ઉપકરણો. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 180, 105889 છે.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. પ્રિસિઝન એગ્રીકલ્ચરમાં બુદ્ધિશાળી દેખરેખ માટે અદ્યતન UAV–WSN સિસ્ટમ. સેન્સર્સ 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. સપ્લાય ચેઇન, પરિવહન અને લોજિસ્ટિક્સમાં બ્લોકચેન એપ્લિકેશન્સ: સાહિત્યની પદ્ધતિસરની સમીક્ષા. ઇન્ટ. જે. પ્રોડ. રેસ. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. ચોકસાઇ ખેતી માટે એક લવચીક માનવરહિત હવાઈ વાહન.
ચોક્કસ. કૃષિ. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
પ્રિચાર્ડ, એ., 1969. આંકડાકીય ગ્રંથસૂચિ અથવા ગ્રંથસૂચિ. J. દસ્તાવેજ. 25 (4), 348–349.
પુડેલકો, આર., સ્ટુઝિન્સ્કી, ટી., બોર્ઝેકા-વોકર, એમ., 2012. પ્રાયોગિક ક્ષેત્રો અને પાકોના મૂલ્યાંકન માટે માનવરહિત હવાઈ વાહન (યુએવી) ની યોગ્યતા. કૃષિ 99 (4), 431–436.
પુરી, વી., નય્યર, એ., રાજા, એલ., 2017. એગ્રીકલ્ચર ડ્રોન: ચોકસાઇવાળી કૃષિમાં આધુનિક પ્રગતિ. જે. સ્ટેટિસ. મેનગ. સિસ્ટ. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. ચોક્કસ કૃષિ માટે UAV એપ્લિકેશન્સનું સંકલન. કોમ્પ્યુટ. નેટવ. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
રમેશ, કેવી, રાકેશ, વી., પ્રકાશ રાવ, ઇવીએસ, 2020. કૃષિ સંશોધનમાં બિગ ડેટા એનાલિટિક્સ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ. ભારતીય જે. એગ્રોન. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. એગ્રીકલ્ચર અને ફોરેસ્ટ્રી અભ્યાસમાં માનવરહિત હવાઈ વાહનોના ઉપયોગ પર એક ગ્રંથસૂચિ વિશ્લેષણ. ઇન્ટ. જે. રિમોટ સેન્સ. 40 (24),
9070-9083. https://doi.org/10.1080/01431161.2019.1569793.
રાસમુસેન, જે., નીલ્સન, જે., ગાર્સિયા-રુઈઝ, એફ., ક્રિસ્ટેનસેન, એસ., સ્ટ્રીબિગ, જેસી, લોટ્ઝ, બી., 2013.
નીંદણ સંશોધનમાં નાના માનવરહિત એરક્રાફ્ટ સિસ્ટમ્સ (UAS) ના સંભવિત ઉપયોગો. નીંદણ રેસ. 53 (4), 242–248.
રાસમુસેન, જે., એનટાકોસ, જી., નીલ્સન, જે., સ્વેન્સગાર્ડ, જે., પોલ્સેન, આરએન, ક્રિસ્ટેનસેન, એસ., શું વનસ્પતિ સૂચકાંકો ઉપભોક્તા-ગ્રેડ કેમેરા પર લગાવવામાં આવ્યા છે.
પ્રાયોગિક પ્લોટનું મૂલ્યાંકન કરવા માટે યુએવી પૂરતા પ્રમાણમાં વિશ્વસનીય છે? EUR. જે. એગ્રોન. 74, 75-92. https://doi.org/10.1016/j.eja.2015.11.026.
રેજેબ, એ., રેજેબ, કે., અબ્દોલ્લાહી, એ., ઝૈલાની, એસ., ઈરાનમનેશ, એમ., ખોબાખ્લુ, એમ., 2022. ફૂડ સપ્લાય ચેઈન્સમાં ડિજિટલાઈઝેશન: એક ગ્રંથસૂચિ સમીક્ષા અને મુખ્ય માર્ગ મુખ્ય માર્ગ
વિશ્લેષણ ટકાઉપણું 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treibmaier, H., 2021a. સપ્લાય ચેઇન મેનેજમેન્ટ અને લોજિસ્ટિક્સ માટે ડ્રોન્સ: એક સમીક્ષા અને સંશોધન કાર્યસૂચિ. ઇન્ટ. જે. લોજિસ્ટ. રેસ. એપલ.
1-24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treibmaier, H., 2021b. લોજિસ્ટિક્સ અને સપ્લાય ચેઇન મેનેજમેન્ટમાં બ્લોકચેન ટેક્નોલોજીઓ: એક બાઇબલિયોમેટ્રિક સમીક્ષા. લોજિસ્ટિક્સ 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treibmaier, H., 2021c. માનવતાવાદી ડ્રોન: એક સમીક્ષા અને સંશોધન કાર્યસૂચિ. ઈન્ટરનેટ ઓફ થિંગ્સ 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
રેજેબ, એ., ટ્રેબ્લમેયર, એચ., રેજેબ, કે., ઝૈલાની, એસ., 2021 ડી. હેલ્થકેરમાં બ્લોકચેન સંશોધન: એક ગ્રંથસૂચિ સમીક્ષા અને વર્તમાન સંશોધન વલણો. ડેટાના જે., ઇન્ફ. અને
મેનગ. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. ઈન્ટરનેટ ઓફ થિંગ્સ રિસર્ચ ઇન સપ્લાય ચેઈન મેનેજમેન્ટ એન્ડ લોજિસ્ટિક્સ: એક બાઈબલિયોમેટ્રિક વિશ્લેષણ. ઈન્ટરનેટ
વસ્તુઓ 12, 100318.
રિપોર્ટલિંકર, 2021. ગ્લોબલ એગ્રીકલ્ચર ડ્રોન્સ માર્કેટ યરગ્લોબ ન્યૂઝવાયર ન્યૂઝ રૂમ દ્વારા US$15.2 બિલિયન સુધી પહોંચશે. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- વર્ષ-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. અનકૂલ્ડ થર્મલ કેમેરા કેલિબ્રેશન અને ઑપ્ટિમાઇઝેશન
કૃષિમાં યુએવી એપ્લિકેશનો માટે ફોટોગ્રામમેટ્રી પ્રક્રિયા. સેન્સર્સ (સ્વિટ્ઝર્લૅન્ડ) 17 (10). https://doi.org/10.3390/s17102173.
રિવેરા, MA, પિઝામ, એ., 2015. હોસ્પિટાલિટી રિસર્ચમાં એડવાન્સિસ: “રોડની ડેન્જરફિલ્ડથી અરેથા ફ્રેન્કલિન સુધી”. ઇન્ટ. જે. સમકાલીન. હોસ્પિટલ. મેનગ. 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. ગ્રીનહાઉસમાં પર્યાવરણીય ચલોને માપવા માટે મિની-UAV આધારિત સંવેદનાત્મક સિસ્ટમ. સેન્સર 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
રોઝેનબર્ગ, જી., કેન્ટ, આર., બ્લેન્ક, એલ., 2021. વાણિજ્યિક ડુંગળીના ખેતરોમાં મોડી સીઝનની નીંદણ અવકાશી વિતરણ પેટર્ન શોધવા અને તેનું વિશ્લેષણ કરવા માટે ઉપભોક્તા-ગ્રેડ યુએવીનો ઉપયોગ. ચોક્કસ. કૃષિ. 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. માનવરહિત એરિયલ વ્હીકલ (UAV) ઓપરેટેડ સ્પેક્ટ્રલ કેમેરા સિસ્ટમ ફોરેસ્ટ અને એગ્રીકલ્ચર એપ્લીકેશન માટે. આગળ વધો. SPIE - ઈન્ટ. સોસી. પસંદ કરો. એન્જી. 8174 https://doi.org/10.1117/12.897585.
સાહ, બી., ગુપ્તા, આર., બાની-હાની, ડી., 2021. ડ્રોન લોજિસ્ટિક્સના અમલમાં અવરોધોનું વિશ્લેષણ. ઇન્ટ. જે. લોજિસ્ટ. રેસ. એપલ. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., દત્તા, S., ચટ્ટોપાધ્યાય, SP, & Saha, HN, IOT-આધારિત ડ્રોન કૃષિ ક્ષેત્રમાં પાકની ગુણવત્તા સુધારવા માટે. માં એસ.એચ
એન. ચક્રવર્તી એસ. (એડ.), 2018 IEEE 8મી વાર્ષિક કમ્પ્યુટિંગ અને કોમ્યુનિકેશન વર્કશોપ અને કોન્ફરન્સ, CCWC 2018 (વોલ્યુમ. 2018-જાન્યુઆરી, પૃષ્ઠ. 612–615). સંસ્થા
ઇલેક્ટ્રિકલ અને ઇલેક્ટ્રોનિક્સ એન્જિનિયર્સ ઇન્ક. doi: 10.1109/CCWC.2018.8301662.
સાઈ વિનીથ, કે.વી., વરા પ્રસાદ, વાયઆર, દુબે, એસઆર, વેંકટરામન, એચ., 2019. એલઇડીકોમ: ચોકસાઇવાળી ખેતી માટે નવલકથા અને કાર્યક્ષમ LED આધારિત સંચાર. IEEE કોન્ફ. માહિતી. કોમ્યુન. ટેકનોલ. 2019, 1-5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV ફ્લાઇટ પ્રયોગો વનસ્પતિ વિસ્તારોના રિમોટ સેન્સિંગ પર લાગુ. રિમોટ સેન્સિંગ 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.
પંક્તિ અને ફીલ્ડ ક્રોપ ફેનોટાઇપિંગ માટે ઓછી-ઊંચાઈ, ઉચ્ચ-રીઝોલ્યુશન એરિયલ ઇમેજિંગ સિસ્ટમ્સ: એક સમીક્ષા. EUR. જે. એગ્રોન. 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. અંદાજ કાઢવા માટે ઉચ્ચ-રિઝોલ્યુશન UAV-આધારિત થર્મલ ઇમેજિંગ
વાઇનયાર્ડમાં છોડના પાણીની સ્થિતિની તાત્કાલિક અને મોસમી પરિવર્તનક્ષમતા. કૃષિ. પાણી વ્યવસ્થા. 183, 49-59. https://doi.org/10.1016/j.agwat.2016.08.026.
સરલી, સીસી, ડુબિન્સકી, ઇકે, હોમ્સ, કેએલ, 2010. બિયોન્ડ સિટેશન એનાલિસિસ: સંશોધન પ્રભાવના મૂલ્યાંકન માટેનું એક મોડેલ. જે. મેડ. લાયબ્રેરી એસો. : 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. પૃથ્વી સિસ્ટમ વિજ્ઞાન સંબંધિત ઇમેજિંગ સ્પેક્ટ્રોસ્કોપી-એક આકારણી. રિમોટ સેન્સ. પર્યાવરણ. 113, S123–S137.
શિરર્મન, એમ., ગીબેલ, એ., ગ્લેનિગર, એફ., ફ્લાન્ઝ, એમ., લેન્શકે, જે., ડેમર, કે.-એચ., 2016. ઓછા ખર્ચે યુએવી સાથે શિયાળુ ઘઉંના પાકના કૃષિ પરિમાણનું નિરીક્ષણ કરવું
છબી રિમોટ સેન્સિંગ 8 (9). https://doi.org/10.3390/rs8090706.
શ્મેલ III, DG, Dingus, BR, Reinholtz, C., 2008. ઉપરોક્ત ચોક્કસ એરોબાયોલોજીકલ નમૂના માટે સ્વાયત્ત માનવરહિત હવાઈ વાહનનો વિકાસ અને એપ્લિકેશન
કૃષિ ક્ષેત્રો. જે. ફીલ્ડ રોબ. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
શેડ્રિન, ડી., મેન્શ્ચિકોવ, એ., સોમોવ, એ., બોર્નેમેન, જી., હોસ્લેજ, જે., ફેડોરોવ, એમ.,
આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે એમ્બેડેડ સેન્સિંગ દ્વારા સચોટ ખેતીને સક્ષમ કરવી. IEEE ટ્રાન્સ. ઇન્સ્ટ્રુમ. મીસ. 69 (7), 4103–4113.
શકત્રેહ, એચ., સવાલમેહ, એએચ, અલ-ફુકાહા, એ., ડૌ, ઝેડ., અલમાયતા, ઇ., ખલીલ, આઇ.,
ઓથમાન, એનએસ, ખ્રીશાહ, એ., ગુઇઝાની, એમ., 2019. માનવરહિત એરિયલ વ્હીકલ્સ (યુએવી): સિવિલ એપ્લિકેશન્સ અને મુખ્ય સંશોધન પડકારો પર એક સર્વેક્ષણ. IEEE એક્સેસ 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
શકૂર, એન., નોર્થરુપ, ડી., મુરે, એસ., મોકલર, ટીસી, 2019. બિગ ડેટા આધારિત કૃષિ: છોડના સંવર્ધન, જીનોમિક્સ અને રિમોટ સેન્સિંગનો ઉપયોગમાં મોટા ડેટા એનાલિટિક્સ
પાકની ઉત્પાદકતા વધારવા માટેની તકનીકો. પ્લાન્ટ ફિનોમ જે. 2 (1), 1-8.
શર્મા, બીકે, ચંદ્ર, જી., મિશ્રા, વીપી, 2019. ફોરેન્સિક તપાસમાં યુએવી અને એઆઈનું તુલનાત્મક વિશ્લેષણ અને સૂચિતાર્થ. માં: કાર્યવાહી - 2019 એમિટી ઇન્ટરનેશનલ
આર્ટિફિશિયલ ઇન્ટેલિજન્સ પર કોન્ફરન્સ. https://doi.org/10.1109/AICAI.2019.8701407.
શર્મા, આર., શિશોદિયા, એ., ગુણસેકરન, એ., મીન, એચ., મુનિમ, ઝેડએચ, 2022. સપ્લાય ચેઇન મેનેજમેન્ટમાં કૃત્રિમ બુદ્ધિની ભૂમિકા: પ્રદેશનું નકશા. ઇન્ટ. જે.
પ્રોડ. રેસ. 1-24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomason, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
હેનરીક્સન, જે., બોડેન, ઇ., વાલાસેક, જે., ઓલ્સેનહોલર, જે., બિશપ, એમપી, શેરિડન, આર., પુટમેન, ઇબી, પોપેસ્કુ, એસ., બર્ક્સ, ટી., કોપ, ડી., ઇબ્રાહિમ A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. ઉચ્ચ-થ્રુપુટ ફેનોટાઇપિંગ અને કૃષિ સંશોધન માટે માનવરહિત હવાઈ વાહનો. PLOS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. માનવરહિત એરિયલનો ઉપયોગ કરીને સમગ્ર ઉપજ-સ્થિરતા ઝોનમાં મકાઈના સ્ટેન્ડની વિવિધતા કેપ્ચર
વાહનો (UAV). સેન્સર્સ 19 (20), 4446. https://doi.org/10.3390/s19204446.
સ્મોલ, એચ., 1973. વૈજ્ઞાનિક સાહિત્યમાં સહ-ઉદ્ધરણ: બે દસ્તાવેજો વચ્ચેના સંબંધનું નવું માપ. જે. એમ. સોસી. માહિતી. વિજ્ઞાન 24 (4), 265–269.
સ્મોલ, એચ., રોરવિગ, ME, લુનિન, એલએફ, 1999. અવતરણ મેપિંગ દ્વારા વિજ્ઞાનની કલ્પના. જે. એમ. સોસી. માહિતી. વિજ્ઞાન 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. મોટા ગોચર વિસ્તારોમાં ભૌગોલિક સ્થાનીય હવાઈ છબીઓ સાથે જંગલીમાં ગણાતા પશુઓ. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
શ્રીવાસ્તવ, કે., પાંડે, પીસી, શર્મા, જેકે, 2020. યુએવીનો ઉપયોગ કરીને પ્રિસિઝન એગ્રીકલ્ચરની એપ્લિકેશનમાં રૂટ ઓપ્ટિમાઇઝેશન માટેનો અભિગમ. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
સ્ટેફોર્ડ, JV, 2000. 21મી સદીમાં પ્રિસિઝન એગ્રીકલ્ચરનું અમલીકરણ. જે. એગ્રીક. એન્જી. રેસ. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. માનવરહિત હવાઈ વાહનનો ઉપયોગ કરીને રિમોટ સેન્સિંગ ઈમેજરી દ્વારા ઘઉંના દુષ્કાળનું મૂલ્યાંકન. 2018માં 37મી ચાઈનીઝ કંટ્રોલ કોન્ફરન્સ (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. મલ્ટિસ્પેક્ટ્રલ યુએવી એરિયલ ઈમેજરીમાંથી શીખીને ઘઉંના પીળા રસ્ટનું નિરીક્ષણ.
કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
સુ, વાય., વાંગ, એક્સ., 2021. મોટા ડેટા દ્વારા સ્માર્ટ એગ્રીકલ્ચર બનાવવાની પ્રક્રિયામાં કૃષિ આર્થિક વ્યવસ્થાપનની નવીનતા. ટકાઉ કોમ્પ્યુટ. ઇન્ફ. સિસ્ટ. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
સુલિવાન, ડીજી, ફુલટન, જેપી, શૉ, જેએન, બ્લેન્ડ, જીએલ, 2007. કપાસની છત્રમાં પાણીના તાણને શોધવા માટે માનવરહિત થર્મલ ઇન્ફ્રારેડ એરિયલ સિસ્ટમની સંવેદનશીલતાનું મૂલ્યાંકન. ટ્રાન્સ. ASABE 50 (6), 1955–1962.
સુમેશ, કેસી, નિસાવત, એસ., સોમ-આર્ડ, જે., 2021. માનવરહિત હવાઈ વાહનનો ઉપયોગ કરીને શેરડીના ઉપજના અંદાજ માટે આરજીબી-આધારિત વનસ્પતિ સૂચકાંક, પાકની સપાટીનું મોડેલ અને ઑબ્જેક્ટ-આધારિત છબી વિશ્લેષણ અભિગમનું એકીકરણ. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
સુઓમલાઈનેન, જે., એન્ડર્સ, એન., ઈકબાલ, એસ., ફ્રેન્ક, જે., વેન્ટિંગ, પી., બાર્થોલોમિયસ, એચ., બેકર, આર., કુઈસ્ટ્રા, એલ., 2013. માટે હળવા વજનની હાઇપરસ્પેક્ટ્રલ મેપિંગ સિસ્ટમ
માનવરહિત હવાઈ વાહનો - પ્રથમ પરિણામો. માં: 2013 5મી વર્કશોપ ઓન હાઇપરસ્પેક્ટ્રલ ઇમેજ અને સિગ્નલ પ્રોસેસિંગ: ઇવોલ્યુશન ઇન રિમોટ સેન્સિંગ (વ્હિસપર્સ), પૃષ્ઠ 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. એક લાઇટવેઇટ હાઇપરસ્પેક્ટ્રલ
માનવરહિત હવાઈ વાહનો માટે મેપિંગ સિસ્ટમ અને ફોટોગ્રામેટ્રિક પ્રોસેસિંગ ચેઈન. રિમોટ સેન્સિંગ 6 (11), 11013–11030. https://doi.org/10.3390/
આરએસ61111013.
સૈયદા, આઈએચ, આલમ, એમએમ, ઈલાહી, યુ., સુઉદ, એમએમ, 2021. કૃષિમાં ઈમેજ પ્રોસેસિંગ, યુએવી અને એઆઈનો ઉપયોગ કરીને એડવાન્સ કંટ્રોલ વ્યૂહરચના: એક સમીક્ષા. વિશ્વ જે. એન્જી. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. એકાઉન્ટિંગમાં જર્નલ પ્રભાવની તપાસ કરવા માટે ટાંકણોનો ઉપયોગ કરીને માહિતી પ્રક્રિયા. ઇન્ફ. પ્રક્રિયા. વ્યવસ્થા કરો. 34 (2–3), 341–359.
તાંગ, વાય., દાનંજયન, એસ., હાઉ, સી., ગુઓ, ક્યૂ., લુઓ, એસ., હી, વાય., 2021. 5G નેટવર્ક પર એક સર્વેક્ષણ અને તેની કૃષિ પરની અસર: પડકારો અને તકો. કોમ્પ્યુટ.
ઈલેક્ટ્રોન. કૃષિ. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
તાંતાલકી, એન., સૌરવલાસ, એસ., રોમેલીયોટિસ, એમ., 2019. ચોકસાઇવાળી ખેતીમાં ડેટા આધારિત નિર્ણય લેવાઃ કૃષિ પ્રણાલીઓમાં મોટા ડેટાનો ઉદય. જે. એગ્રીક. ખોરાક માહિતી.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. UAV- નો ઉપયોગ કરીને શિયાળાના ઘઉંની ઉપજ અને છોડની ઊંચાઈનો અંદાજ આધારિત હાઇપરસ્પેક્ટ્રલ છબીઓ.
સેન્સર 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. બે સ્વાયત્ત માનવરહિત હવાઈ વાહનોનો ઉપયોગ કરીને નીચલા વાતાવરણમાં પ્લાન્ટ પેથોજેનનું સંકલિત એરોબાયોલોજીકલ સેમ્પલિંગ. જે. ફીલ્ડ રોબ. 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. ઊંડા અભ્યાસનો ઉપયોગ કરીને સોયાબીન જંતુઓની શોધ અને વર્ગીકરણ
UAV છબીઓ સાથે. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 179, 105836 છે.
થમ્મ, એચ.-પી., મેન્ઝ, જી., બેકર, એમ., કુરિયા, ડીએન, મિસાના, એસ., કોહન, ડી., 2013. તાંઝાનિયામાં એએન વેટલેન્ડમાં કૃષિ પ્રણાલીનું મૂલ્યાંકન કરવા માટે યુએએસનો ઉપયોગ- અને વેટસીઝન ફોર સસ્ટેનેબલ એગ્રીકલ્ચર અને પ્રોવાઈડિંગ ગ્રાઉન્ડ ટ્રુથ ફોર ટેરા-સાર એક્સ ડેટા. માં: ISPRS - ફોટોગ્રામેટ્રીના ઇન્ટરનેશનલ આર્કાઇવ્ઝ, રિમોટ સેન્સિંગ એન્ડ સ્પેશિયલ ઇન્ફોર્મેશન સાયન્સ, પૃષ્ઠ 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
થેલવોલ, એમ., 2008. બાઇબલિયોમેટ્રિક્સ ટુ વેબમેટ્રિક્સ. જે. માહિતી. વિજ્ઞાન 34 (4), 605–621.
ટોરેસ-સાંચેઝ, ´ જે., લોપેઝ-ગ્રાનાડોસ, ´ એફ., પેના, ˜ જેએમ, 2015. યુએવી છબીઓમાં શ્રેષ્ઠ થ્રેશોલ્ડિંગ માટે ઑટોમેટિક ઑબ્જેક્ટ-આધારિત પદ્ધતિ: હર્બેસિયસ પાકોમાં વનસ્પતિ શોધ માટે એપ્લિકેશન. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 114, 43-52. https://doi.org/10.1016/j.compag.2015.03.019.
ટોરેસ-સાંચેઝ, ´ જે., લોપેઝ-ગ્રાનાડોસ, ´ એફ., સેરાનો, એન., આર્ક્વેરો, ઓ., પેના, ˜ જેએમ, હસન, ક્યુકે, 2015. સાથે કૃષિ-વૃક્ષ વાવેતરનું ઉચ્ચ-થ્રુપુટ 3-ડી મોનિટરિંગ માનવરહિત એરિયલ વ્હીકલ (યુએવી) ટેકનોલોજી. PLOS ONE 10 (6), e0130479.
ટોરસ-સાંચેઝ, ´ જે., પેના, ˜ જેએમ, ડી કાસ્ટ્રો, AI, લોપેઝ-ગ્રાનાડોસ, ´ એફ., 2014. UAV ની છબીઓનો ઉપયોગ કરીને પ્રારંભિક સીઝનના ઘઉંના ખેતરોમાં વનસ્પતિ અપૂર્ણાંકનું મલ્ટિ-ટેમ્પોરલ મેપિંગ. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. ચોક્કસ કૃષિ માટે UAV-આધારિત એપ્લિકેશન્સ પર સમીક્ષા. માહિતી (સ્વિટ્ઝર્લેન્ડ) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. બાગાયતી વૃક્ષોના પાકની રચનાને માપવા માટે ડ્રોન ફ્લાઇટ આયોજનને ઑપ્ટિમાઇઝ કરી રહ્યું છે. ISPRS જે. ફોટોગ્રામ.
રિમોટ સેન્સ. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things in Agriculture, તાજેતરની પ્રગતિ અને ભવિષ્યના પડકારો. બાયોસિસ્ટ. એન્જી. 164, 31-48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
ઉદ્દીન, એ., સિંઘ, વી.કે., પિન્ટો, ડી., ઓલ્મોસ, આઈ., 2015. મેક્સિકોમાં કોમ્પ્યુટર સાયન્સ રિસર્ચનું સાયન્ટમેટ્રિક મેપિંગ. સાયન્ટોમેટ્રિક્સ 105 (1), 97–114.
UN., 2019. વિશ્વ વસ્તીની સંભાવનાઓ 2019. https://population.un.org/wpp/ (15/04/2022ના રોજ એક્સેસ કરેલ).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. UAV માઉન્ટેડ લઘુચિત્ર હાઇપરસ્પેક્ટ્રલ સેન્સર સિસ્ટમ દ્વારા ચોખાના ડાંગરની લાક્ષણિકતા. IEEE J. Sel. ટોચ. એપલ. પૃથ્વી Obs.
રિમોટ સેન્સ. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. વાન ડેર મર્વે, ડી., બર્ચફિલ્ડ, ડીઆર, વિટ, ટીડી, પ્રાઇસ, કેપી, શારદા, એ., 2020. માં ડ્રોન
કૃષિ એડવો. એગ્રોન. 162, 1–30.
વેલુસામી, પી., રાજેન્દ્રન, એસ., મહેન્દ્રન, આરકે, નસીર, એસ., શફીક, એમ., ચોઈ, જે.-જી., 2022.
સચોટ કૃષિમાં માનવરહિત એરિયલ વ્હીકલ (યુએવી): એપ્લિકેશન્સ અને પડકારો. એનર્જીસ 15 (1), 217. https://doi.org/10.3390/en15010217.
વેન્ચુરા, ડી., બોનિફાઝી, એ., ગ્રેવિના, એમએફ, બેલુસિયો, એ., આર્ડિઝોન, જી., 2018. માનવરહિત એરિયલનો ઉપયોગ કરીને પર્યાવરણીય રીતે સંવેદનશીલ દરિયાઈ વસવાટોનું મેપિંગ અને વર્ગીકરણ
વાહન (UAV) ઇમેજરી અને ઑબ્જેક્ટ-આધારિત છબી વિશ્લેષણ (OBIA). રિમોટ સેન્સિંગ 10 (9), 1331. https://doi.org/10.3390/rs10091331.
વર્જર, એ., વિગ્ન્યુ, એન., ચેરોન, સી., ગિલિયટ, જે.-એમ., કોમર, એ., બેરેટ, એફ., 2014. ઘઉં અને રેપસીડ પાકો પર માનવરહિત હવાઈ પ્રણાલીમાંથી ગ્રીન એરિયા ઈન્ડેક્સ . રિમોટ સેન્સ. પર્યાવરણ. 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. ચાર ઓપ્ટિકલ યુએવી-આધારિત સેન્સર્સને ઘાસના મેદાનમાં જમાવવું: પડકારો અને
મર્યાદાઓ બાયોજીઓસાયન્સ 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. ઈન્ટરનેટ ઓફ અંડરગ્રાઉન્ડ વસ્તુઓ ઇન પ્રિસિઝન એગ્રીકલ્ચર: આર્કિટેક્ચર અને ટેક્નોલોજી પાસાઓ. એડ હોક નેટવર્ક. 81,
160-173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. ડિજિટલ સ્વાસ્થ્ય માટે ગુપ્ત ઘટક તરીકે જવાબદાર કૃત્રિમ બુદ્ધિ: ગ્રંથસૂચિ વિશ્લેષણ, આંતરદૃષ્ટિ અને સંશોધન દિશાઓ.
માહિતી. સિસ્ટ. આગળ. 1-16.
વાંગ, એલ., ઝાંગ, જી., વાંગ, ઝેડ., લિયુ, જે., શાંગ, જે., લિયાંગ, એલ., 2019. પાક વૃદ્ધિ મોનિટરિંગમાં રિમોટ સેન્સિંગ સંશોધન વલણનું બિબ્લિઓમેટ્રિક વિશ્લેષણ: ચીનમાં એક કેસ સ્ટડી. રિમોટ સેન્સિંગ 11 (7). https://doi.org/10.3390/rs11070809.
વ્હાઇટ, એચડી, ગ્રિફિથ, બીસી, 1981. લેખક કોસિટેશન: બૌદ્ધિક બંધારણનું સાહિત્ય માપ. જે. એમ. સોસી. માહિતી. વિજ્ઞાન 32 (3), 163–171.
Xiang, H., Tian, L., 2011. ઓટોનોમસ માનવરહિત એરિયલ વ્હીકલ (UAV) પર આધારિત ઓછી કિંમતની કૃષિ રિમોટ સેન્સિંગ સિસ્ટમનો વિકાસ. બાયોસિસ્ટ. એન્જી. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. UAV આધારિત સેન્સર્સનો ઉપયોગ કરીને પ્લાન્ટ હાઇ-થ્રુપુટ ફેનોટાઇપિંગ લક્ષણો પર સમીક્ષા. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
યાઓ, એચ., કિન, આર., ચેન, એક્સ., 2019. રીમોટ સેન્સિંગ એપ્લિકેશન્સ માટે માનવરહિત હવાઈ વાહન-એક સમીક્ષા. રિમોટ સેન્સિંગ 11 (12). https://doi.org/10.3390/
આરએસ11121443.
યેઓમ, એસ., 2021. મલ્ટિરોટર દ્વારા ઇન્ફ્રારેડ થર્મલ ઇમેજિંગ સાથે લોકોને ટ્રેકિંગ અને ખોટા ટ્રેકને ખસેડવું. 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. ઈમેજોનો ઉપયોગ કરીને પાકના પરિમાણોના અંદાજની સરખામણી UAV-માઉન્ટેડ માંથી
સ્નેપશોટ હાઇપરસ્પેક્ટ્રલ સેન્સર અને હાઇ-ડેફિનેશન ડિજિટલ કેમેરા. રિમોટ સેન્સિંગ 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. માનવરહિત હવાઈ વાહનનો ઉપયોગ કરીને જમીનની ઉપરના શિયાળુ ઘઉંના બાયોમાસનો અંદાજ- આધારિત સ્નેપશોટ
હાઇપરસ્પેક્ટ્રલ સેન્સર અને પાકની ઊંચાઈ સુધારેલ મોડલ. રિમોટ સેન્સિંગ 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. ઉષ્ણકટિબંધીય વન પુનઃપ્રાપ્તિ પર નજર રાખવા માટે હળવા વજનના માનવરહિત હવાઈ વાહનોનો ઉપયોગ. બાયોલ.
સંરક્ષણ. 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.
ધાર અને ક્લાઉડ કમ્પ્યુટિંગ પર આધારિત સ્માર્ટ ફાર્મિંગ IoT પ્લેટફોર્મ. બાયોસિસ્ટ. એન્જી. 177,
4-17
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. માનવરહિત હવાઈમાંથી મેળવેલ ખૂબ જ ઉચ્ચ રિઝોલ્યુશન ઈમેજરીનો ઉપયોગ કરીને વૃક્ષની ઊંચાઈનું પ્રમાણીકરણ
વાહન (UAV) અને સ્વચાલિત 3D ફોટો-પુનઃનિર્માણ પદ્ધતિઓ. EUR. જે. એગ્રોન. 55, 89-99. https://doi.org/10.1016/j.eja.2014.01.004.
ઝાંગ, સી., ક્રેન, ડબ્લ્યુએ, મેકગી, આરજે, વેન્ડેમાર્ક, જીજે, ડેવિસ, જેબી, બ્રાઉન, જે., હલ્બર્ટ, એસએચ, સંકરણ, એસ., 2020. ઠંડી ઋતુના પાકોમાં ફૂલોની તીવ્રતાની છબી આધારિત ફેનોટાઇપિંગ. સેન્સર્સ 20 (5), 1450. https://doi.org/10.3390/s20051450.
ઝાંગ, સી., કોવાક્સ, જેએમ, 2012. ચોકસાઇવાળી ખેતી માટે નાની માનવરહિત એરિયલ સિસ્ટમ્સની એપ્લિકેશન: એક સમીક્ષા. ચોક્કસ. કૃષિ. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. UAV મલ્ટિસ્પેક્ટ્રલ રિમોટ સેન્સિંગ પર આધારિત મકાઈના પાણીના તણાવનું મેપિંગ. રિમોટ સેન્સિંગ 11 (6), 605.
ઝાંગ, એક્સ., હાન, એલ., ડોંગ, વાય., શી, વાય., હુઆંગ, ડબલ્યુ., હાન, એલ., ગોન્ઝ એલેજ-મોરેનો, પી., મા, એચ., યે, એચ., સોબેહ , T., 2019. સ્વયંસંચાલિત પીળા રસ્ટ માટે ઊંડા શિક્ષણ આધારિત અભિગમ
ઉચ્ચ-રીઝોલ્યુશન હાઇપરસ્પેક્ટ્રલ UAV છબીઓમાંથી રોગની શોધ. રિમોટ સેન્સિંગ 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. તરંગ વિશ્લેષણ સાથે જોડાઈને હાઈપરસ્પેક્ટ્રલ ઇમેજિંગનો ઉપયોગ કરીને ચાના છોડના રોગ અને જંતુના તાણની શોધ અને ભેદભાવ. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
ઝેંગ, એ., વાંગ, એમ., લી, સી., તાંગ, જે., લુઓ, બી., 2022. એરિયલ ઇમેજ સિમેન્ટીક સેગ્મેન્ટેશન માટે એન્ટ્રોપી માર્ગદર્શિત વિરોધી ડોમેન અનુકૂલન. IEEE ટ્રાન્સ. જી
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. જમીન-આધારિત સ્પેક્ટ્રલના સમય શ્રેણી વિશ્લેષણ દ્વારા ચોખાની ફિનોલોજીની શોધ ઇન્ડેક્સ ડેટા. ખેતરના પાકો Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
ઝેંગ, જે., યાંગ, ડબલ્યુ., 2018. વાયરલેસ સેન્સર પર આધારિત ચોકસાઇવાળી કૃષિ લિકેજ સીડીંગ સિસ્ટમની ડિઝાઇન. ઇન્ટ. જે. ઓનલાઈન એન્જી. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. UAV-LiDAR ડેટાનો ઉપયોગ કરીને મકાઈના છોડની ઊંચાઈના ફેરફારોનું વિશ્લેષણ. કૃષિ 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: ઉચ્ચ થ્રુપુટ પ્લાન્ટ ફેનોટાઇપિંગ માટે ઊંડા શિક્ષણનો ઉપયોગ કરીને મકાઈની છબી વિશ્લેષણ સોફ્ટવેર . છોડની પદ્ધતિઓ 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. માં અનાજની ઉપજની આગાહી મલ્ટિ-ટેમ્પોરલ વનસ્પતિનો ઉપયોગ કરીને ચોખા
UAV-આધારિત મલ્ટિસ્પેક્ટ્રલ અને ડિજિટલ ઈમેજરીમાંથી સૂચકાંકો. ISPRS જે. ફોટોગ્રામ. રીમોટ સેન્સ. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. વાયરલેસ સેન્સર નેટવર્ક પર આધારિત ગ્રીનહાઉસ મોનિટરિંગ સિસ્ટમની મુખ્ય તકનીકનું સિમ્યુલેશન. ઇન્ટ. જે. ઓનલાઈન એન્જી. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. પ્રિસિઝન એગ્રીકલ્ચરમાં ઇન્ફ્રારેડ થર્મલ ઇમેજરી સાથે પાકના પાણીના તણાવ માટેનું મૂલ્યાંકન: એક સમીક્ષા
અને ડીપ લર્નિંગ એપ્લીકેશન માટે ભવિષ્યની સંભાવનાઓ. કોમ્પ્યુટ. ઈલેક્ટ્રોન. કૃષિ. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.