Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Departemen Manajemen dan Hukum, Fakultas Ekonomi, Universitas Roma Tor Vergata, Via Columbia, 2, Roma 00133, Italia
- b Departemen Administrasi Bisnis, Fakultas Manajemen, Universitas Kharazmi, 1599964511 Teheran, Iran
- c Fakultas Ilmu Bizerte, Universitas Kartago, Zarzouna, 7021 Bizerte, Tunisia
- d Sekolah Manajemen Internasional, Universitas Modul Wina, Am Kahlenberg 1, 1190 Wina, Austria
INFORMASI ARTIKEL | ABSTRAK |
Kata kunci: Drone UAV Pertanian presisi Internet of Things Bibliometrik | Drone, juga disebut Unmanned Aerial Vehicles (UAV), telah menyaksikan perkembangan yang luar biasa dalam beberapa dekade terakhir. Di bidang pertanian, mereka telah mengubah praktik pertanian dengan menawarkan penghematan biaya yang substansial kepada petani, meningkat efisiensi operasional, dan profitabilitas yang lebih baik. Selama beberapa dekade terakhir, topik drone pertanian telah menarik perhatian akademis yang luar biasa. Oleh karena itu kami melakukan tinjauan komprehensif berdasarkan bibliometrik untuk meringkas dan menyusun literatur akademik yang ada dan mengungkapkan tren penelitian dan hotspot saat ini. Kita menerapkan teknik bibliometrik dan menganalisis literatur seputar drone pertanian untuk meringkas dan menilai penelitian sebelumnya. Analisis kami menunjukkan bahwa penginderaan jauh, pertanian presisi, pembelajaran mendalam, pembelajaran mesin, dan Internet of Things adalah topik penting yang terkait dengan drone pertanian. kutipan bersama analisis mengungkapkan enam kelompok penelitian yang luas dalam literatur. Studi ini adalah salah satu upaya pertama untuk merangkum penelitian drone di bidang pertanian dan menyarankan arah penelitian di masa depan. |
Pengantar
Pertanian merupakan sumber pangan utama dunia (Friha et al., 2021), dan telah menghadapi tantangan berat karena
meningkatnya permintaan akan produk makanan, keamanan pangan, dan masalah keamanan serta panggilan untuk perlindungan lingkungan, pelestarian air, dan
keberlanjutan (Inoue, 2020). Perkembangan ini diprediksi akan terus berlanjut karena populasi dunia diperkirakan mencapai 9.7 miliar pada tahun 2050
(2019). Karena pertanian merupakan contoh konsumsi air yang paling menonjol secara global, diharapkan permintaan pangan dan air
konsumsi akan meningkat secara dramatis di masa mendatang. Selain itu, meningkatnya konsumsi pupuk dan pestisida
ditambah dengan intensifikasi kegiatan pertanian dapat menyebabkan tantangan lingkungan di masa depan. Demikian pula, lahan subur terbatas, dan
jumlah petani menurun di seluruh dunia. Tantangan-tantangan ini menekankan perlunya solusi pertanian yang inovatif dan berkelanjutan (Elijah
dkk., 2018; Friha dkk., 2021; Inoue, 2020; Tzounis et al., 2017).
Memasukkan teknologi baru telah diidentifikasi sebagai solusi yang menjanjikan untuk mengatasi tantangan ini. Pertanian cerdas (Brewster et al.,
2017; Tang et al., 2021) dan pertanian presisi (Feng et al., 2019; Khanna & Kaur, 2019) telah muncul sebagai hasil dari perdebatan semacam itu. Itu
mantan adalah gagasan umum untuk mengadopsi teknologi komunikasi informasi (TIK) dan inovasi mutakhir lainnya dalam kegiatan pertanian untuk meningkatkan efisiensi dan kemanjuran (Haque et al., 2021). Yang terakhir ini berfokus pada pengelolaan spesifik lokasi di mana lahan dibagi menjadi:
bagian yang homogen, dan setiap bagian mendapatkan jumlah input pertanian yang tepat untuk optimalisasi hasil panen melalui teknologi baru (Feng et al., 2019; Khanna & Kaur, 2019). Teknologi terkemuka yang telah menarik perhatian para sarjana di bidang ini termasuk Wireless Sensor Networks (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Internet of Things (IoT) (Gill et al., 2017; He dkk., 2021; Liu dkk., 2019),
teknik kecerdasan buatan (AI), termasuk pembelajaran mesin dan pembelajaran mendalam (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), teknologi komputasi (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), data besar (Gill et al., 2017; Tantalaki
et al., 2019), dan blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Selain teknologi yang disebutkan di atas, penginderaan jauh telah dianggap sebagai alat teknologi dengan potensi tinggi untuk ditingkatkan
pertanian cerdas dan presisi. Satelit, pesawat berawak manusia, dan drone adalah teknologi penginderaan jauh yang populer (Tsouros et al., 2019).
Drone, yang dikenal sebagai Unmanned Aerial Vehicles (UAVs), Unmanned Aircraft Systems (UAS), dan pesawat yang dikendalikan dari jarak jauh, adalah dari
sangat penting karena mereka memiliki banyak keunggulan dibandingkan dengan teknologi penginderaan jauh lainnya. Misalnya, drone dapat mengirimkan
gambar berkualitas tinggi dan resolusi tinggi pada hari berawan (Manfreda et al., 2018). Juga, ketersediaan dan kecepatan transfer mereka merupakan hal lain
manfaat (Radoglou-Grammatikis et al., 2020). Dibandingkan dengan pesawat, drone sangat hemat biaya dan mudah dipasang dan dirawat (Tsouros et al., 2019). Meskipun awalnya terutama digunakan untuk tujuan militer, drone dapat bermanfaat bagi banyak aplikasi sipil, misalnya dalam manajemen rantai pasokan (A. Rejeb, Rejeb, et al., 2021a), untuk tujuan kemanusiaan (A. Rejeb, Rejeb, et al., 2021c), pertanian cerdas, survei dan pemetaan, dokumentasi warisan budaya, manajemen bencana, dan konservasi hutan dan satwa liar (Panday, Pratihast, et al., 2020). Di bidang pertanian, ada banyak area aplikasi drone karena dapat diintegrasikan dengan teknologi baru, kemampuan komputasi, dan sensor onboard untuk mendukung manajemen tanaman (misalnya, pemetaan, pemantauan, irigasi, diagnosis tanaman) (H. Huang et al., 2021) , pengurangan bencana, sistem peringatan dini, konservasi satwa liar dan kehutanan untuk beberapa nama (Negash et al., 2019). Demikian pula, drone dapat dimanfaatkan dalam beberapa kegiatan pertanian, termasuk pemantauan tanaman dan pertumbuhan, estimasi hasil, penilaian stres air, dan deteksi gulma, hama, dan penyakit (Inoue, 2020; Panday, Pratihast, et al., 2020). Drone tidak hanya dapat digunakan untuk tujuan pemantauan, estimasi, dan deteksi berdasarkan data sensoriknya, tetapi juga untuk irigasi presisi dan pengendalian gulma, hama, dan penyakit secara presisi. Dengan kata lain, drone mampu menyemprotkan air dan pestisida dalam jumlah yang tepat berdasarkan data lingkungan. Manfaat drone di bidang pertanian dirangkum dalam Tabel 1.
Manfaat utama drone di bidang pertanian.
Manfaat | Referensi) |
Tingkatkan temporal dan spasial resolusi penginderaan | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Memfasilitasi pertanian presisi | (L. Deng dkk., 2018; Kalischuk dkk., 2019; Maimaitijiang dkk., 2017) |
Klasifikasi dan Pramuka tanaman | (Inoue, 2020; Kalischuk dkk., 2019; Lopez- Granados dkk., 2016; Maimaitijiang dkk., 2017; Melville dkk., 2019; Moharana & Dutta, 2016) |
Pemakaian pupuk | (L. Deng dkk., 2018; Guan dkk., 2019) |
Pemantauan kekeringan | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su dkk., 2018) |
Estimasi biomassa | (Bendig et al., 2014) |
Estimasi hasil | (Inoue, 2020; Panday, Shrestha, dkk., 2020; Tao et al., 2020) |
Pengurangan bencana | (Negash dkk., 2019) |
Konservasi satwa liar dan kehutanan | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Penilaian tekanan air | (Inoue, 2020; J. Su, Coombes, dkk., 2018; L. Zhang dkk., 2019) |
Hama, gulma, dan penyakit deteksi | (Gaˇsparovic et al., 2020; Inoue, 2020; J. Su, Liu, dkk., 2018; X.Zhang dkk., 2019) |
Di sisi lain, drone juga menghadapi keterbatasan. Keterlibatan pilot, tenaga mesin, stabilitas dan keandalan, kualitas sensor karena muatan
batasan berat, biaya implementasi, dan regulasi penerbangan, adalah di antaranya (C. Zhang & Kovacs, 2012). Kami membandingkan kekurangannya
dari tiga teknologi penginderaan jauh bergerak pada Tabel 2. Teknologi penginderaan jauh lainnya, seperti sensor tanah, berada di luar fokus penelitian ini.
Kekurangan dari berbagai teknologi penginderaan jauh mobile.
Penginderaan jauh teknologi | Kekurangan | Referensi |
Drone (UAV) | Keterlibatan pilot; gambar-gambar' kualitas (rata-rata); biaya pelaksanaan (rata-rata); stabilitas, kemampuan manuver, dan keandalan; standardisasi; tenaga mesin; kekuatan terbatas sumber (daya tahan baterai); durasi penerbangan terbatas, tabrakan dan serangan siber; terbatas berat muatan; kumpulan data besar dan pemrosesan data terbatas kemampuan; kurangnya regulasi; kurangnya keahlian, entri tinggi hambatan akses ke drone pertanian; | (Bacco et al., 2018; Dawaliby dkk., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas dkk., 2018; Laliberte dkk., 2007; Laliberte & Rango, 2011; Manfreda dkk., 2018, 2018; Nebiker dkk., 2008; Puri dkk., 2017; Velusamy dkk., 2022; C.Zhang & Kovacs, 2012) |
satelit | Cakupan satelit berkala, resolusi spektral terbatas; kerentanan terhadap masalah visibilitas (misalnya, awan); Ketidaktersediaan dan kecepatan transfer rendah; orientasi dan sketsa mempengaruhi data spasial yang mahal koleksi; pengiriman data lambat waktu untuk pengguna akhir | (Aboutalebi et al., 2019; Cen dkk., 2019; Chen dkk., 2019; Nansen & Elliott, 2016; Pandai, Pratihast, dkk., 2020; Sai Vineeth et al., 2019) |
Pesawat terbang | Biaya adopsi yang tinggi; pengaturan yang rumit; biaya perawatan; tidak tersedianya yang dapat diandalkan pesawat terbang, geometri gambar-gambar; data tidak teratur Akuisisi; kurangnya fleksibilitas; kecelakaan mematikan; data sensor variasi karena getaran; masalah georeferensi | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev & Voroshilova, 2020; Suomalainen dkk., 2013; Thamm et al., 2013) |
Sebagai teknologi multidisiplin dan multiguna di bidang pertanian, drone telah diteliti dari berbagai perspektif. Misalnya, para sarjana telah memeriksa aplikasi drone di bidang pertanian (Kulbacki et al., 2018; Mogili & Deepak, 2018), kontribusinya terhadap pertanian presisi (Puri et al., 2017; Tsouros et al., 2019), saling melengkapi dengan yang lain teknologi mutakhir (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), dan kemungkinan memajukan kemampuan navigasi dan penginderaan mereka (Bareth et al. , 2015; Suomalainen et al., 2014). Sejak penelitian tentang aplikasi drone di bidang pertanian telah menjadi lazim (Khan et al., 2021)), ada kebutuhan untuk meringkas literatur yang ada dan mengungkapkan struktur intelektual domain. Selanjutnya, sebagai bidang teknologi tinggi dengan perbaikan terus-menerus, tinjauan terstruktur perlu dilakukan untuk secara berkala meringkas literatur yang ada dan mengidentifikasi kesenjangan penelitian yang penting. Ke
Saat ini, ada sedikit ulasan yang membahas tentang aplikasi drone di sektor pertanian. Misalnya, Mogili dan Deepak (2018) secara singkat meninjau implikasi drone untuk pemantauan tanaman dan penyemprotan pestisida. Inoue (2020) melakukan review penggunaan satelit dan drone dalam penginderaan jauh di bidang pertanian. Penulis mengeksplorasi tantangan teknologi dalam mengadopsi pertanian cerdas dan kontribusi satelit dan drone berdasarkan studi kasus dan praktik terbaik. Tsouros dkk. (2019) merangkum berbagai jenis drone dan aplikasi utamanya di bidang pertanian, menyoroti berbagai metode akuisisi dan pemrosesan data. Baru-baru ini, Aslan et al. (2022) melakukan tinjauan komprehensif aplikasi UAV dalam kegiatan pertanian dan menggarisbawahi relevansi lokalisasi dan pemetaan simultan untuk UAV di rumah kaca. Diaz-Gonzalez dkk. (2022) meninjau studi terbaru tentang produksi hasil panen berdasarkan teknik pembelajaran mesin yang berbeda dan jarak jauh
sistem penginderaan. Temuan mereka menunjukkan bahwa UAV berguna untuk memperkirakan indikator tanah dan mengungguli sistem satelit dalam hal resolusi spasial, temporalitas informasi, dan fleksibilitas. Basiri dkk. (2022) membuat tinjauan lengkap dari berbagai pendekatan dan metode untuk mengatasi tantangan perencanaan jalur untuk UAV multi-rotor dalam konteks pertanian presisi. Selain itu, Awais dkk. (2022) merangkum penerapan data penginderaan jauh UAV pada tanaman untuk memperkirakan status air dan memberikan sintesis mendalam tentang kapasitas prospektif penginderaan jauh UAV untuk aplikasi stres pembuang. Terakhir, Aquilani dkk. (2022) meninjau teknologi pertanian prevision yang diterapkan dalam sistem peternakan berbasis padang rumput dan menyimpulkan bahwa penginderaan jauh yang diaktifkan oleh UAV menguntungkan untuk penilaian biomassa dan pengelolaan kawanan.
Juga, upaya untuk menggunakan UAV dalam pemantauan, pelacakan, dan pengumpulan ternak telah dilaporkan baru-baru ini.
Meskipun ulasan ini menghasilkan wawasan baru dan penting, tidak ada tinjauan komprehensif dan terkini berdasarkan bibliometrik yang dapat ditemukan dalam literatur, yang menyajikan kesenjangan pengetahuan yang jelas. Selain itu, telah dinyatakan bahwa ketika produksi ilmiah tumbuh dalam domain ilmiah, menjadi penting bagi peneliti untuk menggunakan pendekatan tinjauan kuantitatif untuk memahami struktur pengetahuan domain (Rivera & Pizam, 2015). Demikian pula, Ferreira et al. (2014) berpendapat bahwa ketika bidang penelitian matang dan menjadi rumit, para sarjana harus bertujuan untuk sesekali memahami pengetahuan yang dihasilkan dan dikumpulkan untuk mengungkapkan kontribusi baru, menangkap tradisi dan tren penelitian, mengidentifikasi topik mana yang dipelajari, dan menyelidiki struktur pengetahuan dari penelitian. lapangan dan arah penelitian potensial. Sementara Raparelli dan Bajocco (2019) melakukan analisis bibliometrik untuk memeriksa domain pengetahuan aplikasi drone di pertanian dan kehutanan, studi mereka hanya mempertimbangkan penelitian ilmiah yang diterbitkan antara 1995 dan 2017, yang tidak mencerminkan dinamika area yang bergerak cepat ini. Selanjutnya, penulis tidak berusaha untuk mengidentifikasi kontribusi paling berpengaruh di lapangan, mengelompokkan literatur, dan mengevaluasi struktur intelektual menggunakan analisis co-citation. Akibatnya, perlu untuk meringkas literatur untuk mengungkapkan fokus penelitian saat ini, tren, dan hotspot.
Untuk mengisi kesenjangan pengetahuan ini, kami memanfaatkan metodologi kuantitatif dan metode bibliometrik yang ketat untuk memeriksa keadaan penelitian saat ini di persimpangan drone dan pertanian. Kami berpendapat bahwa studi saat ini memberikan beberapa kontribusi pada literatur yang ada dengan memeriksa teknologi baru yang sangat dibutuhkan di bidang pertanian karena memberikan potensi luar biasa untuk mengubah beberapa aspek di sektor ini. Kebutuhan akan analisis bibliometrik drone pertanian semakin dirasakan mengingat pengetahuan yang tersebar dan terfragmentasi tentang drone dalam konteks pertanian. Demikian pula, literatur yang berkaitan dengan drone pertanian perlu dikelompokkan secara sistematis, mengingat studi paling berpengaruh yang membangun fondasi bidang penelitian ini. Kelebihan dalam analisis juga mencakup klarifikasi tema penelitian utama yang diwakili dalam literatur. Mempertimbangkan potensi transformasi teknologi, kami berpendapat bahwa analisis jaringan yang mendalam menghasilkan wawasan baru dengan menentukan karya-karya berpengaruh dan mengungkapkan tema tentang potensi drone untuk pertanian.
Oleh karena itu kami berusaha untuk mencapai tujuan penelitian berikut:
- Identifikasi publikasi berpengaruh dengan kontribusi luar biasa untuk aplikasi drone di bidang pertanian.
- Pengelompokan literatur, identifikasi fokus penelitian, dan pemetaan studi 'struktur intelektual' utama berdasarkan kesamaan semantik dengan menggunakan analisis co-citation.
- Pemahaman tentang evolusi keterkaitan dan jaringan kutipan dari waktu ke waktu di antara berbagai publikasi di lapangan dan identifikasi arah penelitian masa depan dan topik hangat.
Sisa makalah ini disusun sebagai berikut: bagian 2 menguraikan metodologi dan langkah-langkah pengumpulan data; bagian 3 memberikan hasil analisis; dan bagian 4 membahas temuan dan menyimpulkan dengan kontribusi penelitian, implikasi, dan arah masa depan.
Metodologi
Dalam studi penelitian saat ini, kami melakukan analisis bibliometrik untuk mengeksplorasi aplikasi drone di bidang pertanian. Pendekatan kuantitatif ini mengungkapkan struktur intelektual dari domain pengetahuan (Arora & Chakraborty, 2021) dan status saat ini, topik hangat, dan arah penelitian masa depan yang dapat diselidiki dengan menerapkan metode ini (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, dkk., 2021b; A. Rejeb dkk., 2021d; MA Rejeb dkk., 2020). Umumnya, analisis bibliometrik memeriksa literatur yang ada untuk meringkas dan mengungkap pola tersembunyi dari komunikasi tertulis dan evolusi disiplin berdasarkan statistik dan metode matematika, dan itu berlaku untuk kumpulan data besar (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Dengan menggunakan bibliometrik, kami bercita-cita untuk lebih memahami paradigma dan fokus penelitian yang ada yang berkontribusi pada domain berdasarkan kesamaan (Thelwall, 2008). Bibliometrik memberikan wawasan baru yang didukung oleh kekuatan kuantitatif objektif dari metodologi (Casillas & Acedo, 2007). Sejumlah sarjana sebelumnya telah melakukan studi bibliometrik dalam domain terkait, termasuk pertanian, penginderaan jauh, dan transformasi digital (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Analisis kutipan
Analisis kutipan mengungkapkan berbagai wawasan ke dalam bidang penelitian tertentu. Pertama-tama, ini membantu untuk mengungkapkan penulis dan publikasi paling berpengaruh yang berkontribusi pada bidang penelitian tertentu dan membuat dampak yang signifikan (Gundolf & Filser, 2013). Kedua, aliran pengetahuan dan hubungan komunikasi antar penulis dapat diungkap. Akhirnya, dengan menelusuri hubungan antara karya yang dikutip dan mengutip, seseorang dapat menjelajahi perubahan dan evolusi domain pengetahuan dari waktu ke waktu (Pournader
dkk., 2020). Jumlah kutipan yang tinggi dari sebuah publikasi mencerminkan relevansi dan kontribusi substansialnya terhadap domain penelitian (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Analisis kutipan publikasi juga membantu mengidentifikasi karya yang relevan dan melacak popularitas dan kemajuannya dari waktu ke waktu.
Analisis co-kutipan dokumen
Analisis co-citation adalah metode yang berharga untuk mengeksplorasi hubungan antara publikasi dan menggambarkan struktur intelektual suatu bidang (Nerur et al., 2008). Dengan kata lain, dengan mengidentifikasi publikasi yang paling banyak dikutip dan hubungannya, metode ini mengelompokkan publikasi ke dalam kelompok penelitian yang berbeda di mana publikasi dalam kelompok secara teratur berbagi ide yang sama (McCain, 1990; Small, 1973). Sangat penting untuk menyebutkan bahwa kesamaan tidak berarti bahwa temuan publikasi adalah
kohesif dan setuju satu sama lain; publikasi termasuk dalam kelompok yang sama karena kesamaan topik, tetapi mereka dapat memiliki sudut pandang yang bertentangan.
Pengumpulan dan analisis data
Mengikuti metodologi yang diusulkan oleh White dan Griffith (1981), kami melakukan pencarian komprehensif artikel jurnal untuk mencakup seluruh domain penelitian aplikasi drone di bidang pertanian, mengejar lima langkah berikut:
- Langkah pertama adalah pengumpulan data. Scopus terpilih sebagai salah satu database terlengkap dan terpercaya dengan hasil standar. Meta-data publikasi yang terkait dengan semua aplikasi drone di bidang pertanian diambil. Kemudian kami menganalisis artikel yang dipilih, menghapus artikel di luar topik dari analisis.
- Kami menganalisis literatur dan mengidentifikasi kata kunci paling penting yang digunakan di area penelitian.
- Menggunakan analisis kutipan, kami menjelajahi hubungan antara penulis dan dokumen untuk mengungkapkan pola kutipan yang mendasarinya. Kami juga mengidentifikasi penulis dan publikasi paling berpengaruh dengan kontribusi signifikan di bidang drone pertanian.
- Kami melakukan analisis co-citation untuk mengelompokkan publikasi serupa ke dalam kelompok.
- Terakhir, kami menganalisis koneksi dan keterkaitan antara negara, institusi, dan jurnal untuk menggambarkan jaringan kolaborasi.
Identifikasi istilah pencarian yang sesuai
Kami menerapkan string pencarian berikut untuk agregasi data: (drone* ATAU “kendaraan udara tak berawak” ATAU uav* ATAU “sistem pesawat tak berawak” ATAU uas ATAU “pesawat yang dikemudikan dari jarak jauh”) DAN (pertanian ATAU pertanian ATAU pertanian ATAU petani). Pencarian dilakukan pada September 2021. Drone memiliki beberapa sebutan, antara lain UAV, UAS, dan pesawat yang dikendalikan dari jarak jauh (Sah et al., 2021). Istilah pencarian khusus yang terkait dengan pertanian diidentifikasi berdasarkan studi Abdollahi et al. (2021). Demi kejelasan dan transparansi, kueri persis yang kami gunakan diberikan di Lampiran 1. Setelah proses pembersihan data, kami membuat file teks yang kemudian dimuat ke BibExcel, alat umum untuk analisis kutipan dan ko-sitasi. Alat ini juga menawarkan interaksi sederhana dengan perangkat lunak lain dan menawarkan tingkat kebebasan yang signifikan dalam penanganan dan analisis data. VOSviewer versi 1.6.16 digunakan untuk memvisualisasikan temuan dan menghasilkan jaringan bibliometrik (Eck & Waltman, 2009). VOSviewer menawarkan berbagai visualisasi intuitif, terutama untuk menganalisis peta bibliometrik (Geng et al., 2020). Selain itu, ini membantu dalam memberikan hasil visual sederhana yang membantu dalam memahami hasil dengan lebih baik (Abdollahi et al., 2021). Menerapkan string pencarian seperti yang dinyatakan di atas, kami mengumpulkan dan menyimpan semua publikasi yang relevan. Hasil pencarian pertama menghasilkan total 5,085 dokumen. Untuk memastikan kualitas sampel yang dipilih, hanya artikel jurnal peer-review yang dipertimbangkan dalam penelitian, yang mengakibatkan pengecualian jenis dokumen lain, seperti buku, bab, prosiding konferensi, dan catatan editorial. Selama proses penyaringan, tidak relevan (yaitu, di luar lingkup pekerjaan ini), berlebihan (yaitu, duplikat yang berasal dari pengindeksan ganda), dan publikasi non-berbahasa Inggris disaring. Proses ini menghasilkan penyertaan 4,700 dokumen dalam analisis akhir.
Temuan dan diskusi
Untuk memulai, kami menganalisis perkembangan keluaran publikasi dalam literatur terkini tentang drone pertanian. Distribusi temporal penelitian ilmiah ditunjukkan pada Gambar. 1. Kami melihat peningkatan pesat dalam publikasi dari tahun 2011 (30 publikasi) dan seterusnya; oleh karena itu, kami memutuskan untuk membagi periode analisis menjadi dua tahap yang berbeda. Kami mengacu pada periode antara 1990 dan 2010 sebagai tahap pengembangan, yang memiliki sekitar tujuh makalah yang diterbitkan setiap tahun. Periode pasca-2010 disebut sebagai tahap pertumbuhan karena penelitian tentang aplikasi drone di bidang pertanian mengalami lonjakan eksponensial selama periode ini. Setelah 2010, peningkatan jumlah publikasi menegaskan minat yang meningkat di antara para peneliti, yang juga mencerminkan bahwa drone telah diterapkan pada penginderaan jauh dan digunakan dalam pertanian presisi (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Secara khusus, jumlah publikasi meningkat dari 108 pada tahun 2013 menjadi 498 pada tahun 2018 dan mencapai puncaknya pada 1,275 pada tahun 2020. Sebanyak 935 artikel diterbitkan antara Januari dan pertengahan September 2021. Selanjutnya, kami memilih untuk lebih memfokuskan analisis kami pada tahap pertumbuhan karena periode ini mencerminkan seluk-beluk terbaru dan penting dari drone pertanian.
Analisis kata kunci
Kata kunci yang dipilih penulis untuk publikasi memiliki dampak penting pada bagaimana makalah diwakili dan bagaimana dikomunikasikan dalam komunitas ilmiah. Mereka mengidentifikasi subjek utama penelitian dan menentukan potensinya untuk berkembang atau gagal (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Analisis kata kunci, alat untuk mengungkapkan tren dan arah penelitian yang lebih luas, mengacu pada kompilasi kata kunci dari semua publikasi terkait dalam suatu domain (Dixit & Jakhar, 2021). Dalam studi saat ini, kami membagi kata kunci agregat menjadi dua set (yaitu, sampai 2010 dan 2011-2021) untuk mengeksplorasi topik yang paling populer. Dengan melakukan ini, kami dapat melacak kata kunci penting di kedua set dan memastikan bahwa kami menangkap semua data yang diperlukan. Untuk setiap set, sepuluh kata kunci teratas disajikan pada Tabel 3. Kami menghilangkan inkonsistensi dengan menggabungkan kata kunci yang identik secara semantik, seperti "drone" dan "drone" atau, dengan cara yang sama, "Internet of Things" dan "IoT.".
Tabel 3 menunjukkan bahwa "kendaraan udara tak berawak" adalah kata kunci yang lebih sering digunakan dibandingkan dengan "drone" dan "sistem udara tak berawak" di kedua periode waktu. Juga, "penginderaan jauh", "pertanian presisi", dan "pertanian" memiliki peringkat tinggi di kedua periode. Pada periode pertama, “pertanian presisi” menduduki peringkat kelima, dan peringkat kedua pada periode kedua, yang menggambarkan bagaimana drone menjadi semakin penting dalam mencapai pertanian presisi karena dapat melakukan pemantauan,
deteksi, dan praktik estimasi lebih cepat, lebih murah, dan lebih mudah dilakukan dibandingkan dengan sistem penginderaan jauh dan berbasis darat lainnya. Juga, mereka dapat menyemprotkan jumlah input yang tepat (misalnya, air atau pestisida) bila diperlukan (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Daftar kata kunci yang paling sering digunakan.
Peringkat | 1990-2010 | Jumlah kejadian | 2011-2021 | Jumlah kejadian |
1 | udara tak berawak kendaraan | 28 | tak berawak kendaraan udara | 1628 |
2 | penginderaan jauh | 7 | ketelitian pertanian | 489 |
3 | pertanian | 4 | penginderaan jauh | 399 |
4 | di udara | 4 | dengung | 374 |
5 | ketelitian pertanian | 4 | tak berawak sistem udara | 271 |
6 | udara tak berawak | 4 | pertanian | 177 |
7 | hiperspektral Sensor | 3 | belajar mendalam | 151 |
8 | saraf buatan jaringan | 2 | mesin pengetahuan | 149 |
9 | penerbangan mandiri | 2 | tumbuh-tumbuhan Indeks | 142 |
10 | kopi | 2 | Internet dari Hal | 124 |
Fitur menarik lainnya adalah hadirnya teknologi pelengkap. Pada tahap pertama, "Sensor Hiperspektral" dan "jaringan saraf tiruan" (JST) termasuk di antara sepuluh kata kunci teratas. Pencitraan hiperspektral merevolusi pencitraan tradisional dengan mengumpulkan sejumlah besar gambar pada berbagai panjang gelombang. Dengan demikian, sensor dapat secara bersamaan mengumpulkan informasi spasial dan spektral yang lebih baik dibandingkan dengan pencitraan multispektral, spektroskopi, dan citra RGB (Adao et al.,
2017). Terjadinya "ANN" pada tahap pertama dan "pembelajaran mendalam" (DL) dan "pembelajaran mesin" (ML) pada tahap kedua menyiratkan bahwa sebagian besar karya yang diterbitkan berfokus pada pemeriksaan potensi teknik AI untuk drone- pertanian berbasis Meskipun drone mampu terbang secara mandiri, mereka masih memerlukan keterlibatan pilot, yang menyiratkan tingkat kecerdasan perangkat yang rendah. Namun, masalah ini dapat diselesaikan karena kemajuan teknik AI, yang dapat memberikan kesadaran situasional dan dukungan keputusan otonom yang lebih baik. Dilengkapi dengan AI, drone dapat menghindari tabrakan selama navigasi, meningkatkan pengelolaan tanah dan tanaman (Inoue, 2020), dan mengurangi tenaga kerja dan stres bagi manusia (BK Sharma et al., 2019).
Karena fleksibilitas dan kemampuannya untuk menangani sejumlah besar data nonlinier, teknik AI adalah metode yang cocok untuk menganalisis data yang dikirimkan oleh drone dan sistem penginderaan jauh dan berbasis darat lainnya untuk prediksi dan pengambilan keputusan (Ali et al., 2015; Inoue, 2020). Lebih lanjut, kehadiran “IoT” pada periode kedua menunjukkan peran yang muncul di bidang pertanian. IoT merevolusi pertanian dengan menghubungkan teknologi lain, termasuk drone, ML, DL, WSN, dan data besar. Salah satu manfaat utama penerapan IoT adalah kemampuannya untuk secara efisien dan efektif menggabungkan berbagai tugas (akuisisi data, analisis dan pemrosesan data, pengambilan keputusan, dan implementasi) dalam waktu dekat (Elijah et al., 2018; Feng et al. , 2019; Muangprathub dkk., 2019). Selanjutnya, drone dianggap sebagai alat yang efisien untuk menangkap data yang diperlukan untuk menghitung kekuatan vegetasi dan properti vegetasi (Candiago et al., 2015). Gambar 2a dan 2b menggambarkan jaringan kata kunci kejadian bersama untuk kedua periode waktu.
Penulis berpengaruh
Pada bagian ini, kami menentukan penulis berpengaruh dan memeriksa bagaimana jaringan kutipan penulis dapat memvisualisasikan dan mengatur literatur saat ini. Gambar. 3 menunjukkan overlay kronologis dari semua peneliti dengan jumlah kutipan tertinggi. Skala warna mencerminkan variasi kutipan penulis dari tahun ke tahun. Kami memeriksa struktur kutipan peneliti yang menerbitkan studi tentang drone pertanian dengan menggunakan ambang batas minimal 50 kutipan dan sepuluh publikasi. Dari
12,891 penulis, hanya 115 yang memenuhi kondisi ini. Tabel 4 mencantumkan sepuluh penulis berpengaruh teratas, diurutkan berdasarkan jumlah kutipan maksimum. Lopez- Granados F. memimpin daftar dengan 1,963 kutipan, diikuti oleh Zarco-Tejada PJ dengan 1,909 kutipan.
Daftar penulis yang paling banyak dikutip.
Peringkat | Pengarang | kutipan |
1 | Lopez-Granados F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena JM | 1,644 |
4 | Torres-S anchez J. | 1,576 |
5 | Ferere E | 1,339 |
6 | Remondino F | 1,235 |
7 | Baut A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Dalam hal publikasi individu, artikel Zhang dan Kovacs (2012) telah menjadi studi yang paling banyak dikutip yang diterbitkan di Precision Agriculture. Di sini, penulis meninjau penerapan UAS dalam pertanian presisi. Temuan penelitian mereka menunjukkan bahwa ada kebutuhan untuk memajukan desain platform, produksi, standarisasi gambar georeferensi, dan alur kerja pencarian informasi untuk menyediakan petani dengan produk akhir yang dapat diandalkan. Selain itu, mereka merekomendasikan untuk melibatkan petani lebih kuat, terutama dalam perencanaan lapangan, pengambilan gambar, serta interpretasi dan analisis data. Yang penting, penelitian ini adalah yang pertama menunjukkan pentingnya UAV dalam pemetaan lapangan, pemetaan kekuatan, pengukuran kandungan kimia, pemantauan stres vegetasi, dan evaluasi efek pupuk pada pertumbuhan tanaman. Tantangan yang terkait dengan teknologi juga termasuk biaya yang mahal, kemampuan sensor, stabilitas dan keandalan platform, kurangnya standarisasi, dan prosedur yang konsisten untuk menganalisis sejumlah besar data.
Analisis kutipan
Analisis kutipan merupakan studi tentang pengaruh artikel, meskipun rentan terhadap arus (misalnya, bias kutipan, kutipan sendiri) dianggap sebagai salah satu instrumen standar untuk evaluasi dampak (Osareh, 1996; A. Rejeb et al., 2022; Sarli dkk., 2010). Kutipan juga mencerminkan pentingnya dan vitalitas kontribusi makalah untuk literatur tentang topik tertentu (R. Sharma et al., 2022). Kami melakukan analisis kutipan untuk menentukan studi yang paling berpengaruh pada drone pertanian dan merangkum isinya. Tabel 5 menyajikan daftar lima belas makalah paling berpengaruh untuk periode 1990-2010 dan 2011-2021. Artikel oleh Berni et al. (2009)b dan Austin (2010) telah menjadi yang paling banyak dikutip selama tahun 1990 dan 2010, dengan masing-masing 831 dan 498 kutipan. Berni dkk. (2009)b menggambarkan potensi untuk mengembangkan produk penginderaan jauh kuantitatif melalui UAV berbasis helikopter yang dilengkapi dengan sensor pencitraan multispektral termal dan pita sempit yang terjangkau. Dibandingkan dengan sensor udara berawak tradisional, sistem UAV berbiaya rendah untuk pertanian mampu mencapai estimasi yang sebanding dari parameter biofisik tanaman, jika tidak lebih baik. Biaya yang terjangkau dan fleksibilitas operasional, di samping resolusi spektral, spasial, dan temporal yang tinggi yang tersedia pada waktu penyelesaian yang cepat, menjadikan UAV cocok untuk berbagai aplikasi yang memerlukan manajemen waktu kritis, termasuk penjadwalan irigasi, dan pertanian presisi. Makalah dari Berni et al. (2009)b sangat dikutip karena secara efektif mengintegrasikan platform sayap putar tak berawak dan sensor digital dan termal dengan mekanisme kalibrasi yang diperlukan untuk aplikasi pertanian. Publikasi kedua yang paling banyak dikutip adalah buku yang ditulis oleh Austin (2010), yang membahas UAV dari perspektif desain, pengembangan, dan penyebaran. Di bidang pertanian, UAV mendukung pemantauan tanaman dengan mendeteksi penyakit sejak dini melalui perubahan warna tanaman, memfasilitasi penaburan dan penyemprotan tanaman, serta memantau dan mengarahkan kawanan.
Studi Sullivan et al. (2007), Lumme dkk. (2008), dan Gokto an et al. (2010) menyelesaikan daftar lima belas artikel yang paling banyak dikutip. Artikel-artikel ini menggambarkan pengembangan sistem berbasis UAV untuk mendukung pertanian. Mereka menawarkan solusi untuk berbagai masalah, seperti pemantauan dan pemindaian tanaman, pengawasan dan pengelolaan gulma, dan dukungan keputusan. Mereka juga menyarankan dan mendiskusikan kemampuan UAV untuk meningkatkan efisiensi pengambilan sampel dan membantu petani dalam merancang yang akurat dan efektif
strategi penanaman. Dua makalah ditulis oleh Berni (Berni et al., 2009b; Berni et al., 2009a), menggarisbawahi dampak signifikannya pada penelitian terkait drone pertanian. Makalah dari Zarco-Tejada et al. (2014) telah menjadi salah satu studi perintis untuk menggambarkan perlunya menggunakan citra UAV berbiaya rendah dalam kuantifikasi tinggi pohon.
Daftar publikasi yang paling banyak dikutip.
Peringkat | Dari 1990 ke 2010 | Dari 2011 ke 2021 | ||
Dokumen | Kutipan | Dokumen | Kutipan | |
1 | (Berni et al., 2009b) | 831 | (C.Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Berburu dkk., 2010) | 331 | (Floreano & Kayu, 2015) | 552 |
4 | (SR Herwitz dkk., 2004) | 285 | (Hossein Motlagh dkk., 2016) | 391 |
5 | (CCD Lelong dkk., 2008) | 272 | (Shakhatreh dkk., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer et al., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada dkk., 2014) | 347 |
9 | (Y.Huang dkk., 2009) | 129 | (Iklan ao dkk., 2017) | 335 |
10 | (Schmale III dkk., 2008) | 119 | (Honkavaara dkk., 2013a) | 331 |
11 | (Abd-Elrahman dkk., 2005) | 79 | (Candiago dkk., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto an dkk., 2010) | 40 | (Aasen dkk., 2015a) | 269 |
Pada periode kedua (2011–2021), penelitian Zhang dan Kovacs (2012) dan Nex dan Remondino (2014) menghasilkan publikasi yang paling sering dikutip. Zhang dan Kovacs (2012) berpendapat bahwa pertanian presisi dapat mengambil manfaat dari penerapan teknik dan sensor geospasial, seperti sistem informasi geografis, GPS, dan penginderaan jauh, untuk menangkap variasi di lapangan dan menanganinya dengan menggunakan strategi alternatif. Sebagai pengubah permainan dalam pertanian presisi, adopsi drone telah menandai era baru dalam penginderaan jauh, menyederhanakan pengamatan udara, menangkap data pertumbuhan tanaman, kondisi tanah, dan area penyemprotan. Tinjauan Zhang dan Kovacs (2012) sangat penting karena menawarkan wawasan tentang UAV dengan mengungkapkan penggunaan dan tantangan yang ada dari perangkat ini dalam pemantauan lingkungan dan pertanian presisi, seperti keterbatasan platform dan kamera, tantangan pemrosesan data, keterlibatan petani, dan peraturan penerbangan . Kedua
studi yang paling banyak dikutip dari Nex dan Remondino (2014) meninjau keadaan seni UAV untuk menangkap, memproses, dan menganalisis gambar bumi.
Pekerjaan mereka juga menyajikan gambaran umum dari beberapa platform UAV, aplikasi, dan kasus penggunaan, menampilkan kemajuan terbaru dalam pemrosesan gambar UAV. Di bidang pertanian, petani dapat menggunakan UAV untuk membuat keputusan yang efektif guna mencapai penghematan biaya dan waktu, menerima catatan kerusakan yang cepat dan tepat, dan mengantisipasi kemungkinan masalah. Berbeda dengan platform udara konvensional, UAV dapat memangkas biaya operasional dan mengurangi bahaya akses di lokasi yang sulit sambil tetap mempertahankan potensi presisi tinggi. Makalah mereka merangkum berbagai keunggulan UAV, terutama dalam hal akurasi dan resolusi.
Di antara tiga belas publikasi yang paling banyak dikutip antara 2011 dan 2021, kami melihat konsentrasi yang lebih besar pada penelitian yang terhubung dengan aplikasi drone dalam misi pencitraan (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , pertanian presisi (Candiago et al., 2015; Honkavaara et al., 2013a), pemeliharaan anggur presisi (Matese et al., 2015), penilaian stres air (Gago et al., 2015), dan pemantauan vegetasi (Aasen et al. , 2015a). Pada tahun-tahun awal, para peneliti memfokuskan
lebih lanjut tentang pengembangan sistem berbasis UAV yang murah, ringan, dan presisi untuk pertanian; penelitian yang lebih baru lebih fokus pada ulasan aplikasi UAV untuk pertanian dan survei lapangan. Singkatnya, analisis ini mengungkapkan bahwa publikasi berpengaruh sebagian besar telah memberikan ulasan studi sebelumnya untuk mengevaluasi status ilmiah dan teknologi UAV saat ini dan mengembangkan sistem UAV untuk mendukung pertanian presisi. Menariknya, kami tidak menemukan studi yang menggunakan empiris
metodologi atau studi kasus deskriptif, yang merupakan kesenjangan pengetahuan yang signifikan dan panggilan untuk penelitian lebih lanjut tentang topik ini.
Analisis kutipan bersama
Menurut Gmür (2006), analisis co-citation mengidentifikasi publikasi serupa dan mengelompokkannya. Pemeriksaan klaster yang cermat dapat mengungkapkan bidang penelitian yang sama di antara publikasi. Kami menyelidiki kutipan bersama dari literatur yang berkaitan dengan drone pertanian untuk menggambarkan bidang studi terkait dan mendeteksi pola publikasi intelektual. Dalam hal ini, Small (1973) merekomendasikan penggunaan analisis cocitation untuk mempelajari penelitian yang paling berpengaruh dan mani
dalam suatu disiplin. Untuk membatasi set ke artikel yang paling mani (Goyal & Kumar, 2021), kami menetapkan ambang co-citation 25, yang berarti bahwa dua artikel harus dikutip bersama dalam daftar referensi dari 25 atau lebih publikasi yang berbeda. Pengelompokan juga dilakukan dengan ukuran klaster minimal 1 dan tanpa metode apapun untuk menggabungkan klaster yang lebih kecil dengan klaster yang lebih besar. Hasilnya, enam klaster dihasilkan berdasarkan kesamaan studi dan struktur intelektualnya. Tabel 6 menunjukkan sebaran publikasi di setiap cluster.
Cluster 1: Cluster ini berisi delapan belas dokumen yang diterbitkan setelah Publikasi di cluster ini membahas peran drone dalam mendukung pemantauan lingkungan, pengelolaan tanaman, dan pengelolaan gulma. Misalnya, Manfreda dkk. (2018) memberikan gambaran tentang penelitian dan implementasi UAV saat ini dalam pemantauan ekosistem pertanian alami dan berpendapat bahwa teknologi tersebut menawarkan potensi luar biasa untuk secara drastis meningkatkan pemantauan lingkungan dan mengurangi
kesenjangan yang ada antara pengamatan lapangan dan udara konvensional dan penginderaan jauh antariksa. Ini dapat dilakukan dengan menawarkan kapasitas baru untuk pengambilan temporal yang lebih baik dan wawasan spasial ke area yang luas dengan cara yang terjangkau. UAV dapat terus-menerus merasakan lingkungan dan mengirim data yang dihasilkan ke entitas cerdas, terpusat/terdesentralisasi yang mengontrol sensor untuk mengidentifikasi masalah akhir, seperti kurangnya deteksi penyakit atau air (Padua et al., 2017). Adao et al. (2017) mengandaikan bahwa UAV ideal untuk menilai kondisi tanaman dengan menangkap sejumlah besar data mentah yang terkait dengan status air, estimasi biomassa, dan penilaian kekuatan. Sensor yang dipasang di UAV juga dapat segera digunakan dalam kondisi lingkungan yang tepat untuk memungkinkan pengambilan data penginderaan jauh secara tepat waktu (Von Bueren et al., 2015). Melalui UAV, petani dapat melakukan kegiatan pertanian dalam ruangan dengan memperoleh pengukuran dari hampir semua tempat di ruang tiga dimensi lingkungan pertanian dalam ruangan (misalnya, rumah kaca), sehingga memastikan kontrol iklim lokal dan pemantauan tanaman (Roldan et al. ., 2015). Dalam konteks presisi
pertanian, keputusan pengelolaan tanaman memerlukan data tanaman yang akurat dan andal dengan resolusi temporal dan spasial yang sesuai (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Untuk alasan ini, Agüera Vega et al. (2015) menggunakan sistem sensor multispektral yang dipasang di UAV untuk memperoleh gambar tanaman bunga matahari selama musim tanam. Demikian pula, Huang et al. (2009) mencatat bahwa penginderaan jauh berdasarkan UAV dapat memfasilitasi pengukuran tanaman dan tanah dari data spektral yang dikumpulkan. Verger dkk. (2014) mengembangkan dan menguji teknik untuk memperkirakan indeks area hijau (GAI) dari pengukuran reflektansi UAV dalam aplikasi pertanian presisi, dengan fokus pada tanaman gandum dan lobak. Oleh karena itu, drone memberikan kemungkinan baru untuk mengambil informasi status tanaman dengan kunjungan ulang yang sering dan resolusi spasial yang tinggi (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Pengelompokan publikasi berpengaruh pada drone pertanian.
Kelompok | Tema luas | Referensi |
1 | Pemantauan lingkungan, tanaman manajemen, manajemen gulma | (Iklan ao dkk., 2017; Agüera Vega dkk., 2015; de Castro dkk., 2018; Gomez-Cand pada et al., 2014; YB Huang dkk., 2013; Khanal dkk., 2017; Lopez-Granados, 2011; Manfreda dkk., 2018; P adua dkk., 2017; Pena et al., 2013; P´erez-Ortiz dkk., 2015; Rasmussen dkk., 2013, 2016; Torres-S anchez dkk., 2014; Torres-Sanchez, Lopez-Granados, & Pena, 2015; Verger dkk., 2014; Von Bueren dkk., 2015; C.Zhang & Kovacs, 2012) |
2 | Fenotip jarak jauh, hasil estimasi, model permukaan tanaman, menghitung tumbuhan | (Bendig et al., 2013, 2014; Geipel dkk., 2014; Gnadinger & Schmidhalter, 2017; Haghighattalab dkk., 2016; Holman dkk., 2016; Jin dkk., 2017; W. Li dkk., 2016; Maimaitijiang dkk., 2017; Sankaran dkk., 2015; Schirrmann dkk., 2016; Shi dkk., 2016; Yue dkk., 2017; X. Zhou dkk., 2017) |
3 | Pencitraan termal untuk air, pencitraan multispektral | (Baluja et al., 2012; Berni et al., 2009b; Berni dkk., 2009a; Candiago dkk., 2015; Gago dkk., 2015; Gonzalez-Dugo dkk., 2013, 2014; Grenzdorffer et al., 2008; Khaliq dkk., 2019; Matese dkk., 2015; Ribeiro-Gomes dkk., 2017; Santesteban dkk., 2017; Uto dkk., 2013) |
4 | Pencitraan hipersektral, spektral pencitraan | (Aasen et al., 2015a; Bareth et al., 2015; Hakala dkk., 2013; Honkavaara dkk., 2013a; Lucieer dkk., 2014; Saari dkk., 2011; Suomalainen dkk., 2014) |
5 | Aplikasi Pemetaan 3D | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salami dkk., 2014; Torres-S anchez, Lopez- Granados, Serrano, dkk., 2015; Zahawi dkk., 2015; Zarco-Tejada et al., 2014) |
6 | Pengawasan pertanian | (SR Herwitz et al., 2004; Hunt dkk., 2010; CCD Lelong dkk., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Selain itu, drone berguna untuk tugas-tugas yang menantang di bidang pertanian, termasuk pemetaan gulma. Gambar yang diambil oleh perangkat telah membuktikan kegunaannya untuk deteksi awal gulma di lapangan (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados et al., 2016; Rozenberg dkk., 2021). Dalam hal ini, de Castro dkk. (2018) menyatakan bahwa penggabungan citra UAV dan Object-Based Image Analysis (OBIA) telah memungkinkan praktisi untuk mengatasi masalah otomatisasi deteksi dini pada tanaman padang rumput musim awal, yang merupakan langkah maju yang besar dalam penelitian gulma. Demikian juga, Pena et al. (2013) menunjukkan bahwa penggunaan gambar resolusi spasial ultra-tinggi dari UAV dalam hubungannya dengan prosedur OBIA memungkinkan untuk menghasilkan peta gulma pada tanaman jagung awal yang dapat digunakan dalam perencanaan pelaksanaan tindakan pengendalian gulma di musim, tugas di luar kemampuan satelit dan citra udara tradisional. Dibandingkan dengan klasifikasi gambar atau algoritma deteksi objek, teknik segmentasi semantik lebih efektif dalam tugas pemetaan gulma (J. Deng et al., 2020), sehingga memungkinkan petani untuk mendeteksi kondisi lapangan, mengurangi kerugian, dan meningkatkan hasil sepanjang musim tanam (Ramesh dkk., 2020). Segmentasi semantik berbasis pembelajaran mendalam juga dapat memberikan pengukuran tutupan vegetasi yang akurat dari citra udara beresolusi tinggi (Ramesh et al., 2020; A. Zheng et al., 2022). Terlepas dari potensi mereka untuk jarak jauh
klasifikasi piksel penginderaan, teknik segmentasi semantik memerlukan komputasi yang signifikan dan memori GPU yang sangat tinggi (J. Deng et al., 2020).
Berdasarkan pembelajaran mesin dan UAV, P´erez-Ortiz et al. (2015) menyarankan pendekatan pemetaan gulma untuk memberikan strategi pengendalian gulma spesifik lokasi ketika petani mengadopsi pengendalian gulma pasca kemunculan awal. Akhirnya, Rasmussen et al. (2013) menyoroti bahwa drone memberikan penginderaan murah dengan fleksibilitas resolusi spasial yang besar. Secara keseluruhan, publikasi di klaster ini berfokus pada eksplorasi potensi UAV untuk mendukung penginderaan jauh, pemantauan tanaman, dan pemetaan gulma. Penelitian mendalam tambahan diperlukan untuk menyelidiki lebih lanjut bagaimana aplikasi drone dalam pemantauan lingkungan, pengelolaan tanaman, dan pemetaan gulma dapat mencapai pertanian yang lebih berkelanjutan (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) dan mengatasi masalah tata kelola teknologi ini dalam aplikasi asuransi tanaman (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Peneliti harus berkonsentrasi pada validasi pengukuran yang dikumpulkan UAV dengan teknik pemrosesan yang efisien untuk meningkatkan kualitas akhir dari data yang diproses (Manfreda et al., 2018). Selanjutnya, pengembangan algoritma yang tepat yang mengenali piksel yang menampilkan gulma dalam gambar digital dan menghilangkan latar belakang yang tidak relevan selama pemetaan gulma UAV diperlukan (Gaˇsparovic et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez- Granados et al., 2016). Penelitian tambahan tentang adopsi teknik segmentasi semantik dalam pengenalan tanaman, klasifikasi daun, dan pemetaan penyakit disambut baik (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Klaster 2. Publikasi dalam klaster ini berfokus pada beberapa aspek drone pertanian. Terkait dengan fenotip jarak jauh, Sankaran et al. (2015) meninjau potensi penggunaan pencitraan udara resolusi tinggi dengan ketinggian rendah dengan UAV untuk fenotip cepat tanaman di lapangan, dan mereka berpendapat bahwa, dibandingkan dengan platform penginderaan berbasis darat, UAV kecil dengan sensor yang memadai menawarkan beberapa keuntungan , seperti akses yang lebih mudah ke lapangan, data resolusi tinggi, pengumpulan data yang efisien,
penilaian cepat dari kondisi pertumbuhan lapangan, dan biaya operasional yang rendah. Namun, penulis juga mencatat bahwa penerapan UAV yang efektif untuk fenotip medan bergantung pada dua elemen mendasar, yaitu, fitur UAV (misalnya, keamanan, stabilitas, pemosisian, otonomi) dan karakteristik sensor (misalnya, resolusi, berat, panjang gelombang spektral, bidang pandangan). Haghighattalab dkk. (2016) mengusulkan pipa pemrosesan gambar semi-otomatis untuk mengambil data tingkat plot dari citra UAV dan mempercepat proses pemuliaan. Holman dkk. (2016) mengembangkan tinggi
sistem fenotip bidang throughput dan menyoroti bahwa UAV mampu mengumpulkan data fenotipik berbasis lapangan yang berkualitas, banyak, dan bahwa perangkat ini efektif untuk area yang luas dan di lokasi lapangan yang berbeda.
Karena estimasi hasil adalah bagian informasi yang sangat vital, terutama jika tersedia tepat waktu, ada potensi UAV untuk menyediakan semua pengukuran lapangan dan memperoleh data berkualitas tinggi secara efisien (Daakir et al., 2017; Demir et al., 2018 ; Enciso dkk., 2019; Kulbacki dkk., 2018; Pudelko dkk., 2012). Dalam hal ini, Jin et al. (2017) memanfaatkan citra resolusi tinggi yang diperoleh UAV pada ketinggian yang sangat rendah untuk mengembangkan dan menilai metode untuk memperkirakan kepadatan tanaman gandum pada tahap kemunculan. Menurut penulis, UAV mengatasi keterbatasan sistem rover yang dilengkapi dengan kamera dan mewakili metode non-invasif untuk memperkirakan kepadatan tanaman di tanaman, memungkinkan petani untuk mencapai throughput tinggi yang diperlukan untuk fenotip lapangan terlepas dari kemampuan lalu lintas tanah. Li dkk. (2016) mengumpulkan ratusan gambar stereo dengan resolusi sangat tinggi menggunakan sistem berbasis UAV untuk memperkirakan parameter jagung, termasuk tinggi kanopi dan biomassa di atas tanah. Akhirnya, Yue dkk. (2017) menemukan bahwa tinggi tanaman yang ditentukan dari UAV dapat meningkatkan estimasi biomassa di atas permukaan tanah (AGB).
Pendekatan untuk memantau pertumbuhan tanaman adalah ide untuk mengembangkan model permukaan tanaman (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Beberapa studi menyoroti kelayakan gambar yang diambil dari UAV untuk menangkap tinggi tanaman dan memantau pertumbuhannya. Misalnya, Bendig dkk. (2013) menggambarkan pengembangan model permukaan tanaman multi-temporal dengan resolusi sangat tinggi kurang dari 0.05 m menggunakan UAV. Mereka bertujuan untuk mendeteksi tanaman
variabilitas pertumbuhan dan ketergantungannya pada perlakuan tanaman, kultivar, dan stres. Bendig dkk. (2014) menggunakan UAV untuk memperkirakan biomassa segar dan kering berdasarkan tinggi tanaman yang diekstraksi dari model permukaan tanaman dan menemukan bahwa, tidak seperti platform udara dan pemindaian laser terestrial, gambar resolusi tinggi dari UAV dapat secara signifikan meningkatkan akurasi pemodelan tinggi tanaman untuk pertumbuhan yang berbeda. tahapan. Dalam nada yang sama, Geipel et al. (2014) menggunakan UAV dalam penelitian mereka untuk memperoleh citra
kumpulan data untuk prediksi hasil biji jagung pada tiga fase pertumbuhan yang berbeda dari awal hingga pertengahan musim dan menyimpulkan bahwa kombinasi pemodelan spektral dan spasial berdasarkan gambar udara dan model permukaan tanaman adalah metode yang cocok untuk memprediksi hasil jagung pertengahan musim. Akhirnya, Gnadinger dan Schmidhalter (2017) memeriksa kegunaan UAV dalam fenotip presisi dan menyoroti bahwa penggunaan teknologi ini dapat meningkatkan manajemen pertanian dan memungkinkan eksperimen lapangan untuk tujuan pemuliaan dan agronomi. Secara keseluruhan, kami mengamati bahwa publikasi di cluster 2 fokus pada keunggulan utama UAV di jarak jauh
fenotipe, estimasi hasil, pemodelan permukaan tanaman, dan penghitungan tanaman. Studi masa depan dapat menggali lebih dalam dengan mengembangkan metode baru untuk fenotip jarak jauh yang dapat mengotomatisasi dan mengoptimalkan pemrosesan data penginderaan jauh (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Selain itu, kinerja sensor IoT yang dipasang pada UAV dan trade-off antara biaya, tenaga kerja, dan ketepatan estimasi hasil perlu diteliti di
masa depan (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Pada akhirnya, ada kebutuhan untuk mengembangkan metode pemrosesan gambar yang efisien yang dapat menghasilkan informasi yang dapat diandalkan, memaksimalkan efisiensi dalam produksi pertanian, dan meminimalkan pekerjaan penghitungan manual oleh petani (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Klaster 3. Publikasi dalam klaster ini membahas berbagai jenis sistem pencitraan untuk penginderaan jauh sumber daya pertanian yang digunakan pada platform UAV. Dalam hal ini, pencitraan termal memungkinkan pemantauan suhu permukaan untuk mencegah kerusakan tanaman dan mendeteksi cekaman kekeringan lebih awal (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja dkk. (2012) menegaskan bahwa penggunaan kamera multispektral dan termal onboard
UAV memungkinkan peneliti untuk mendapatkan gambar resolusi tinggi dan menilai status air anggur. Ini bisa berguna untuk mengembangkan model penjadwalan air baru menggunakan data penginderaan jauh (Baluja et al., 2012). Karena itu
kapasitas beban terbatas UAV, Ribeiro-Gomes et al. (2017) mempertimbangkan integrasi kamera termal tanpa pendingin ke dalam UAV untuk menentukan tekanan air di pabrik, yang membuat jenis UAV ini lebih efisien dan layak daripada penginderaan jauh berbasis satelit tradisional dan UAV yang dilengkapi dengan kamera termal berpendingin. Menurut penulis, kamera termal tanpa pendingin lebih ringan daripada kamera berpendingin, sehingga memerlukan kalibrasi yang tepat. Gonzalez-Dugo dkk. (2014) menunjukkan bahwa citra termal secara efektif menghasilkan peta spasial indeks stres air tanaman untuk menilai status air dan mengukur stres air di antara dan di dalam kebun jeruk. Gonzalez-Dugo dkk. (2013) dan Santesteban et al. (2017) menyelidiki penggunaan citra termal UAV resolusi tinggi untuk memperkirakan variabilitas status air dari kebun komersial dan kebun anggur.
Pencitraan multispektral dapat memberikan data yang sangat besar dibandingkan dengan gambar RGB (Merah, Hijau, dan Biru) tradisional (Ad˜ ao et al., 2017; Navia et al., 2016). Data spektral ini, bersama dengan data spasial, dapat membantu dalam tujuan klasifikasi, pemetaan, peramalan, prediksi, dan deteksi (Berni et al., 2009b). Menurut Candiago et al. (2015), pencitraan multispektral berbasis UAV dapat berkontribusi secara besar-besaran untuk penilaian tanaman dan pertanian yang tepat sebagai sumber daya yang andal dan efisien. Juga,
Khaliq dkk. (2019) membuat perbandingan antara pencitraan multispektral berbasis satelit dan UAV. Gambar berbasis UAV menghasilkan lebih tepat dalam menggambarkan variabilitas kebun anggur serta peta kekuatan untuk mewakili kanopi tanaman. Singkatnya, artikel dalam kelompok ini membahas penggabungan sensor pencitraan termal dan multispektral ke dalam UAV pertanian. Oleh karena itu, penelitian lebih lanjut diperlukan untuk memahami bagaimana pencitraan termal dan multispektral dapat diintegrasikan dengan AI
teknik (misalnya, pembelajaran mendalam) untuk mendeteksi stres tanaman (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Wawasan tersebut akan membantu memastikan deteksi yang lebih efisien dan akurat serta pemantauan pertumbuhan tanaman, stres, dan fenologi (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Cluster 4. Cluster ini terdiri dari tujuh makalah yang berputar di sekitar peran penting dari pencitraan spektral dan pencitraan hiperspektral dalam mendukung praktik pertanian. Pencitraan hiperspektral telah memantapkan dirinya sebagai metode penginderaan jauh yang memungkinkan penilaian kuantitatif sistem bumi (Schaepman et al., 2009). Lebih tepatnya, ini memungkinkan identifikasi bahan permukaan, kuantifikasi konsentrasi (relatif), dan penetapan proporsi komponen permukaan
dalam piksel campuran (Kirsch et al., 2018; Zhao et al., 2022). Dengan kata lain, resolusi spektral yang lebih tinggi yang disediakan oleh sistem hiperspektral memungkinkan estimasi yang lebih akurat dari berbagai parameter, seperti sifat vegetarian atau kandungan air daun (Suomalainen et al., 2014). Para peneliti di cluster ini menyelidiki berbagai aspek dari sistem tersebut. Antara lain, Aasen et al. (2015b) menawarkan pendekatan unik untuk menurunkan informasi hiperspektral tiga dimensi dari ringan
kamera snapshot yang digunakan pada UAV untuk pemantauan vegetasi. Lucieer dkk. (2014) membahas desain, pengembangan, dan operasi udara dari UAS hiperspektral baru serta kalibrasi, analisis, dan interpretasi data gambar yang dikumpulkan dengannya. Akhirnya, Honkavaara dkk. (2013b) mengembangkan pendekatan pemrosesan yang komprehensif untuk gambar spektral berbasis interferometer FabryPerot dan menunjukkan penggunaannya dalam prosedur estimasi biomassa untuk pertanian presisi. Jalur potensial masa depan untuk klaster saat ini termasuk menekankan perlunya perbaikan teknis dalam teknologi sensor (Aasen et al., 2015b) serta kebutuhan untuk menggabungkan dan meningkatkan teknologi pelengkap, khususnya data besar dan analitik (Ang & Seng, 2021; Radoglou -Grammatikis dkk., 2020; Shakoor dkk., 2019). Yang terakhir terutama berasal dari data yang terus berkembang yang dihasilkan oleh berbagai sensor yang diterapkan dalam pertanian cerdas (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Cluster 5. Publikasi di cluster ini mengkaji aplikasi 3Dmapping berbasis drone. Menggunakan drone untuk pemetaan 3D dapat meringankan pekerjaan lapangan yang kompleks dan meningkatkan efisiensi secara substansial (Torres-Sanchez et al., 2015). Lima artikel di cluster terutama berfokus pada aplikasi pemantauan pabrik. Misalnya, untuk mendapatkan data tiga dimensi tentang luas tajuk, tinggi pohon, dan volume tajuk, Torres-Sanchez et al. (2015) menggunakan teknologi UAV untuk menghasilkan model permukaan digital dan kemudian pendekatan analisis citra berbasis objek (OBIA). Lebih lanjut, Zarco-Tejada et al. (2014) mengukur tinggi pohon dengan mengintegrasikan teknologi UAV dan metode rekonstruksi foto tiga dimensi. Jim´enez-Brenes Lopez-Granados, De Castro, dkk. (2017) mendemonstrasikan proses baru untuk pemantauan 3D multi-temporal dari lusinan pohon zaitun dengan mengintegrasikan teknologi UAV dengan metodologi OBIA yang canggih. Jalur menarik untuk pekerjaan masa depan di klaster ini termasuk meningkatkan saat ini
metodologi (Zarco-Tejada et al., 2014) untuk keperluan pemodelan permukaan digital (Ajayi et al., 2017; Jaud et al., 2016), seperti OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), dan rekonstruksi foto atau mengembangkan metode baru (Díaz-Varela et al., 2015; Torres-S´ anchez et al., 2015).
Cluster 6. Cluster ini membahas tentang peran drone dalam pengawasan pertanian. UAV dapat melengkapi dan mengatasi kekurangan pencitraan satelit dan pesawat. Misalnya, mereka dapat memberikan resolusi tinggi mendekati pencitraan real-time dengan lebih sedikit bahan bakar atau tantangan uji coba, menghasilkan pengawasan dan perbaikan yang konstan dan real-time dalam pengambilan keputusan (S. Herwitz et al., 2004). Kontribusi utama lain dari UAV adalah kemampuannya untuk menyediakan data spesifik lokasi untuk pertanian presisi atau pertanian spesifik lokasi karena resolusi tinggi, data terperinci tentang berbagai parameter memungkinkan petani untuk membagi lahan menjadi bagian yang homogen dan memperlakukannya sesuai dengan itu (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Surveilans pertanian berbasis UAV tersebut dapat mendukung pemantauan ketahanan pangan dan pengambilan keputusan (SR Herwitz et al., 2004). Untuk memajukan penelitian dalam pengawasan pertanian, tidak hanya peningkatan sensor, UAV, dan teknologi terkait lainnya serta metode komunikasi dan transfer datanya diperlukan (Ewing et al., 2020; Shuai et al., 2019), tetapi juga mengintegrasikan drone dengan berbagai teknologi untuk mengoptimalkan tugas yang berbeda dalam kaitannya dengan pertanian cerdas, seperti pemantauan, pengawasan pertanian, dan pengambilan keputusan, adalah area penelitian yang berpotensi tinggi (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Dalam hal ini, IoT, WSN, dan data besar menawarkan kemampuan pelengkap yang menarik (van der Merwe et al., 2020). Biaya implementasi, penghematan biaya, efisiensi energi, dan keamanan data adalah beberapa bidang yang kurang diteliti untuk integrasi tersebut (Masroor et al., 2021).
Negara dan institusi akademik
Langkah terakhir termasuk penyelidikan negara asal dan afiliasi akademis penulis. Melalui analisis ini, kami bertujuan untuk lebih memahami distribusi geografis para sarjana yang berkontribusi pada aplikasi drone di bidang pertanian. Patut diperhatikan untuk memperhatikan keragaman negara dan institusi akademik. Dari perspektif negara, Amerika Serikat, Cina, India, dan Italia menempati urutan teratas dalam daftar dalam hal jumlah publikasi (Tabel 7). Sekarang
penelitian tentang drone pertanian sebagian besar berpusat di negara-negara Amerika Utara dan Asia, terutama karena keterlibatan mereka yang tinggi dalam aplikasi pertanian presisi. Misalnya, di AS, pasar drone pertanian diperkirakan mencapai 841.9 juta USD pada tahun 2020, menyumbang sekitar 30% dari pangsa pasar global (ReportLinker, 2021). Dengan peringkat sebagai ekonomi terbesar di dunia, China diperkirakan mencapai ukuran pasar sekitar 2.6 miliar USD pada tahun 2027. Negara ini meminta drone pertanian untuk mengatasi masalah produktivitas dan mencapai hasil yang lebih baik, pengurangan tenaga kerja, dan input produksi yang lebih rendah. Namun, adopsi teknologi di China juga didorong oleh faktor-faktor seperti ukuran populasi dan kebutuhan untuk berinovasi dan meningkatkan praktik pengelolaan tanaman yang ada.
Negara dan universitas/organisasi paling produktif teratas yang berkontribusi terhadap
penelitian terkait drone pertanian.
Peringkat | Negara |
1 | Amerika Serikat |
2 | Tiongkok |
3 | India |
4 | Italia |
5 | Spanyol |
6 | Jerman |
7 | Brasil |
8 | Australia |
9 | Jepang |
10 | Inggris Raya |
Peringkat | Universitas/Organisasi |
1 | Chinese Academy of Sciences |
2 | Kementerian Pertanian Republik Rakyat Tiongkok |
3 | Consejo Superior de Investigaciones Científicas |
4 | Universitas Texas A & M |
5 | Universitas Pertanian Cina |
6 | Layanan Penelitian Pertanian USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Dewan Penelitian Nasional |
10 | Universitas Pertanian Cina Selatan |
Dari perspektif universitas dan organisasi, Chinese Academy of Sciences menempati urutan teratas dalam hal jumlah publikasi, diikuti oleh Kementerian Pertanian Republik Rakyat China dan Consejo Superior de Investigaciones Científicas. Chinese Academy of Sciences diwakili oleh penulis Liao Xiaohan dan Li Jun; Han Wenting mewakili Kementerian Pertanian Republik Rakyat Tiongkok; dan Consejo Superior de Investigaciones Científicas diwakili oleh Lopez-Granados, F. dan Pena, Jos´e María S. Dari Amerika Serikat, universitas seperti Texas A&M University dan Purdue University menemukan
menyebutkan. Universitas dengan jumlah publikasi tertinggi dan koneksinya ditunjukkan pada Gambar. 4. Selain itu, daftar ini mencakup institusi seperti Consiglio Nazionale delle Ricerche dan Consejo Superior de Investigaciones Científicas yang aktif dalam penelitian ilmiah, tetapi bukan institusi akademis .
Pilihan kami mencakup berbagai macam jurnal, yang mencakup hampir semua data yang tersedia. Seperti yang ditunjukkan pada Tabel 8, Penginderaan Jauh dengan 258 artikel menempati urutan teratas, diikuti oleh Jurnal Sistem Cerdas dan Robotik: Teori dan Aplikasi dengan 126 dan Komputer dan Elektronika dalam Pertanian dengan 98 artikel. Sementara Penginderaan Jauh sebagian besar difokuskan pada aplikasi dan pengembangan drone, Komputer dan Elektronika di bidang Pertanian terutama mencakup kemajuan dalam perangkat keras komputer, perangkat lunak, elektronik, dan sistem kontrol di bidang pertanian. Outlet lintas area, seperti IEEE Robotics and Automation Letters dengan 87 publikasi dan IEEE Access dengan 34 publikasi, juga merupakan outlet utama di lapangan. Lima belas outlet teratas telah berkontribusi pada literatur dengan 959 dokumen, yaitu sekitar 20.40% dari semua publikasi. Analisis co-citation jurnal memungkinkan kita untuk memeriksa pentingnya dan kesamaan antara publikasi. Analisis co-citation menghasilkan tiga cluster, seperti yang ditunjukkan pada Gambar. 5. Cluster merah terdiri dari jurnal seperti Penginderaan Jauh, Komputer dan Elektronik di Pertanian, Sensor,
dan Jurnal Internasional Penginderaan Jauh. Semua outlet ini adalah jurnal yang bereputasi tinggi di bidang penginderaan jauh dan pertanian presisi. Cluster hijau berisi jurnal yang berhubungan dengan robotika, seperti Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access, dan Drones. Outlet ini sebagian besar menerbitkan makalah tentang otomatisasi dan berguna untuk insinyur pertanian. Klaster terakhir dibentuk oleh jurnal-jurnal yang berkaitan dengan agronomi dan teknik pertanian, seperti Agronomi dan Jurnal Internasional Teknik Pertanian dan Biologi.
15 jurnal teratas dalam penelitian terkait drone pertanian.
Peringkat | Jurnal | Menghitung |
1 | Remote Sensing | 258 |
2 | Jurnal Sistem Cerdas dan Robotik: Teori dan Aplikasi | 126 |
3 | Komputer dan Elektronika dalam Pertanian | 98 |
4 | IEEE Robotics dan Automation Letters | 87 |
5 | Sensor | 73 |
6 | Jurnal Internasional Penginderaan Jauh | 42 |
7 | Pertanian Presisi | 41 |
8 | Drone | 40 |
9 | Agronomi | 34 |
10 | Akses IEEE | 34 |
11 | Jurnal Internasional Sistem Robotik Canggih | 31 |
12 | Jurnal Internasional Teknik Pertanian dan Biologi | 25 |
13 | PLoS ONE | 25 |
14 | Jurnal Robotika Lapangan | 23 |
15 | Rekayasa Biosistem | 23 |
Kesimpulan
Kesimpulan
Dalam penelitian ini, kami merangkum dan menganalisis penelitian yang ada tentang drone pertanian. Menerapkan berbagai teknik bibliometrik, kami berusaha untuk mendapatkan pemahaman yang lebih baik tentang struktur intelektual penelitian terkait drone pertanian. Singkatnya, ulasan kami menawarkan beberapa kontribusi dengan mengidentifikasi dan mendiskusikan kata kunci dalam literatur, mengungkapkan kelompok pengetahuan sambil membentuk komunitas yang serupa secara semantik di bidang drone, menguraikan penelitian sebelumnya, dan menyarankan arah penelitian di masa depan. Di bawah ini, kami menguraikan temuan utama dari tinjauan pengembangan drone pertanian:
• Literatur secara keseluruhan telah berkembang pesat dan menarik perhatian besar selama dekade terakhir, seperti yang ditunjukkan oleh peningkatan jumlah artikel setelah 2012. Meskipun bidang pengetahuan ini belum mencapai kematangan penuh (Barrientos et al., 2011; Maes & Steppe, 2019), beberapa pertanyaan masih belum terjawab. Misalnya, kegunaan drone dalam pertanian dalam ruangan masih terbuka untuk diperdebatkan (Aslan et al., 2022; Krul et al., 2021; Rold´ an et al., 2015). Kompleksitas adegan bidang dan keadaan pencitraan yang berbeda (misalnya, bayangan dan iluminasi) dapat menghasilkan varians spektral di kelas yang lebih tinggi (Yao et al., 2019). Bahkan dalam fase penelitian selanjutnya, para peneliti ditantang untuk menentukan rencana penerbangan yang optimal menurut skenario tertentu dan kualitas gambar yang dibutuhkan (Soares et al., 2021; Tu et al.,
2020).
• Kami melihat bahwa bidang tersebut telah berkembang dari mengembangkan sistem UAV yang efisien hingga menggabungkan teknik AI, seperti pembelajaran mesin dan pembelajaran mendalam dalam desain drone pertanian (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia dkk., 2020; Tetila dkk., 2020).
• Penelitian drone pertanian lebih banyak membahas penginderaan jauh dengan menggali potensi teknologi dalam pemantauan lingkungan, pengelolaan tanaman, dan pengelolaan gulma (klaster 1) serta fenotip jarak jauh dan estimasi hasil (klaster 2). Satu set studi berpengaruh pada drone pertanian termasuk Austin (2010), Berni et al. (2009)a, Herwitz dkk. (2004), Nex dan Remondino (2014), dan Zhang dan Kovacs (2012). Studi-studi ini mengembangkan dasar konseptual penelitian terkait drone dalam konteks pertanian.
• Terkait dengan metodologi, kami mengamati bahwa sebagian besar penelitian yang dilakukan sejauh ini terdiri dari desain sistem, konseptual, atau studi berbasis tinjauan (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao dkk., 2019). Kami juga melihat kurangnya metode empiris, kualitatif, dan studi kasus yang bekerja dalam menyelidiki drone pertanian.
• Baru-baru ini, topik yang terkait dengan pertanian presisi, teknik AI, pemeliharaan anggur presisi, dan penilaian tekanan air telah menarik perhatian besar (Espinoza et al., 2017; Gomez-Cand pada et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou dkk., 2021). Pemeriksaan cermat terhadap kelompok penelitian di dua era terpisah, 1990–2010 dan 2011–2021, mengungkapkan kemajuan struktur intelektual domain. Periode 1990 hingga 2010 merupakan pembentukan gagasan sentral dan konsep drone, yang terlihat dari diskusi tentang desain, pengembangan, dan implementasi UAV. Di era kedua, fokus penelitian diperluas pada studi sebelumnya, melakukan upaya untuk mensintesis kasus penggunaan UAV di bidang pertanian. Kami juga menemukan banyak penelitian yang membahas aplikasi drone dalam tugas pencitraan dan pertanian presisi.
Peringkat | Jurnal | Menghitung |
1 | Remote Sensing | 258 |
2 | Jurnal Sistem Cerdas dan Robotik: Teori dan | 126 |
Aplikasi | ||
3 | Komputer dan Elektronika dalam Pertanian | 98 |
4 | IEEE Robotics dan Automation Letters | 87 |
5 | Sensor | 73 |
6 | Jurnal Internasional Penginderaan Jauh | 42 |
7 | Pertanian Presisi | 41 |
8 | Drone | 40 |
9 | Agronomi | 34 |
10 | Akses IEEE | 34 |
11 | Jurnal Internasional Sistem Robotik Canggih | 31 |
12 | Jurnal Internasional Teknik Pertanian dan Biologi | 25 |
13 | PLoS ONE | 25 |
14 | Jurnal Robotika Lapangan | 23 |
15 | Rekayasa Biosistem | 22 |
Implikasi
Tinjauan bibliometrik kami dirancang dan dilakukan dengan mempertimbangkan para sarjana, petani, pakar pertanian, konsultan tanaman, dan perancang sistem UAV. Sepengetahuan penulis, ini adalah salah satu ulasan asli pertama yang telah melakukan analisis bibliometrik mendalam tentang
aplikasi drone di bidang pertanian. Kami telah melakukan tinjauan komprehensif terhadap badan pengetahuan ini, menggunakan analisis kutipan dan kutipan bersama dari publikasi. Upaya kami untuk menggambarkan struktur intelektual penelitian drone juga menawarkan wawasan baru bagi para akademisi. Tinjauan hati-hati terhadap kata kunci yang digunakan dari waktu ke waktu mengungkapkan hotspot dan area penelitian fokus dalam literatur terkait drone. Selanjutnya, kami menyajikan daftar studi yang paling banyak dikutip untuk mengidentifikasi karya penelitian paling berdampak yang diselesaikan di lapangan. Identifikasi artikel dan kata kunci akibatnya bisa memberikan titik awal yang kuat untuk mengungkap beberapa jalan untuk studi masa depan.
Yang penting, kami mengungkapkan kelompok yang mengklasifikasikan karya yang sebanding dan menguraikan hasilnya. Studi yang diklasifikasikan dalam kelompok membantu dalam memahami struktur intelektual penelitian UAV. Khususnya, kami menemukan kelangkaan penelitian yang menyelidiki faktor adopsi drone
dan hambatan dalam kegiatan pertanian (lihat Tabel 9). Peneliti masa depan dapat mengatasi kesenjangan potensial ini dengan melakukan penyelidikan empiris yang mengevaluasi faktor adopsi drone dalam kegiatan pertanian dan kondisi iklim yang berbeda. Selanjutnya, penelitian berbasis studi kasus mengenai efektivitas drone harus didukung dengan data nyata dari lapangan. Juga, melibatkan petani dan manajer dalam penelitian akademis akan menguntungkan baik untuk kemajuan teoritis dan praktis dari penelitian drone. Kami juga dapat mengidentifikasi peneliti yang paling menonjol dan kontribusi mereka, yang berharga karena kesadaran akan karya-karya mani baru-baru ini dapat menawarkan beberapa panduan untuk upaya akademis di masa depan.
Tabel 9
Hambatan adopsi UAV.
Pembatas | Deskripsi Produk |
Keamanan data | Keamanan siber merupakan tantangan utama untuk mengimplementasikan Solusi IoT (Masroor et al., 2021). |
Interoperabilitas dan integrasi | Berbagai teknologi seperti UAV, WSN, IoT, dll. harus terintegrasi dan mengirimkan data yang meningkatkan tingkat kerumitan (Alsamhi et al., 2021; Popescu dkk., 2020; Vuran et al., 2018). |
Biaya implementasi | Ini khusus untuk petani kecil dan untuk mengintegrasikan berbagai teknologi mutakhir ( Masroor dkk., 2021). |
Pengetahuan tenaga kerja dan keahlian | Pilot drone yang terampil diperlukan untuk mengoperasikan UAV. Juga, menerapkan berbagai teknologi mutakhir teknologi membutuhkan pekerja terampil (YB Huang dkk., 2013; Tsouros et al., 2019). |
Tenaga Mesin dan penerbangan lamanya | Drone tidak dapat dioperasikan selama berjam-jam dan menutupi area yang luas (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilitas, keandalan, dan kemampuan manuver | Drone tidak stabil selama kondisi cuaca buruk (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Batasan muatan dan kualitas sensor | Drone hanya dapat membawa muatan terbatas ke kemampuan memuat sensor berkualitas lebih rendah (Nebiker et al., 2008). |
Regulasi | Karena drone juga bisa berbahaya, ada juga yang parah peraturan di beberapa daerah (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
pengetahuan petani dan bunga | Seperti teknologi mutakhir lainnya, drone implementasi yang sukses membutuhkan keahlian dan juga disertai dengan ketidakpastian (Fisher et al., 2009; Lambert dkk., 2004; Stafford, 2000). |
Karena selalu ada kebutuhan untuk secara efisien menggunakan sumber daya yang tersedia untuk memaksimalkan hasil, petani dapat memanfaatkan drone untuk memastikan pemindaian lahan mereka yang cepat, akurat, dan hemat biaya. Teknologi tersebut dapat mendukung petani untuk menentukan kondisi tanaman mereka dan menilai status air, tahap pematangan, serangan serangga, dan kebutuhan nutrisi. Kemampuan penginderaan jarak jauh dari drone dapat memberi petani data penting untuk mengantisipasi masalah pada tahap awal dan segera melakukan intervensi yang sesuai. Namun, manfaat teknologi hanya dapat diwujudkan jika tantangan tersebut ditangani dengan baik. Mengingat
masalah saat ini mengenai keamanan data, masalah teknologi sensor (misalnya, keandalan atau akurasi pengukuran), kompleksitas integrasi, dan biaya implementasi yang substansial, studi masa depan juga harus memeriksa kelayakan teknis, ekonomi, dan operasional dari mengintegrasikan drone pertanian dan pemotongan lainnya. teknologi tepi.
keterbatasan
Penelitian kami memiliki beberapa keterbatasan. Pertama, temuan ditentukan oleh publikasi yang dipilih untuk analisis akhir. Menangkap semua studi yang relevan terkait dengan drone pertanian, terutama yang tidak terindeks dalam database Scopus, merupakan tantangan yang menantang. Selanjutnya, proses pengumpulan data terbatas pada pengaturan kata kunci pencarian, yang mungkin tidak inklusif dan mengarah pada temuan yang tidak meyakinkan. Dengan demikian, studi masa depan perlu lebih memperhatikan masalah pengumpulan data yang mendasarinya
kesimpulan yang lebih dapat diandalkan. Keterbatasan lain menyangkut publikasi baru dengan jumlah kutipan yang rendah. Analisis bibliometrik bias terhadap publikasi sebelumnya karena mereka cenderung menerima lebih banyak kutipan selama bertahun-tahun. Studi terbaru membutuhkan waktu tertentu untuk menarik perhatian dan mengumpulkan kutipan. Akibatnya, studi terbaru yang membawa perubahan paradigma tidak akan masuk dalam sepuluh besar karya berpengaruh. Keterbatasan ini lazim dalam pemeriksaan domain penelitian yang berkembang pesat seperti drone pertanian. Karena kami telah berkonsultasi dengan Scopus untuk mempelajari literatur untuk pekerjaan ini, peneliti masa depan dapat mempertimbangkan perbedaan
database, seperti Web of Science dan IEEE Xplore, untuk memperluas cakrawala dan meningkatkan struktur penelitian.
Studi bibliometrik potensial dapat mempertimbangkan sumber pengetahuan penting lainnya seperti makalah konferensi, bab, dan buku untuk menghasilkan wawasan baru. Meskipun memetakan dan menyelidiki publikasi global tentang drone pertanian, temuan kami tidak mengungkapkan alasan di balik keluaran ilmiah universitas. Ini membuka jalan ke bidang penelitian baru dalam menjelaskan secara kualitatif mengapa beberapa universitas lebih produktif daripada yang lain dalam hal penelitian tentang pertanian.
drone. Selain itu, penelitian selanjutnya dapat memberikan wawasan tentang potensi drone untuk meningkatkan keberlanjutan pertanian dalam beberapa cara seperti pemantauan lingkungan, pengelolaan tanaman, dan pemetaan gulma seperti yang ditunjukkan oleh beberapa peneliti (Chamuah & Singh, 2019; Islam et al., 2021; Popescu dkk., 2020; J.Su, Liu, dkk., 2018b). Karena analisis tekstual tidak mungkin dilakukan karena tingginya jumlah makalah yang dipilih, ada kebutuhan untuk tinjauan pustaka sistematis yang meneliti
metode penelitian yang digunakan dan keterlibatan petani dalam penelitian sebelumnya. Singkatnya, analisis penelitian drone kami mengungkap hubungan tak terlihat dari badan pengetahuan ini. Oleh karena itu, tinjauan ini membantu mengungkap hubungan antara publikasi dan mengeksplorasi struktur intelektual bidang penelitian. Ini juga menggambarkan keterkaitan antara berbagai aspek literatur, seperti kata kunci penulis, afiliasi, dan negara.
Deklarasi Persaingan Minat
Para penulis menyatakan bahwa mereka tidak mengetahui persaingan kepentingan keuangan atau hubungan pribadi yang dapat mempengaruhi pekerjaan yang dilaporkan dalam makalah ini.
Lampiran 1
TITLE-ABS-KEY (((drone* ATAU "kendaraan udara tak berawak" ATAU uav* ATAU "sistem pesawat tak berawak"” ATAU uas ATAU “pesawat yang dikemudikan dari jarak jauh”) DAN (pertanian ATAU pertanian ATAU pertanian ATAU petani))) DAN (PENGECUALIAN (PUBYEAR, 2022)) DAN (BATAS-ATAS (BAHASA, “Bahasa Inggris”)).
Referensi
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Menghasilkan informasi hiperspektral 3D dengan kamera snapshot UAV ringan untuk pemantauan vegetasi: dari
kalibrasi kamera untuk jaminan kualitas. ISPRS J. Fotogram. Sensor Jarak Jauh 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Pengembangan algoritma pengenalan pola untuk deteksi burung otomatis dari citra kendaraan udara tak berawak.
Survei. Informasi Tanah. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Jaringan sensor nirkabel di bidang pertanian: wawasan dari analisis bibliometrik. Keberlanjutan 13 (21),
12011.
Tentangalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M.,Penilaian metode yang berbeda untuk deteksi bayangan dalam citra optik resolusi tinggi dan evaluasi dampak bayangan pada perhitungan NDVI, dan evapotranspirasi. irigasi. Sci. 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. Pencitraan hiperspektral: ulasan tentang sensor, data berbasis UAV memproses dan
aplikasi untuk pertanian dan kehutanan. Penginderaan Jauh 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Pencitraan multi-temporal menggunakan kendaraan udara tak berawak untuk memantau tanaman bunga matahari. Biosis. Ind.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generasi model elevasi digital yang akurat dari UAV memperoleh gambar tumpang tindih persentase rendah. Int.
J. Sensor Jarak Jauh 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Tinjauan pendekatan pembelajaran mesin untuk pengambilan biomassa dan kelembaban tanah dari data penginderaan jauh. Penginderaan Jauh 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Internet hal-hal hijau menggunakan UAV di jaringan B5G: Tinjauan aplikasi
dan strategi. Iklan. Hok. jaringan 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drone untuk Pemantauan Ternak Domba. Dalam: Konferensi Elektroteknik Mediterania IEEE ke-20. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Fenotipe throughput tinggi berbasis UAV pada jeruk memanfaatkan pencitraan multispektral dan kecerdasan buatan. Penginderaan Jauh 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Aplikasi berbasis cloud untuk memproses, menganalisis, dan memvisualisasikan data yang dikumpulkan UAV untuk aplikasi pertanian presisi yang memanfaatkan kecerdasan buatan. Hitung. Elektron. pertanian. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data dan pembelajaran mesin dengan informasi hiperspektral di bidang pertanian. Akses IEEE 9, 36699–36718. https://doi.org/10.1109/
AKSES.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Ulasan: teknologi Peternakan Ternak presisi dalam sistem peternakan berbasis padang rumput. Hewan 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, D., Mejia-Aguirre, C., Tren teknologi informasi dan komunikasi canggih untuk
meningkatkan produktivitas pertanian: analisis bibliometrik. Agronomi 10 (12), Pasal 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Buaya terbang: menuju robotika udara di occam-π. komuni. Arsitek Proses. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Struktur intelektual penelitian perilaku mengeluh konsumen (CCB): Analisis bibliometrik. J. Bisnis Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Sebuah survei komprehensif dari studi terbaru dengan UAV untuk pertanian presisi di lapangan terbuka dan rumah kaca. aplikasi Sci. 12 (3), 1047. https://doi.org/10.3390/
aplikasi12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Fenotipe Lapangan untuk Masa Depan. Dalam Ulasan Tanaman Tahunan online (hlm. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Sistem Pesawat Tanpa Awak: Desain, Pengembangan, dan Penerapan UAVS. Dalam: Sistem Pesawat Tanpa Awak: Desain, Pengembangan, dan UAVS
Penyebaran. John Wiley dan Sons. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. Penginderaan jauh berbasis UAV dalam stres tanaman bayangkan menggunakan sensor termal resolusi tinggi untuk praktik pertanian digital: tinjauan meta. Int. J.Lingkungan. Sci. teknologi. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Harus, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Pertanian cerdas: Peluang, tantangan
dan pendukung teknologi. 2018 IoT Vertikal dan. KTT Topikal tentang Pertanian -Tuscany (IOT Tuscany) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Pembelajaran mendalam dengan pelabelan data tanpa pengawasan untuk deteksi gulma pada tanaman garis dalam gambar UAV. Penginderaan Jauh 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normatif versus proses konstruktivis sosial dalam alokasi kutipan: model analisis jaringan. Saya. sosial. Wahyu 63 (6), 829–846. https://doi.
org / 10.2307 / 2657504.
Baluja, J., Diago, MP, Balda, P., Zrer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Penilaian variabilitas status air kebun anggur oleh termal dan multispektral
citra menggunakan kendaraan udara tak berawak (UAV). irigasi. Sci. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L.,Pemuliaan generasi berikutnya. Ilmu Tanaman. 242, 3–13. https://doi.org/10.1016/j.
tanamanci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektif tentang penggunaan sistem udara tak berawak untuk memantau ternak. Outlook Pertanian. 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. Hiperspektral berbasis UAV dan berbobot rendah kamera full-frame
untuk memantau tanaman: Perbandingan spektral dengan pengukuran spektroradiometer portabel. Fotogrametri, Fernerkundung, Geoinformasi 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Penginderaan jauh udara dalam pertanian: Pendekatan praktis untuk cakupan area
dan perencanaan jalur untuk armada robot udara mini. J. Lapangan Rob. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Survei penerapan algoritma path-planning untuk UAV multirotor secara presisi
pertanian. J. Navigasi. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Pertanian intensif pengetahuan mutakhir: ulasan tentang sistem penginderaan terapan dan analitik data. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Pencitraan berbasis UAV untuk multi-temporal, model permukaan tanaman resolusi sangat tinggi untuk memantau variabilitas pertumbuhan tanaman. Fotogrametri, Fernerkundung, Geoinformasi 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. Memperkirakan biomassa jelai menggunakan model permukaan tanaman (CSM) yang berasal dari pencitraan RGB berbasis UAV. Penginderaan Jauh 6 (11), 10395-10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Menggabungkan tinggi tanaman berbasis UAV dari permukaan tanaman model,
terlihat, dan indeks vegetasi inframerah dekat untuk pemantauan biomassa di jelai. Int. J. Aplikasi Obs Bumi. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, G., Fereres, E., Villalobos, F., 2009a. Memetakan konduktansi kanopi dan CWSI di kebun zaitun menggunakan resolusi tinggi
citra penginderaan jauh termal. Lingkungan Penginderaan Jauh. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, L., Fereres, E., 2009b. Penginderaan jauh multispektral termal dan pita sempit untuk pemantauan vegetasi dari kendaraan udara tak berawak. IEEE Trans. Geosci. Sensor Jarak Jauh 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things dalam keamanan pangan: Tinjauan literatur dan analisis bibliometrik. Tren Makanan Sci. teknologi. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT di bidang pertanian: Merancang percontohan skala besar di seluruh Eropa. Komunitas IEEE. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Pelacakan UAV multi-sensor dari masing-masing bibit dan komunitas bibit dengan akurasi milimeter. Drone 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gatelli, M., 2015. Mengevaluasi citra multispektral dan indeks vegetasi untuk aplikasi pertanian presisi dari citra UAV. Penginderaan Jauh 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Pemantauan indikator pertumbuhan bit gula menggunakan indeks vegetasi rentang dinamis lebar (WDRVI) yang berasal dari UAV
gambar multispektral. Hitung. Elektron. pertanian. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolusi struktur intelektual literatur bisnis keluarga: studi bibliometrik FBR. Bisnis Keluarga Rev. 20 (2), 141-162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Pemantauan dinamis biomassa padi di bawah
perlakuan nitrogen yang berbeda menggunakan UAV ringan dengan kamera snapshot bingkai gambar ganda. Metode Tanaman 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Mengamankan keberlanjutan dalam pertanian India melalui UAV sipil: perspektif inovasi yang bertanggung jawab. Aplikasi SN Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Tata kelola yang bertanggung jawab atas inovasi kendaraan udara tak berawak (UAV) sipil untuk aplikasi asuransi tanaman India. J. Bertanggung jawab
teknologi. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Menerapkan pencitraan saluran terlihat resolusi tinggi dari kanopi tanaman untuk manajemen irigasi presisi. pertanian. Air
Kelola. 216, 196-205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. UAV ringan dengan fotogrametri on-board dan penentuan posisi GPS frekuensi tunggal untuk aplikasi metrologi. ISPRS J. Fotogram. Sensor Jarak Jauh 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Platform IoT berbasis Blockchain untuk manajemen operasi drone otonom. Dalam: Prosiding ACM ke-2
Lokakarya MobiCom tentang Komunikasi Nirkabel Berbantuan Drone untuk 5G dan Lebih Lanjut, hlm. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Bagaimana menulis dan menerbitkan karya ilmiah. Pers Universitas Cambridge. de Castro, AI, Pena, JM, Torres-Sanchez, J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, F., 2020. Pemetaan infestasi cynodon dactylon tanaman penutup dengan prosedur pohon keputusan-OBIA otomatis dan citra UAV untuk pemeliharaan anggur yang presisi. Penginderaan Jauh 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. Algoritme hutan-OBIA acak otomatis untuk pemetaan gulma awal antara dan di dalam baris tanaman menggunakan citra UAV. Penginderaan Jauh 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, NK, Akar, T., nal, S., 2018. Pengukuran Otomatis Tinggi Tanaman Genotipe Gandum Menggunakan DSM Berasal dari Citra UAV. Prosiding 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Jaringan segmentasi semantik ringan untuk pemetaan gulma waktu-nyata menggunakan kendaraan udara tak berawak. aplikasi Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Penginderaan jauh multispektral berbasis UAV untuk pertanian presisi: perbandingan antara kamera yang berbeda. ISPRS J. Fotogram. Penginderaan Jauh 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Pembelajaran mesin dan teknik penginderaan jauh diterapkan untuk memperkirakan indikator tanah – tinjauan. Ekol. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, L., Zarco-Tejada, PJ, 2015. Citra UAV udara resolusi tinggi untuk menilai parameter tajuk pohon zaitun menggunakan foto 3D
rekonstruksi: aplikasi dalam percobaan pemuliaan. Penginderaan Jauh 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Manajemen kapasitas bandara: tinjauan dan analisis bibliometrik. J.Transportasi Udara. Kelola. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Kabel, J., Wilson, J., 2019.
Menggunakan citra RapidEye untuk mengidentifikasi variabilitas dalam bidang pertumbuhan dan hasil tanaman di Ontario, Kanada. pertanian presisi. 20 (6), 1231-1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Penerapan drone pertanian dan iot untuk memahami rantai pasok pangan pasca COVID-19. Dalam: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Informatika Pertanian: Otomasi Menggunakan IoT dan Machine Learning. Wiley, hlm. 67–87. van Eck, N., Waltman, L., 2009. Survei perangkat lunak: VOSviewer, program komputer untuk pemetaan bibliometrik. Scientometrics 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Ikhtisar Internet of Things (IoT) dan analisis data di bidang pertanian: manfaat dan tantangan.
IEEE Internet Things J. 5 (5), 3758–3773.
Enciso, J., Avila, CA, Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J.,Maeda, M., Chavez, JC, 2019. Validasi agronomi UAV dan lapangan
pengukuran untuk varietas tomat. Hitung. Elektron. pertanian. 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Penilaian tegangan air berbasis penginderaan jauh multispektral dan termal resolusi tinggi di
anggur irigasi bawah permukaan. Penginderaan Jauh 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Memanfaatkan penginderaan jauh hiperspektral untuk gradasi tanah. Penginderaan Jauh 12 (20), 3312.ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Kolombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Evaluasi multiskala dari reflektansi permukaan multispektral berbasis drone dan indeks vegetasi dalam kondisi operasional. Penginderaan Jauh 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Studi teknologi komunikasi nirkabel di Internet of Things untuk pertanian presisi. Pers Nirkabel komuni. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Teori biaya transaksi dalam penelitian bisnis internasional: studi bibliometrik selama tiga dekade. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Kemajuan dalam pertanian presisi di tenggara Australia. I. metodologi regresi untuk disimulasikan
variasi spasial dalam hasil serealia dengan menggunakan riwayat hasil sawah petani dan indeks vegetasi perbedaan yang dinormalisasi. Ilmu Tanaman Padang Rumput. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Sains, teknologi, dan masa depan drone otonom kecil. Alam 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet hal-hal untuk masa depan pertanian pintar: survei komprehensif teknologi yang muncul. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, JM, 2019. Segmentasi tanaman ara dari gambar udara menggunakan jaringan encoder-decoder convolutional yang dalam. Penginderaan Jauh 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. Tantangan UAV untuk menilai tekanan air untuk
pertanian berkelanjutan. pertanian. Manajer Air. 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. Pencitraan termal di pabrik
tingkat untuk menilai status tanaman-air di pohon almond (cv. Guara) di bawah strategi irigasi defisit. pertanian. Manajer Air. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Pengukuran reflektansi permukaan dan spektroskopi fluoresensi terinduksi matahari menggunakan UAS hiperspektral kecil. Penginderaan Jauh 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovic, M., Zrinjski, M., Barkovi´c, ., Radoˇcaj, D., 2020. Metode otomatis untuk
pemetaan gulma di ladang gandum berdasarkan citra UAV. Hitung. Elektron. pertanian.
Gebbers, R., Adamchuk, VI, 2010. Pertanian presisi dan ketahanan pangan. Sains 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Pemodelan spektral dan spasial gabungan hasil jagung berdasarkan gambar udara dan model permukaan tanaman diperoleh dengan sistem pesawat tak berawak. Penginderaan Jauh 6 (11), 10335-10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Desain berkelanjutan untuk pengguna: tinjauan literatur dan analisis bibliometrik. Mengepung. Sci. polusi. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generasi permukaan respons spektraltemporal dengan menggabungkan satelit multispektral dan hiperspektral
Citra UAV untuk aplikasi pertanian presisi. IEEE J. Sel. Atas. aplikasi Obs Bumi. Sensor Jarak Jauh 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Pertanian berbasis IoT sebagai layanan cloud dan big data: awal dari digital India. J.Org. dan Komputasi Pengguna Akhir. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Analisis kutipan bersama dan pencarian perguruan tinggi yang tidak terlihat: evaluasi metodologis. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, F., Schmidhalter, U., 2017. Hitungan digital tanaman jagung oleh Unmanned Aerial Vehicles (UAV). Penginderaan Jauh 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto an, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Kendaraan udara tak berawak sayap-putar untuk pengawasan gulma air dan
pengelolaan. J. Intel. Sistem Robot.: Teori. aplikasi 57 (1-4), 467-484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand on, D., De Castro, AI, Lopez-Granados, F., 2014. Menilai akurasi mosaik dari citra kendaraan udara tak berawak (UAV) untuk tujuan pertanian presisi dalam gandum. Ikhtisar. pertanian. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand on, D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. Fenotip lapangan stres air pada skala pohon dengan citra penginderaan UAV : wawasan baru untuk
akuisisi termal dan kalibrasi. Ikhtisar. pertanian. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Penerapan dan keterbatasan menggunakan indeks stres air tanaman sebagai indikator defisit air di kebun jeruk. pertanian. Untuk. Meteorol. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, E., Nortes, PA, Alarcon, JJ, Intrigliolo, DS, Fereres, E., 2013. Menggunakan citra termal UAV resolusi tinggi untuk
menilai variabilitas status air lima spesies pohon buah-buahan dalam kebun komersial. Ikhtisar. pertanian. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Literasi keuangan: Tinjauan sistematis dan analisis bibliometrik. Int. J. Studi Konsumen 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, GJ, Engel, A., Teichert, B., 2008. Potensi fotogrametri UAV biaya rendah di bidang kehutanan dan pertanian. Arsip Internasional Ilmu Fotogrametri, Penginderaan Jauh, dan Informasi Spasial – Arsip ISPRS 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Menilai korelasi resolusi tinggi
NDVI dengan tingkat aplikasi pupuk dan hasil tanaman padi dan gandum menggunakan UAV kecil. Penginderaan Jauh 11 (2), 112.
Gundolf, K., Filser, M., 2013. Penelitian manajemen dan agama: analisis kutipan. J. Bis. Etika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simulasi CFD dan verifikasi eksperimental spasial dan distribusi temporal dari
aliran udara hilir UAV pertanian quad-rotor melayang-layang. Hitung. Elektron. pertanian. 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. , Polandia, J., 2016.
Penerapan sistem udara tak berawak untuk fenotipe throughput tinggi pembibitan gandum besar. Metode Tanaman 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. Pencitraan spektral dari UAV dalam berbagai kondisi pencahayaan . Dalam GG Bill R. (Ed.), Arsip Internasional Fotogrametri, Penginderaan Jauh, dan Ilmu Informasi Spasial—Arsip ISPRS (Vol. 40, Edisi 1W2, hlm. 189–194). Masyarakat Internasional untuk Fotogrametri dan Penginderaan Jauh. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L.Mengevaluasi teknik pemetaan vegetasi pulau dari udara tak berawak
gambar kendaraan (UAV): Klasifikasi piksel, interpretasi visual, dan pendekatan pembelajaran mesin. Int. J. Aplikasi Obs Bumi. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Pertanian cerdas melalui kepemimpinan yang bertanggung jawab di bangladesh: kemungkinan, peluang, dan seterusnya.
Keberlanjutan 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Kendaraan uji coba jarak jauh skala kecil dalam penelitian lingkungan. Kompas Geografi 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Kendaraan udara tak berawak skala kecil dalam penginderaan jauh lingkungan: tantangan dan peluang. GISci. Sensor Jarak Jauh 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Pertanian Internet of Things: teknologi dan aplikasi, (edisi ke-1. 2021). Peloncat.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Kuningan, JA, 2004.
Pencitraan dari kendaraan udara tak berawak: pengawasan pertanian dan dukungan keputusan. Hitung. Elektron. pertanian. 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, Fenotip bidang throughput tinggi tinggi tanaman gandum dan laju pertumbuhan dalam uji coba plot lapangan menggunakan penginderaan jauh berbasis UAV. Penginderaan Jauh 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. Pemrosesan dan penilaian spektrometri, citra stereoskopik yang dikumpulkan menggunakan kamera spektral UAV ringan untuk pertanian presisi. Penginderaan Jauh 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Layanan internet berbasis kendaraan udara tak berawak ketinggian rendah: survei komprehensif dan perspektif masa depan. IEEE Internet Things J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., Roberts, J., 2005. Gabungan aliran optik dan navigasi berbasis stereo dari ngarai perkotaan untuk UAV. Dalam: 2005 IEEE/RSJ
Konferensi Internasional tentang Robot dan Sistem Cerdas, hlm. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Platform pertanian IoT Kreatif untuk komputasi kabut awan. Mempertahankan. Hitung. Inf. Sistem 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Jaringan konvolusi penuh untuk pemetaan gulma kendaraan udara tak berawak ( UAV). PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Pembelajaran mendalam versus Analisis Gambar Berbasis Objek (OBIA) dalam pemetaan gulma citra UAV. Int. J.
Sensor Jarak Jauh 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. Kalibrasi warna dalam untuk citra UAV dalam pemantauan tanaman
menggunakan transfer gaya semantik dengan perhatian lokal ke global. Int. J. Aplikasi Obs Bumi. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Pengembangan dan prospek teknologi kendaraan udara tak berawak untuk produksi pertanian
pengelolaan. Int. J. Pertanian. Biol. Ind. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Pengembangan sistem semprot untuk platform kendaraan udara tak berawak. aplikasi Ind. pertanian. 25 (6), 803–809.
Hunt Jr., ER, Dean Hilves, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Akuisisi foto digital NIR-hijau-biru dari
pesawat tak berawak untuk pemantauan tanaman. Penginderaan Jauh 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Penginderaan jauh tanaman dan tanah berbasis satelit dan drone untuk pertanian cerdas – ulasan. Ilmu Tanah. Nutrisi Tanaman 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Tinjauan aplikasi dan teknologi komunikasi untuk Internet of Things (IoT) dan
Pertanian cerdas berkelanjutan berbasis Kendaraan Udara Tak Berawak (UAV). Keberlanjutan 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Menilai akurasi model permukaan digital resolusi tinggi yang dihitung dengan
PhotoScan® dan MicMac® dalam kondisi survei yang kurang optimal. Penginderaan Jauh 8 (6), https://doi.org/10.3390/rs8060465.
Jim´enez-Brenes, FM, Lopez-Granados, F., Castro, AI, Torres-S´ anchez, J., Serrano, N., Pena, JM, 2017. Mengukur dampak pemangkasan pada arsitektur pohon zaitun dan tahunan pertumbuhan tajuk dengan menggunakan pemodelan 3D berbasis UAV. Metode Tanaman 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Perkiraan kepadatan tanaman tanaman gandum saat muncul dari citra UAV ketinggian sangat rendah. Penginderaan Jauh
Mengepung. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sistem pemantauan produk pertanian didukung oleh komputasi awan. Komputasi Klaster. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Evaluasi kinerja beberapa sistem UAV untuk penginderaan jauh di bidang pertanian. Prosiding Lokakarya Visi dan Tindakan Robotik dalam Pertanian di Konferensi Internasional IEEE tentang Robotika dan Otomasi (ICRA), Brisbane, Australia, 21–26.
Ju, C., Putra, HI, 2018b. Beberapa sistem UAV untuk aplikasi pertanian: kontrol, implementasi, dan evaluasi. Elektronik 7 (9), 162. https://doi.org/10.3390/
elektronik7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Potensi penginderaan jauh dan kecerdasan buatan sebagai alat untuk meningkatkan
ketahanan sistem produksi pertanian. Curr. pendapat. Bioteknologi. 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. Teknik pramuka tanaman yang ditingkatkan yang menggabungkan pencitraan tanaman multispektral berbantuan kendaraan udara tak berawak ke dalam praktik pramuka konvensional untuk penyakit busuk batang bergetah pada semangka. Tanaman Dis. 103 (7), 1642-1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Kemajuan dalam penelitian media sosial: masa lalu, sekarang dan masa depan. Memberitahukan. Sistem Depan. 20
(3), 531 – 558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: jaringan deteksi penyakit anggur berdasarkan gambar multispektral dan peta kedalaman. Penginderaan Jauh 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Perbandingan citra multispektral berbasis satelit dan UAV untuk kebun anggur
penilaian variabilitas. Penginderaan Jauh 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain memungkinkan sistem asal yang dioptimalkan untuk industri makanan 4.0 menggunakan pembelajaran mendalam lanjutan. Sensor 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Deteksi penyakit tanaman berbasis gambar: dari pembelajaran mesin klasik hingga perjalanan pembelajaran mendalam. Komunikasi Nirkabel. Komputer Seluler. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Kerangka kerja semi-diawasi baru untuk klasifikasi tanaman/gulma berbasis UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Gambaran umum aplikasi penginderaan jauh termal saat ini dan potensial dalam pertanian presisi. Hitung. Elektron.
pertanian. 139, 22-32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolusi Internet of Things (IoT) dan dampak signifikannya di bidang Pertanian Presisi. Hitung. Elektron. pertanian. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Keterlibatan karyawan untuk organisasi berkelanjutan: analisis kata kunci menggunakan analisis jaringan sosial dan ledakan
pendekatan deteksi. Keberlanjutan 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, R., Hodl, P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrasi dari terestrial dan drone-borne
metode penginderaan hiperspektral dan fotogrametri untuk pemetaan eksplorasi dan pemantauan penambangan. Penginderaan Jauh 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Penghitungan tanaman jagung menggunakan deep learning dan gambar UAV. IEEE Geosci. Penginderaan Jauh Lett. 1-5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Pembelajaran mesin otomatis untuk fenotip tanaman berbasis gambar throughput tinggi. Penginderaan Jauh 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Tren teknologi modern dalam pengembangan ekosistem UAV kargo. J. Fisik. Kon. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Visual SLAM untuk peternakan dan pertanian dalam ruangan menggunakan drone kecil dengan kamera bermata: studi kelayakan.
Drone 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. Survei drone untuk otomatisasi pertanian dari menanam hingga
memanen. Dalam: INES 2018 – Konferensi Internasional ke-22 IEEE tentang Sistem Rekayasa Cerdas, hal. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Pandangan dan tantangan kerangka kerja UAV IoT: untuk melindungi drone sebagai "Sesuatu". Sensor 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Pemrosesan citra dan prosedur klasifikasi untuk analisis citra sub-desimeter yang diperoleh dengan pesawat tak berawak di atas gersang
padang rumput. GISci. Sensor Jarak Jauh 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Kendaraan udara tak berawak untuk pemetaan dan pemantauan rangeland: perbandingan dua sistem. Prosiding Konferensi Tahunan ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Alur kerja open source untuk pemetaan gulma di padang rumput asli
menggunakan kendaraan udara tak berawak: Menggunakan Rumex obtusifolius sebagai studi kasus. Eur. J.Remote Sens.54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Adopsi, profitabilitas, dan penggunaan yang lebih baik dari data pertanian presisi.
Kertas Kerja. Universitas Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Penilaian citra kendaraan udara tak berawak untuk pemantauan kuantitatif tanaman gandum di plot kecil. Sensor 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Desain pertanian cerdas berdasarkan data besar dan Internet of things. Int. J. Distribusi. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Estimasi jarak jauh tinggi kanopi dan biomassa jagung di atas permukaan tanah menggunakan gambar stereo resolusi tinggi dari sistem kendaraan udara tak berawak berbiaya rendah. Ekol. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Pembelajaran mesin di bidang pertanian: ulasan. Sensor 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Jarak jauh, fenotip udara sifat jagung dengan pendekatan multi-sensor seluler. Metode Tanaman 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Deteksi dan penghitungan malai sorgum menggunakan citra sistem udara tak berawak dan pembelajaran mendalam. Depan. Ilmu Tanaman. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Sistem pemantauan Internet of Things eko-pertanian modern berbasis komputasi awan. Akses IEEE 7, 37050–37058.
Lopez-Granados, F., 2011. Deteksi gulma untuk pengelolaan gulma spesifik lokasi: pemetaan dan pendekatan waktu nyata. Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, F., Torres-Sanchez, J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, J.-M. , 2016. Pemantauan awal gulma rumput di tanaman rumput berbasis objek menggunakan citra UAV resolusi tinggi. Agro. Mempertahankan. Dev. 36 (4), 1–12
Lopez-Granados, F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, J.-M., 2016. Pemetaan gulma awal musim pada bunga matahari menggunakan teknologi UAV: variabilitas peta perlakuan herbisida terhadap ambang gulma. Ikhtisar. pertanian. 17 (2), 183–199.
Lucieer, A., Malenovsk, Z., Veness, T., Wallace, L., 2014. HyperUAS – spektroskopi pencitraan dari sistem pesawat tak berawak multirotor. J. Lapangan Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Pemindaian laser terestrial dari tanaman pertanian. Di JJ
Chen J.Maas H–G. (Ed.), Arsip Internasional Fotogrametri, Penginderaan Jauh dan Ilmu Informasi Spasial—Arsip ISPRS (Vol. 37, hlm. 563–566).
Masyarakat Internasional untuk Fotogrametri dan Penginderaan Jauh. 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. Review klasifikasi citra tutupan lahan berbasis objek terawasi. ISPRS J. Fotogram. Penginderaan Jauh 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektif penginderaan jauh dengan kendaraan udara tak berawak dalam pertanian presisi. Tren Tanaman Sci. 24 (2), 152-164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Alat Cukur, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Fenotip kedelai berbasis sistem udara tak berawak (UAS) menggunakan multi-sensor data fusion dan extreme learning machine. ISPRS J. Fotogram. Sensor Jarak Jauh 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.
Pemantauan tanaman menggunakan fusi data satelit/UAV dan pembelajaran mesin. Penginderaan Jauh 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G ., Müllerova, J., Tauro, F., de Lima, M., de
Lima, J., Malta, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Tentang penggunaan sistem udara tak berawak untuk
pemantauan lingkungan. Penginderaan Jauh 10 (4), 641.
Marinko, RA, 1998. Kutipan ke jurnal studi wanita dalam disertasi, 1989 dan The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Manajemen sumber daya dalam jaringan nirkabel berbantuan UAV: perspektif pengoptimalan. Jaringan Ad Hoc. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Aplikasi praktis platform UAV multisensor berdasarkan gambar resolusi tinggi multispektral, termal, dan RGB secara presisi
pemeliharaan anggur. Pertanian 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Di luar indeks NDVI tradisional sebagai faktor kunci untuk mengarusutamakan penggunaan UAV dalam pemeliharaan anggur presisi. Sci. Rep. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 Interkomparasi UAV, pesawat terbang
dan platform penginderaan jauh satelit untuk pemeliharaan anggur yang presisi. Penginderaan Jauh 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV dan penyempurnaan berbasis pembelajaran mesin dari indeks vegetasi berbasis satelit untuk presisi
pertanian. Sensor 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Pemetaan penulis dalam ruang intelektual: tinjauan teknis. Selai. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Pemodelan erosi pertanian: mengevaluasi perkiraan erosi skala lapangan USLE dan WEPP menggunakan data deret waktu UAV. Mengepung. Model. Perangkat lunak 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Klasifikasi komunitas padang rumput asli dataran rendah menggunakan Citra Sistem Pesawat Tanpa Awak (UAS) hyperspectral di
Tanah tengah Tasmania. Drone 3 (1), 5.
Messina, G., Modica, G., 2020. Aplikasi citra termal UAV dalam pertanian presisi: keadaan seni dan prospek penelitian masa depan. Penginderaan Jauh 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Studi bibliografi tentang data besar: konsep, tren, dan tantangan. Manajer Proses Bisnis. J.23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Perbaikan tanaman menggunakan dataset siklus hidup yang diperoleh di bawah kondisi lapangan. Depan. Ilmu Tanaman. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Tinjauan penerapan sistem drone dalam pertanian presisi. Komputer Procedia. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Variabilitas spasial kandungan klorofil dan nitrogen beras dari citra hiperspektral. ISPRS J. Fotogram. Penginderaan Jauh 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. Analisis data IoT dan pertanian untuk pertanian pintar. Hitung. Elektron. pertanian. 156, 467–474.
Nansen, C., Elliott, N., 2016. Penginderaan jauh dan profil reflektansi dalam entomologi. annu. Pdt. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Pemetaan multispektral di bidang pertanian: mosaik medan menggunakan UAV quadcopter otonom. Int. Kon.
Sistem Pesawat Tanpa Awak. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Internet of drone things (Iodt): visi masa depan drone pintar. Adv. Intel. Sistem Hitung. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Sensor multispektral ringan untuk UAV mikro—peluang untuk penginderaan jauh di udara dengan resolusi sangat tinggi. Int. Lengkungan. Fotogram. Sensasi Jarak Jauh Meludah. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Munculnya aplikasi UAV di bidang pertanian. Dalam: Konferensi Internasional ke-2019 7 tentang Teknologi Kecerdasan Robot dan
Aplikasi (RiTA), hlm. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Struktur intelektual bidang manajemen strategis: analisis kutipan penulis. Strategi. Kelola. J.29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Identifikasi otomatis dan pemantauan penyakit tanaman menggunakan kendaraan udara tak berawak: tinjauan. Penginderaan Jauh 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV untuk aplikasi pemetaan 3D: ulasan. aplikasi Geomatika 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Estimasi evapotranspirasi dengan UAV kecil dalam pertanian presisi. Sensor 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrik, Analisis Citation dan Analisis Co-Citation. Tinjauan Sastra I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´ adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, sensor, dan pengolahan data dalam agroforestri: review terhadap aplikasi praktis. Int. J. Sensor Jarak Jauh 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, AS, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Tinjauan tentang solusi data berbasis drone untuk tanaman sereal. Drone 4 (3), 1-29. https://doi.org/10.3390/
drone4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Pendugaan kandungan minyak dan protein biji wijen menggunakan pengolahan citra dan jaringan syaraf tiruan. Selai. Minyak
Perkumpulan Ahli Kimia. 97 (7), 691–702.
Pena, JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, F., Suarez, O., Pemetaan gulma di ladang jagung awal musim menggunakan analisis berbasis objek dari
Gambar kendaraan udara tak berawak (UAV). PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, JM, Guti´errez, PA, Torres-S´ anchez, J., Herv as-Martínez, C.,
Lopez-Granados, F., 2015. Sistem semi-diawasi untuk pemetaan gulma pada tanaman bunga matahari menggunakan kendaraan udara tak berawak dan metode deteksi baris tanaman. aplikasi Komputer Lunak. J.37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Perangkat IoT hemat biaya sebagai sumber data tepercaya untuk sistem pengelolaan air berbasis blockchain dalam pertanian presisi. Hitung. Elektron. pertanian. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Sistem UAV–WSN canggih untuk pemantauan cerdas dalam pertanian presisi. Sensor 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Aplikasi Blockchain dalam rantai pasokan, transportasi dan logistik: tinjauan sistematis literatur. Int. J.Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Kendaraan udara tak berawak yang fleksibel untuk pertanian presisi.
Ikhtisar. pertanian. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliografi statistik atau bibliometrik. J. Dokumen. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Kesesuaian kendaraan udara tak berawak (UAV) untuk evaluasi bidang percobaan dan tanaman. Pertanian 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Drone pertanian: terobosan modern dalam pertanian presisi. J.Statistik. Kelola. Sistem 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Kompilasi aplikasi UAV untuk pertanian presisi. Hitung. jaringan 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Penerapan analitik data besar dan kecerdasan buatan dalam penelitian agronomi. India J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Analisis bibliometrik tentang penggunaan kendaraan udara tak berawak dalam studi pertanian dan kehutanan. Int. J. Penginderaan Jauh 40 (24),
9070-9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Potensi penggunaan sistem pesawat tak berawak kecil (UAS) dalam penelitian gulma. Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Apakah indeks vegetasi berasal dari kamera tingkat konsumen yang dipasang pada
UAV cukup andal untuk menilai plot percobaan? Eur. J.Agro. 74, 75-92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Digitalisasi dalam rantai pasokan makanan: tinjauan bibliometrik dan jalur utama rute-kunci
analisis. Keberlanjutan 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drone untuk manajemen rantai pasokan dan logistik: tinjauan dan agenda penelitian. Int. J. Logistik. Res. aplikasi
1-24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Teknologi Blockchain dalam logistik dan manajemen rantai pasokan: tinjauan bibliometrik. Logistik 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Drone kemanusiaan: tinjauan dan agenda penelitian. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Penelitian Blockchain dalam perawatan kesehatan: tinjauan bibliometrik dan tren penelitian saat ini. J. Data, Inf. dan
Kelola. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Penelitian Internet of Things dalam manajemen rantai pasokan dan logistik: analisis bibliometrik. Internet
dari Hal 12, 100318.
ReportLinker, 2021. Pasar Drone Pertanian Global Mencapai US$15.2 Miliar pada Tahun Ruang BeritaGlobeNewswire. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Tahun-2027.html.
Ribeiro-Gomes, K., Hernandez-L opez, D., Ortega, JF, Ballesteros, R., Poblete, T.,Moreno, MA, 2017. Kalibrasi dan optimalisasi kamera termal tanpa pendingin
proses fotogrametri untuk aplikasi UAV di bidang pertanian. Sensor (Swiss) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Kemajuan dalam penelitian perhotelan: "Dari Rodney Dangerfield ke Aretha Franklin". Int. J. Kontemporer. RSUD. Kelola. 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. Sistem sensorik berbasis mini-UAV untuk mengukur variabel lingkungan di rumah kaca. Sensor 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV tingkat konsumen digunakan untuk mendeteksi dan menganalisis pola distribusi spasial gulma akhir musim di ladang bawang komersial. Ikhtisar. pertanian. 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. Tak berawak sistem kamera spektral yang dioperasikan oleh kendaraan udara (UAV) untuk aplikasi hutan dan pertanian. Melanjutkan. SPIE – Int. Soc. Memilih. Ind. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analisis hambatan penerapan logistik drone. Int. J. Logistik. Res. aplikasi 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, drone berbasis IOT untuk peningkatan kualitas tanaman di bidang pertanian. Di SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-Januari, hlm. 612–615). Lembaga
dari Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: komunikasi berbasis LED yang baru dan efisien untuk pertanian presisi. IEEE Conf. Info. komuni. teknologi. 2019, 1-5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Eksperimen penerbangan UAV diterapkan pada penginderaan jauh area bervegetasi. Penginderaan Jauh 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.
Sistem pencitraan udara beresolusi tinggi dan rendah untuk fenotip tanaman baris dan ladang: ulasan. Eur. J.Agro. 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. Pencitraan termal berbasis UAV beresolusi tinggi untuk memperkirakan
variabilitas seketika dan musiman status air tanaman dalam kebun anggur. pertanian. Manajer Air. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Di luar analisis kutipan: Sebuah model untuk penilaian dampak penelitian. J. Med. Asosiasi Perpustakaan. : 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. Ilmu sistem bumi terkait pencitraan spektroskopi—penilaian. Lingkungan Penginderaan Jauh. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Pemantauan parameter agronomi tanaman gandum musim dingin dengan UAV murah
perumpamaan. Penginderaan Jauh 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Pengembangan dan penerapan kendaraan udara tak berawak otonom untuk pengambilan sampel aerobiologis yang tepat di atas
bidang pertanian. J. Lapangan Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Mengaktifkan pertanian presisi melalui penginderaan tertanam dengan kecerdasan buatan. IEEE Trans. alat musik. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Kendaraan Udara Tak Berawak (UAV): survei tentang aplikasi sipil dan tantangan penelitian utama. Akses IEEE 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Pertanian berbasis data besar: analitik data besar dalam pemuliaan tanaman, genomik, dan penggunaan penginderaan jauh
teknologi untuk meningkatkan produktivitas tanaman. Fenomena Tumbuhan J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Analisis Perbandingan dan Implikasi UAV dan AI dalam Investigasi Forensik. Dalam: Prosiding – 2019 Amity International
Konferensi Kecerdasan Buatan. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Peran kecerdasan buatan dalam manajemen rantai pasokan: pemetaan wilayah. Int. J.
Melecut. Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Uskup, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Mengatasi, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Kendaraan udara tak berawak untuk fenotipe throughput tinggi dan penelitian agronomi. PLoS SATU
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Menangkap heterogenitas tegakan jagung di seluruh zona stabilitas hasil menggunakan Unmanned Aerial
Kendaraan (UAV). Sensor 19 (20), 4446. https://doi.org/10.3390/s19204446.
Kecil, H., 1973. Co-kutipan dalam literatur ilmiah: ukuran baru hubungan antara dua dokumen. Selai. Soc. Info. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Memvisualisasikan sains dengan pemetaan kutipan. Selai. Soc. Info. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Penghitungan ternak di alam liar dengan geolokasi gambar udara di area padang rumput yang luas. Hitung. Elektron. pertanian. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Sebuah pendekatan untuk optimasi rute dalam aplikasi pertanian presisi menggunakan UAV. Drone 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Menerapkan pertanian presisi di abad ke-21. J. Pertanian. Ind. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Penilaian kekeringan gandum dengan citra penginderaan jauh menggunakan kendaraan udara tak berawak. Pada 2018 Konferensi Kontrol Cina (CCC) ke-37.
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Pemantauan karat kuning gandum dengan belajar dari citra udara UAV multispektral.
Hitung. Elektron. pertanian. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Inovasi manajemen ekonomi pertanian dalam proses membangun pertanian cerdas dengan data besar. Komputer Berkelanjutan. Inf. Sistem 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Mengevaluasi sensitivitas sistem udara inframerah termal tak berawak untuk mendeteksi tekanan air di kanopi kapas. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integrasi indeks vegetasi berbasis RGB, model permukaan tanaman dan pendekatan analisis citra berbasis objek untuk estimasi hasil tebu menggunakan kendaraan udara tak berawak. Hitung. Elektron. pertanian. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Suomalainen, J., Anders, N., Iqbal, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. Sistem pemetaan hiperspektral ringan untuk
kendaraan udara tak berawak—hasil pertama. Dalam: Lokakarya ke-2013 5 tentang Pemrosesan Gambar dan Sinyal Hiperspektral: Evolusi dalam Penginderaan Jauh (WHISPERS), hlm. 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. Sebuah hiperspektral ringan
sistem pemetaan dan rantai pemrosesan fotogrametri untuk kendaraan udara tak berawak. Penginderaan Jauh 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Strategi kontrol lanjutan menggunakan pemrosesan gambar, UAV, dan AI di bidang pertanian: Tinjauan. Dunia J.Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Pengolahan informasi menggunakan kutipan untuk menyelidiki pengaruh jurnal dalam akuntansi. Inf. Proses. Mengelola. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Survei tentang jaringan 5G dan dampaknya terhadap pertanian: tantangan dan peluang. Hitung.
Elektron. pertanian. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Pengambilan keputusan berbasis data dalam pertanian presisi: munculnya data besar dalam sistem pertanian. J. Pertanian. Informasi Makanan.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Estimasi hasil dan tinggi tanaman gandum musim dingin menggunakan UAV- berbasis gambar hiperspektral.
Sensor 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Pengambilan sampel aerobiologis terkoordinasi dari patogen tanaman di atmosfer bawah menggunakan dua kendaraan udara tak berawak otonom. J. Lapangan Rob. 27 (3), 335–343. https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020. Deteksi dan klasifikasi hama kedelai menggunakan deep learning
dengan gambar UAV. Hitung. Elektron. pertanian. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. Penggunaan Uas untuk Menilai Sistem Pertanian di Lahan Basah AN di Tanzania di— Dan Musim Basah untuk Pertanian Berkelanjutan dan Memberikan Kebenaran Dasar untuk Data Terra-Sar X. Dalam: ISPRS – Arsip Internasional Fotogrametri, Penginderaan Jauh dan Ilmu Informasi Spasial, hal. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrik ke webometrics. J.Info. Sci. 34 (4), 605–621.
Torres-Sanchez, J., Lopez-Granados, F., Pena, JM, 2015. Sebuah metode berbasis objek otomatis untuk thresholding optimal dalam gambar UAV: aplikasi untuk deteksi vegetasi pada tanaman herba. Hitung. Elektron. pertanian. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Torres-Sanchez, J., Lopez-Granados, F., Serrano, N., Arquero, O., Pena, JM, Hassan, QK, 2015. Pemantauan 3-D throughput tinggi dari perkebunan pohon pertanian dengan Teknologi Unmanned Aerial Vehicle (UAV). PLoS SATU 10 (6), e0130479.
Torres-Sanchez, J., Pena, JM, de Castro, AI, Lopez-Granados, F., 2014. Pemetaan multi-temporal dari fraksi vegetasi di ladang gandum awal musim menggunakan gambar dari UAV. Hitung. Elektron. pertanian. 103, 104-113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Review aplikasi berbasis UAV untuk pertanian presisi. Informasi (Swiss) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Mengoptimalkan perencanaan penerbangan drone untuk mengukur struktur tanaman pohon hortikultura. ISPRS J. Fotogram.
Sensor Jarak Jauh 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 di bidang pertanian, kemajuan terkini dan tantangan masa depan. Biosis. Ind. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Pemetaan scientometric penelitian ilmu komputer di Meksiko. Scientometrics 105 (1), 97–114.
PBB., 2019. Prospek populasi dunia 2019. https://population.un.org/wpp/ (Diakses pada 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Karakterisasi sawah oleh sistem sensor hyperspectral miniatur UAVmount. IEEE J. Sel. Atas. aplikasi Obs Bumi.
Sensor Jarak Jauh 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Drone in
pertanian. Adv. Agro. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Kendaraan Udara Tak Berawak (UAV) dalam pertanian presisi: aplikasi dan tantangan. Energi 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Pemetaan dan klasifikasi habitat laut yang sensitif secara ekologis menggunakan Unmanned Aerial
Citra Kendaraan (UAV) dan Analisis Citra Berbasis Objek (OBIA). Penginderaan Jauh 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Indeks area hijau dari sistem udara tak berawak atas gandum dan tanaman lobak . Lingkungan Penginderaan Jauh. 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. Menyebarkan empat sensor berbasis UAV optik di atas padang rumput: tantangan dan
keterbatasan. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet hal-hal bawah tanah dalam pertanian presisi: aspek arsitektur dan teknologi. Jaringan Ad Hoc. 81,
160-173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Kecerdasan buatan yang bertanggung jawab sebagai bahan rahasia untuk kesehatan digital: analisis bibliometrik, wawasan, dan arah penelitian.
Info. Sistem Depan. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Analisis bibliometrik tren penelitian penginderaan jauh dalam pemantauan pertumbuhan tanaman: Studi kasus di Cina. Penginderaan Jauh 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Penulisan cocitation: Sebuah ukuran literatur struktur intelektual. Selai. Soc. Info. Sci. 32 (3), 163-171.
Xiang, H., Tian, L., 2011. Pengembangan sistem penginderaan jauh pertanian berbiaya rendah berdasarkan kendaraan udara tak berawak otonom (UAV). Biosis. Ind. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Tinjauan tentang sifat fenotip tanaman dengan throughput tinggi menggunakan sensor berbasis UAV. Hitung. Elektron. pertanian. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Kendaraan udara tak berawak untuk aplikasi penginderaan jauh — ulasan. Penginderaan Jauh 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Memindahkan pelacakan orang dan menghilangkan jejak palsu dengan pencitraan termal inframerah oleh multirotor. Drone 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. Perbandingan estimasi parameter tanaman menggunakan gambar dari UAV-mount
snapshot hyperspectral sensor dan kamera digital definisi tinggi. Penginderaan Jauh 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Estimasi biomassa gandum musim dingin di atas tanah menggunakan kendaraan udara tak berawak- snapshot berbasis
sensor hyperspectral dan model tinggi tanaman ditingkatkan. Penginderaan Jauh 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Menggunakan kendaraan udara tak berawak ringan untuk memantau pemulihan hutan tropis. Biol.
Konservasi 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.
Platform IoT pertanian cerdas berdasarkan komputasi edge dan cloud. Biosis. Ind. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Kuantifikasi tinggi pohon menggunakan citra resolusi sangat tinggi yang diperoleh dari udara tak berawak
kendaraan (UAV) dan metode rekonstruksi foto 3D otomatis. Eur. J.Agro. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Fenotip berbasis gambar intensitas berbunga pada tanaman musim dingin. Sensor 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Penerapan sistem udara tak berawak kecil untuk pertanian presisi: tinjauan. Ikhtisar. pertanian. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Pemetaan stres air jagung berdasarkan penginderaan jauh multispektral UAV. Penginderaan Jauh 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz alez-Moreno, P., Ma, H., Ye, H., Sobeih , T., 2019. Pendekatan berbasis pembelajaran mendalam untuk karat kuning otomatis
deteksi penyakit dari gambar UAV hiperspektral resolusi tinggi. Penginderaan Jauh 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Deteksi dan diskriminasi penyakit dan stres serangga tanaman teh menggunakan pencitraan hiperspektral dikombinasikan dengan analisis wavelet. Hitung. Elektron. pertanian. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropi dipandu adaptasi domain permusuhan untuk segmentasi semantik gambar udara. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Deteksi fenologi padi melalui analisis deret waktu spektral berbasis tanah data indeks. Tanaman Lahan Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Desain sistem penyemaian kebocoran pertanian presisi berdasarkan sensor nirkabel. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analisis perubahan tinggi tanaman jagung bersarang menggunakan data UAV-LiDAR. Pertanian 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Jagung-IAS: Perangkat lunak analisis gambar jagung menggunakan pembelajaran mendalam untuk fenotip tanaman dengan throughput tinggi . Metode Tanaman 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. Memprediksi hasil biji-bijian di padi menggunakan vegetasi multi-temporal
indeks dari citra multispektral dan digital berbasis UAV. ISPRS J. Fotogram. Sensor Jarak Jauh 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulasi teknologi inti dari sistem pemantauan rumah kaca berdasarkan jaringan sensor nirkabel. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Penilaian untuk tekanan air tanaman dengan citra termal inframerah dalam pertanian presisi: tinjauan
dan prospek masa depan untuk aplikasi pembelajaran mendalam. Hitung. Elektron. pertanian. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.