Abderahman Rejeb a , Alireza Abdollahi b , Karim Réjeb c , Horst Treiblmaier d,
- a Département de gestion et de droit, Faculté d'économie, Université de Rome Tor Vergata, Via Columbia, 2, Rome 00133, Italie
- b Département d'administration des affaires, Faculté de gestion, Université Kharazmi, 1599964511 Téhéran, Iran
- c Faculté des Sciences de Bizerte, Université de Carthage, Zarzouna, 7021 Bizerte, Tunisie
- d École de gestion internationale, Modul University Vienna, Am Kahlenberg 1, 1190 Vienne, Autriche
INFORMATIONS SUR L'ARTICLE | RÉSUMÉ |
Mots clés: Drones UAV Agriculture de précision Internet des Objets (IoT) Bibliométrie | Les drones, également appelés véhicules aériens sans pilote (UAV), ont connu un développement remarquable au cours des dernières décennies. Dans le domaine agricole, ils ont modifié les pratiques agricoles en offrant aux agriculteurs des économies substantielles, une augmentation efficacité opérationnelle et meilleure rentabilité. Au cours des dernières décennies, le sujet des drones agricoles a a attiré une attention académique remarquable. Nous procédons donc à une revue complète basée sur la bibliométrie résumer et structurer la littérature universitaire existante et révéler les tendances et les points chauds actuels de la recherche. Nous appliquer des techniques bibliométriques et analyser la littérature entourant les drones agricoles pour résumer et évaluer les recherches antérieures. Notre analyse indique que la télédétection, l’agriculture de précision, l’apprentissage profond, l’apprentissage automatique et l’Internet des objets sont des sujets critiques liés aux drones agricoles. La co-citation L’analyse révèle six grands groupes de recherche dans la littérature. Cette étude est l’une des premières tentatives visant à résumer la recherche sur les drones en agriculture et à suggérer de futures orientations de recherche. |
Introduction
L'agriculture représente la principale source alimentaire du monde (Friha et al., 2021), et elle est confrontée à de graves défis en raison de la
demande croissante de produits alimentaires, de sécurité alimentaire et de problèmes de sécurité, ainsi que d'appels à la protection de l'environnement, à la préservation de l'eau et à la protection de l'environnement.
durabilité (Inoue, 2020). Cette évolution devrait se poursuivre puisque la population mondiale devrait atteindre 9.7 milliards d’ici 2050.
(2019). Étant donné que l’agriculture constitue l’exemple le plus frappant de consommation d’eau à l’échelle mondiale, on s’attend à ce que la demande alimentaire et l’eau
la consommation augmentera considérablement dans un avenir prévisible. Par ailleurs, la consommation croissante d’engrais et de pesticides
couplée à l’intensification des activités agricoles pourrait conduire à de futurs défis environnementaux. De même, les terres arables sont limitées et
Le nombre d’agriculteurs diminue dans le monde. Ces défis accentuent la nécessité de solutions agricoles innovantes et durables (Elijah
et coll., 2018 ; Friha et coll., 2021 ; Inoué, 2020 ; Tzounis et al., 2017).
L’intégration de nouvelles technologies a été identifiée comme une solution prometteuse pour relever ces défis. L'agriculture intelligente (Brewster et al.,
2017 ; Tang et al., 2021) et l’agriculture de précision (Feng et al., 2019 ; Khanna & Kaur, 2019) sont le résultat de ces débats. Le
La première est une notion générale pour l’adoption des technologies de l’information et de la communication (TIC) et d’autres innovations de pointe dans les activités agricoles afin d’accroître l’efficience et l’efficacité (Haque et al., 2021). Cette dernière se concentre sur une gestion spécifique au site dans laquelle le terrain est divisé en
des parties homogènes, et chaque partie reçoit la quantité exacte d'intrants agricoles pour optimiser le rendement des cultures au moyen de nouvelles technologies (Feng et al., 2019 ; Khanna & Kaur, 2019). Les principales technologies qui ont attiré l'attention des chercheurs dans ce domaine comprennent les réseaux de capteurs sans fil (WSN) (J. Zheng et Yang, 2018 ; Y. Zhou et al., 2016), l'Internet des objets (IoT) (Gill et al., 2017 ; He et al., 2021 ; Liu et al., 2019),
techniques d'intelligence artificielle (IA), notamment l'apprentissage automatique et l'apprentissage profond (Liakos et al., 2018 ; Parsaeian et al., 2020 ; Shadrin et al.,
2019), technologies informatiques (Hsu et al., 2020 ; Jinbo et al., 2019 ; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017 ; Tantalaki
et al., 2019) et blockchain (PW Khan et al., 2020 ; Pincheira et al., 2021).
Outre les technologies mentionnées ci-dessus, la télédétection est considérée comme un outil technologique doté d'un fort potentiel d'amélioration.
agriculture intelligente et de précision. Les satellites, les avions à équipage humain et les drones sont des technologies de télédétection populaires (Tsouros et al., 2019).
Les drones, communément appelés véhicules aériens sans pilote (UAV), systèmes d'avions sans pilote (UAS) et avions télépilotés, sont de
d'une grande importance car elles présentent de multiples avantages par rapport aux autres technologies de télédétection. Par exemple, les drones peuvent livrer
des images de haute qualité et haute résolution par temps nuageux (Manfreda et al., 2018). Aussi, leur disponibilité et leur vitesse de transfert constituent d'autres
avantages (Radoglou-Grammatikis et al., 2020). Comparés aux avions, les drones sont très rentables et faciles à installer et à entretenir (Tsouros et al., 2019). Bien qu’ils soient initialement principalement utilisés à des fins militaires, les drones peuvent bénéficier de nombreuses applications civiles, par exemple dans la gestion de la chaîne d’approvisionnement (A. Rejeb, Rejeb, et al., 2021a), à des fins humanitaires (A. Rejeb, Rejeb, et al., 2021c), l'agriculture intelligente, l'arpentage et la cartographie, la documentation du patrimoine culturel, la gestion des catastrophes et la conservation des forêts et de la faune (Paday, Pratihast, et al., 2020). Dans l'agriculture, il existe de nombreux domaines d'application des drones, car ils peuvent être intégrés à de nouvelles technologies, capacités informatiques et capteurs embarqués pour soutenir la gestion des cultures (par exemple, cartographie, surveillance, irrigation, diagnostic des plantes) (H. Huang et al., 2021). , la réduction des catastrophes, les systèmes d’alerte précoce, la conservation de la faune et des forêts, pour n’en citer que quelques-uns (Negash et al., 2019). De même, les drones pourraient être utilisés dans plusieurs activités agricoles, notamment la surveillance des cultures et de la croissance, l’estimation du rendement, l’évaluation du stress hydrique et la détection des mauvaises herbes, des ravageurs et des maladies (Inoue, 2020 ; Panday, Pratihast et al., 2020). Les drones peuvent non seulement être utilisés à des fins de surveillance, d’estimation et de détection sur la base de leurs données sensorielles, mais également pour une irrigation de précision et une gestion précise des mauvaises herbes, des ravageurs et des maladies. En d’autres termes, les drones sont capables de pulvériser de l’eau et des pesticides en quantités précises en fonction de données environnementales. Les avantages des drones en agriculture sont résumés dans le tableau 1.
Principaux avantages des drones en agriculture.
Profiter | Références) |
Améliorer le temps et l'espace résolutions de détection | (Gago et al., 2015 ; Niu et al., 2020 ; Srivastava et al., 2020) |
Faciliter l’agriculture de précision | (L. Deng et al., 2018 ; Kalischuk et al., 2019 ; Maimaitijiang et al., 2017) |
Classement et dépistage des cultures | (Inoue, 2020 ; Kalischuk et al., 2019 ; Lopez- ´ Granados et coll., 2016 ; Maimaitijiang et al., 2017 ; Melville et coll., 2019 ; Moharana et Dutta, 2016) |
Utilisation d'engrais | (L. Deng et al., 2018 ; Guan et al., 2019) |
Surveillance de la sécheresse | (Fawcett et al., 2020 ; Panday, Pratihast et al., 2020 ; Su et coll., 2018) |
Estimation de la biomasse | (Bendig et coll., 2014) |
Estimation du rendement | (Inoue, 2020 ; Panday, Shrestha et al., 2020 ; Tao et al., 2020) |
Réduction des catastrophes | (Negash et coll., 2019) |
Conservation de la faune et sylviculture | (Negash et coll., 2019 ; Panday, Pratihast et coll., 2020) |
Évaluation du stress hydrique | (Inoue, 2020 ; J. Su, Coombes et al., 2018 ; L. Zhang et coll., 2019) |
Ravageurs, mauvaises herbes et maladies détection | (Gaˇsparovi´c et al., 2020 ; Inoue, 2020 ; J. Su, Liu, et coll., 2018 ; X. Zhang et al., 2019) |
D’un autre côté, les drones sont également confrontés à des limites. Implication du pilote, puissance moteur, stabilité et fiabilité, qualité des capteurs due à la charge utile
les limitations de poids, les coûts de mise en œuvre et la réglementation de l’aviation en font partie (C. Zhang et Kovacs, 2012). Nous comparons les lacunes
des trois technologies de télédétection mobiles présentées dans le tableau 2. D'autres technologies de télédétection, telles que les capteurs de sol, dépassent le cadre de cette étude.
Lacunes des diverses technologies de télédétection mobile.
Télédétection technologies | Défauts | Bibliographie |
Drone (UAV) | Implication du pilote ; images' qualité (moyenne); coûts de mise en œuvre (moyens); stabilité, maniabilité et fiabilité; standardisation; puissance du moteur; puissance limitée sources (durée de vie de la batterie) ; durée de vol limitée, collision et les cyberattaques ; limité poids de la charge utile ; grands ensembles de données et traitement limité des données capacités ; manque de réglementation; manque d'expertise, entrée élevée les obstacles à l'accès à drones agricoles ; | (Bacco et al., 2018 ; Dawaliby et coll., 2020 ; Hardin et Hardin, 2010 ; Hardin et Jensen, 2011 ; Lagkas et coll., 2018 ; Laliberté et coll., 2007; Laliberté et Rango, 2011; Manfreda et coll., 2018, 2018 ; Nebiker et coll., 2008 ; Purî et coll., 2017 ; Velusamy et coll., 2022 ; C. Zhang et Kovacs, 2012) |
Satellite | Couverture satellite périodique, résolution spectrale limitée ; vulnérabilité aux problèmes de visibilité (par exemple, des nuages) ; Indisponibilité et faible vitesse de transfert ; orientation et vignettage affecte des données spatiales coûteuses collection; livraison lente des données il est temps pour les utilisateurs finaux | (Aboutalebi et al., 2019 ; Cen et coll., 2019 ; Chen et coll., 2019 ; Nansen et Elliott, 2016 ; Panday, Pratihast, et coll., 2020 ; Sai Vineeth et al., 2019) |
Avions | Coûts d'adoption élevés ; configuration compliquée; coûts de maintenance; indisponibilité de données fiables avions, géométrie du images; données non régulières acquisition; manque de flexibilité; accidents mortels; données du capteur variations dues aux vibrations ; problèmes de géoréférencement | (Armstrong et coll., 2011 ; Atkinson et coll., 2018 ; Barbedo et Koenigkan, 2018 ; Kovalev et Vorochilova, 2020 ; Suomalainen et coll., 2013 ; Thamm et coll., 2013) |
En tant que technologie multidisciplinaire et polyvalente en agriculture, les drones ont été étudiés sous différents angles. Par exemple, les chercheurs ont examiné les applications des drones dans l’agriculture (Kulbacki et al., 2018 ; Mogili & Deepak, 2018), leur contribution à l’agriculture de précision (Puri et al., 2017 ; Tsouros et al., 2019), leur complémentarité avec d’autres technologies de pointe (Al-Thani et al., 2020 ; Dutta & Mitra, 2021 ; Nayyar et al., 2020 ; Saha et al., 2018), et les possibilités de faire progresser leurs capacités de navigation et de détection (Bareth et al. , 2015 ; Suomalainen et al., 2014). Étant donné que la recherche sur les applications des drones en agriculture est devenue répandue (Khan et al., 2021)), il est nécessaire de résumer la littérature existante et de révéler la structure intellectuelle du domaine. De plus, étant donné qu’il s’agit d’un domaine de haute technologie en constante amélioration, des examens structurés doivent être menés pour résumer périodiquement la littérature existante et identifier les lacunes importantes de la recherche. À
À ce jour, peu de revues traitent des applications des drones dans le secteur agricole. Par exemple, Mogili et Deepak (2018) ont brièvement passé en revue les implications des drones pour la surveillance des cultures et la pulvérisation de pesticides. Inoue (2020) mène une étude sur l'utilisation des satellites et des drones dans la télédétection en agriculture. L’auteur explore les défis technologiques liés à l’adoption de l’agriculture intelligente et les apports des satellites et des drones à partir d’études de cas et de bonnes pratiques. Tsouros et coll. (2019) résument différents types de drones et leurs principales applications en agriculture, mettant en avant diverses méthodes d'acquisition et de traitement des données. Plus récemment, Aslan et al. (2022) ont mené une revue complète des applications des drones dans les activités agricoles et ont souligné la pertinence de la localisation et de la cartographie simultanées pour un drone en serre. Diaz-Gonzalez et coll. (2022) ont examiné des études récentes sur la production de rendement des cultures basées sur différentes techniques d'apprentissage automatique et à distance.
systèmes de détection. Leurs résultats ont indiqué que les drones sont utiles pour estimer les indicateurs de sol et surpassent les systèmes satellitaires en termes de résolution spatiale, de temporalité des informations et de flexibilité. Basiri et coll. (2022) ont procédé à un examen exhaustif des différentes approches et méthodes permettant de surmonter les défis de planification de trajectoire pour les drones multi-rotors dans le contexte de l’agriculture de précision. De plus, Awais et al. (2022) ont résumé l’application des données de télédétection par UAV dans les cultures pour estimer l’état de l’eau et ont fourni une synthèse approfondie de la capacité prospective de la télédétection par UAV pour l’application du stress des déchets. Enfin, Aquilani et al. (2022) ont examiné les technologies agricoles de prévision appliquées aux systèmes d'élevage basés sur les pâturages et en ont déduit que la télédétection activée par les drones est avantageuse pour l'évaluation de la biomasse et la gestion des troupeaux.
En outre, des efforts visant à utiliser des drones pour la surveillance, le suivi et le rassemblement du bétail ont été signalés récemment.
Bien que ces revues apportent des informations nouvelles et importantes, aucune revue complète et à jour basée sur la bibliométrie ne peut être trouvée dans la littérature, ce qui présente un manque évident de connaissances. De plus, il a été affirmé que lorsque la production scientifique augmente dans un domaine scientifique, il devient essentiel pour les chercheurs d’utiliser des approches d’examen quantitatif pour comprendre la structure des connaissances du domaine (Rivera et Pizam, 2015). De même, Ferreira et al. (2014) soutiennent qu’à mesure que les domaines de recherche évoluent et deviennent complexes, les chercheurs devraient occasionnellement s’efforcer de donner un sens aux connaissances générées et accumulées afin de révéler de nouvelles contributions, de saisir les traditions et les tendances de la recherche, d’identifier les sujets étudiés et d’approfondir la structure des connaissances de ces domaines. le domaine et les orientations potentielles de la recherche. Alors que Raparelli et Bajocco (2019) ont mené une analyse bibliométrique pour examiner le domaine de connaissances des applications des drones dans l’agriculture et la foresterie, leur étude ne prend en compte que les recherches scientifiques publiées entre 1995 et 2017, ce qui ne reflète pas la dynamique de ce domaine en évolution rapide. De plus, les auteurs n’ont pas tenté d’identifier les contributions les plus influentes dans le domaine, de regrouper la littérature et d’évaluer la structure intellectuelle à l’aide d’une analyse de co-citation. En conséquence, il est nécessaire de résumer la littérature pour révéler les axes de recherche, les tendances et les points chauds actuels.
Pour combler ce manque de connaissances, nous exploitons une méthodologie quantitative et des méthodes bibliométriques rigoureuses pour examiner l’état actuel de la recherche à l’intersection des drones et de l’agriculture. Nous soutenons que la présente étude apporte plusieurs contributions à la littérature existante en examinant une technologie émergente qui est extrêmement nécessaire en agriculture car elle offre un énorme potentiel pour modifier plusieurs aspects de ce secteur. La nécessité d’une analyse bibliométrique des drones agricoles se fait d’autant plus sentir compte tenu des connaissances dispersées et fragmentées sur les drones dans le contexte agricole. De même, la littérature relative aux drones agricoles doit être systématiquement regroupée, en considérant les études les plus influentes qui jettent les bases de ce domaine de recherche. Le mérite de l’analyse comprend également la clarification des principaux thèmes de recherche représentés dans la littérature. Compte tenu du potentiel transformationnel de la technologie, nous postulons qu'une analyse approfondie du réseau produit de nouvelles informations en déterminant des travaux influents et en révélant des thèmes concernant le potentiel des drones pour l'agriculture.
Nous nous efforçons donc d’atteindre les objectifs de recherche suivants :
- Identification de publications influentes ayant des contributions exceptionnelles aux applications des drones dans le domaine de l'agriculture.
- Regroupement de la littérature, identification des axes de recherche et cartographie des principales études de « structure intellectuelle » basée sur la similarité sémantique en utilisant l'analyse de co-citation.
- Compréhension de l'évolution des liens et des réseaux de citations au fil du temps entre diverses publications dans le domaine et identification des orientations de recherche futures et des sujets d'actualité.
Le reste du document est structuré comme suit : la section 2 décrit la méthodologie et les étapes de collecte de données ; la section 3 fournit les résultats des analyses ; et la section 4 discute des résultats et se termine par des contributions à la recherche, des implications et des orientations futures.
Méthodologie
Dans cette étude de recherche actuelle, nous effectuons une analyse bibliométrique pour explorer les applications des drones en agriculture. Cette approche quantitative révèle la structure intellectuelle du domaine de connaissance (Arora & Chakraborty, 2021) ainsi que l'état actuel, les sujets d'actualité et les orientations de recherche futures qui peuvent être étudiées en appliquant cette méthode (Kapoor et al., 2018 ; Mishra et al. , 2017 ; A. Rejeb, Rejeb, et al., 2021b ; A. Rejeb et al., 2021d ; MA Rejeb et al., 2020). Généralement, une analyse bibliométrique examine la littérature existante pour résumer et découvrir les modèles cachés de communication écrite et l'évolution de la discipline basée sur les statistiques et les méthodes mathématiques, et elle s'applique à de grands ensembles de données (Pritchard, 1969 ; Small, 1999 ; Tahai et Rigsby). , 1998). En utilisant la bibliométrie, nous aspirons à mieux comprendre les paradigmes existants et les axes de recherche qui contribuent au domaine basé sur la similarité (Thelwall, 2008). La bibliométrie fournit de nouvelles informations soutenues par la force quantitative objective de la méthodologie (Casillas & Acedo, 2007). De nombreux chercheurs ont déjà mené des études bibliométriques dans des domaines connexes, notamment l'agriculture, la télédétection et la transformation numérique (Armenta-Medina et al., 2020 ; Bouzembrak et al., 2019 ; A. Rejeb, Treiblmaier, et al., 2021 ; Wamba & Queiroz, 2021 ; Wang et al., 2019).
Analyse des citations
L'analyse des citations révèle diverses informations sur un domaine de recherche donné. Tout d’abord, cela permet de révéler les auteurs et publications les plus influents qui contribuent à un domaine de recherche donné et ont un impact significatif (Gundolf & Filser, 2013). Deuxièmement, le flux de connaissances et les liens de communication entre les auteurs peuvent être découverts. Enfin, en traçant les liens entre les ouvrages cités et citants, on peut explorer les changements et l'évolution d'un domaine de connaissance au fil du temps (Pournader
et coll., 2020). Un nombre élevé de citations d'une publication reflète sa pertinence et ses contributions substantielles au domaine de recherche (Baldi, 1998 ; Gundolf & Filser, 2013 ; Marinko, 1998). L'analyse des citations des publications permet également d'identifier les ouvrages pertinents et de suivre leur popularité et leur progression au fil du temps.
Analyse de co-citation de documents
L'analyse de co-citation est une méthode précieuse pour explorer les relations entre les publications et décrire la structure intellectuelle d'un domaine (Nerur et al., 2008). En d’autres termes, en identifiant les publications les plus citées et leurs liens, la méthode regroupe les publications en groupes de recherche distincts dans lesquels les publications d’un groupe partagent régulièrement des idées similaires (McCain, 1990 ; Small, 1973). Il est crucial de mentionner que la similarité ne signifie pas que les résultats des publications sont
cohérents et d’accord les uns avec les autres ; les publications appartiennent au même groupe en raison de la similitude des sujets, mais elles peuvent avoir des points de vue contradictoires.
Collecte et analyse de données
Suivant la méthodologie proposée par White et Griffith (1981), nous avons effectué une recherche approfondie d'articles de revues couvrant l'ensemble du domaine de recherche sur les applications des drones en agriculture, en suivant les cinq étapes suivantes :
- La première étape a été la collecte de données. Scopus a été sélectionné comme l'une des bases de données les plus complètes et les plus fiables avec des résultats standardisés. Les métadonnées des publications liées à toutes les applications des drones en agriculture ont été récupérées. Ensuite, nous avons analysé les articles sélectionnés, en supprimant les articles hors sujet de l'analyse.
- Nous avons analysé la littérature et identifié les mots-clés les plus importants utilisés dans le domaine de recherche.
- À l’aide de l’analyse des citations, nous avons exploré le lien entre les auteurs et les documents pour révéler les modèles de citation sous-jacents. Nous avons également identifié les auteurs et publications les plus influents ayant des contributions significatives dans le domaine des drones agricoles.
- Nous avons effectué une analyse de co-citation pour regrouper les publications similaires en clusters.
- Enfin, nous avons analysé les connexions et les liens entre les pays, les institutions et les revues pour décrire le réseau de collaboration.
Identification des termes de recherche appropriés
Nous avons appliqué les chaînes de recherche suivantes pour l'agrégation des données : (drone* OU « véhicule aérien sans pilote » OU uav* OU « système d'avion sans pilote »" OU alors OU « avion télépiloté") ET (agricole OU agriculture OU agriculture OU agriculteur). La recherche a été menée en septembre 2021. Les drones portent plusieurs désignations, notamment UAV, UAS et avion télépiloté (Sah et al., 2021). Les termes de recherche spécifiques liés à l'agriculture ont été identifiés sur la base de l'étude d'Abdollahi et al. (2021). Par souci de clarté et de transparence, la requête exacte que nous avons utilisée est donnée en annexe 1. Suite à un processus de nettoyage des données, nous avons créé un fichier texte qui a ensuite été chargé dans BibExcel, un outil commun d'analyse des citations et des co-citations. Cet outil offre également une interaction simple avec d’autres logiciels et offre un degré important de liberté dans la manipulation et l’analyse des données. VOSviewer version 1.6.16 a été utilisé pour visualiser les résultats et générer les réseaux bibliométriques (Eck & Waltman, 2009). VOSviewer propose une gamme de visualisation intuitive, notamment pour l'analyse de cartes bibliométriques (Geng et al., 2020). De plus, il aide à fournir des résultats visuels clairs qui aident à mieux comprendre les résultats (Abdollahi et al., 2021). En appliquant les chaînes de recherche indiquées ci-dessus, nous avons rassemblé et stocké toutes les publications pertinentes. Les premiers résultats de recherche ont donné un total de 5,085 4,700 documents. Pour garantir la qualité de l'échantillon sélectionné, seuls les articles de revues évaluées par des pairs ont été pris en compte dans la recherche, ce qui a entraîné l'exclusion d'autres types de documents, tels que des livres, des chapitres, des actes de conférence et des notes éditoriales. Au cours d'un processus de sélection, les publications non pertinentes (c'est-à-dire dépassant le cadre de ce travail), redondantes (c'est-à-dire les doublons provenant d'une double indexation) et non anglophones ont été filtrées. Ce processus a abouti à l'inclusion de XNUMX XNUMX documents dans l'analyse finale.
Conclusions et discussion
Dans un premier temps, nous avons analysé l’évolution de la production de publications dans la littérature actuelle sur les drones agricoles. La répartition temporelle de la recherche scientifique est illustrée à la figure 1. Nous constatons une augmentation rapide des publications à partir de 2011 (30 publications) ; nous avons donc décidé de diviser la période d’analyse en deux étapes différentes. Nous appelons la période entre 1990 et 2010 la phase de construction, au cours de laquelle environ sept articles ont été publiés chaque année. La période post-2010 a été qualifiée de phase de croissance, car la recherche sur les applications des drones dans l’agriculture a connu un essor exponentiel au cours de cette période. Après 2010, le nombre croissant de publications confirme l’intérêt croissant des chercheurs, qui reflète également le fait que les drones ont été appliqués à la télédétection et utilisés dans l’agriculture de précision (Deng et al., 2018 ; Maes & Steppe, 2019 ; Messina & Modica, 2020). ). Concrètement, le nombre de publications est passé de 108 en 2013 à 498 en 2018 et a culminé à 1,275 2020 en 935. Au total, 2021 articles ont été publiés entre janvier et mi-septembre XNUMX. Par la suite, nous avons choisi d'orienter davantage notre analyse sur la phase de croissance. puisque cette période reflète les subtilités les plus récentes et les plus importantes des drones agricoles.
Analyse des mots-clés
Les mots-clés que les auteurs sélectionnent pour une publication ont un impact crucial sur la manière dont l'article est représenté et dont il est communiqué au sein des communautés scientifiques. Ils identifient les sujets clés de la recherche et déterminent son potentiel d'épanouissement ou d'échec (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). L'analyse des mots-clés, un outil permettant de révéler des tendances et des orientations de recherche plus larges, fait référence à la compilation des mots-clés de toutes les publications connexes dans un domaine (Dixit & Jakhar, 2021). Dans la présente étude, nous avons divisé les mots-clés regroupés en deux ensembles (c'est-à-dire jusqu'en 2010 et 2011-2021) pour explorer les sujets les plus populaires. En faisant cela, nous pouvons retracer les mots-clés cruciaux dans les deux ensembles et nous assurer que nous avons capturé toutes les données nécessaires. Pour chaque ensemble, les dix principaux mots-clés sont présentés dans le tableau 3. Nous avons éliminé les incohérences en fusionnant des mots-clés sémantiquement identiques, tels que « drone » et « drones » ou, de la même manière, « Internet des objets » et « IoT ».
Le tableau 3 montre que « véhicule aérien sans pilote » est un mot clé plus fréquemment utilisé que « drone » et « système aérien sans pilote » dans les deux périodes. En outre, la « télédétection », l’« agriculture de précision » et l’« agriculture » occupent une place importante dans les deux périodes. Dans la première période, « l'agriculture de précision » s'est classée cinquième, et deuxième dans la deuxième période, ce qui illustre à quel point les drones deviennent de plus en plus importants dans la réalisation d'une agriculture de précision, car ils peuvent effectuer des opérations de surveillance,
les pratiques de détection et d’estimation sont plus rapides, moins coûteuses et plus faciles à mettre en œuvre par rapport à d’autres systèmes de télédétection et au sol. En outre, ils peuvent pulvériser la quantité précise d'intrants (par exemple, de l'eau ou des pesticides) en cas de besoin (Guo et al., 2020 ; Inoue, 2020 ; Panday, Pratihast, et al., 2020).
Liste des mots-clés les plus fréquemment utilisés.
Rang | 1990-2010 | Nombre de des occurrences | 2011-2021 | Nombre de des occurrences |
1 | antenne sans pilote véhicule | 28 | sans équipage véhicule aérien | 1628 |
2 | télédétection | 7 | avec précision l'agriculture | 489 |
3 | l'agriculture | 4 | télédétection | 399 |
4 | aéroporté | 4 | drone | 374 |
5 | avec précision l'agriculture | 4 | sans équipage système aérien | 271 |
6 | antenne sans pilote | 4 | l'agriculture | 177 |
7 | hyperspectral capteur | 3 | l'apprentissage en profondeur | 151 |
8 | neuronal artificiel réseaux | 2 | click apprentissage | 149 |
9 | vol autonome | 2 | végétation Sommaire | 142 |
10 | café | 2 | Internet de Choses | 124 |
Une autre caractéristique intéressante est la présence de technologies complémentaires. Dans la première étape, « capteur hyperspectral » et « réseaux de neurones artificiels » (ANN) figurent parmi les dix mots-clés les plus importants. L'imagerie hyperspectrale a révolutionné l'imagerie traditionnelle en collectant un grand nombre d'images à différentes longueurs d'onde. Ce faisant, les capteurs peuvent collecter simultanément de meilleures informations spatiales et spectrales par rapport à l'imagerie multispectrale, à la spectroscopie et à l'imagerie RVB (Adao ˜ et al.,
2017). L'apparition de « ANN » dans la première étape et de « deep learning » (DL) et « machine learning » (ML) dans la seconde implique que la plupart des travaux publiés se sont concentrés sur l'examen du potentiel des techniques d'IA pour les drones. basée sur l'agriculture. Bien que les drones soient capables de voler de manière autonome, ils nécessitent néanmoins l’implication d’un pilote, ce qui implique un faible niveau d’intelligence de l’appareil. Cependant, ce problème peut être résolu grâce aux progrès des techniques d’IA, qui peuvent fournir une meilleure connaissance de la situation et une aide à la décision autonome. Equipés d'IA, les drones peuvent éviter les collisions pendant la navigation, améliorer la gestion des sols et des cultures (Inoue, 2020) et réduire le travail et le stress des êtres humains (BK Sharma et al., 2019).
En raison de leur flexibilité et de leur capacité à traiter de grandes quantités de données non linéaires, les techniques d’IA constituent des méthodes appropriées pour analyser les données transmises par les drones et autres systèmes de télédétection et au sol à des fins de prédiction et de prise de décision (Ali et al., 2015 ; Inoué, 2020). De plus, la présence de « l’IoT » dans la deuxième période indique son rôle émergent dans l’agriculture. L'IoT révolutionne l'agriculture en interconnectant d'autres technologies, notamment les drones, le ML, le DL, les WSN et le Big Data. L’un des principaux avantages de la mise en œuvre de l’IoT est sa capacité à fusionner efficacement diverses tâches (acquisition de données, analyse et traitement des données, prise de décision et mise en œuvre) en temps quasi réel (Elijah et al., 2018 ; Feng et al. , 2019 ; Muangprathub et al., 2019). De plus, les drones sont considérés comme des outils efficaces pour capturer les données nécessaires au calcul de la vigueur et des propriétés de la végétation (Candiago et al., 2015). Les figures 2a et 2b illustrent les réseaux de cooccurrence de mots clés pour les deux périodes temporelles.
Auteurs influents
Dans cette section, nous déterminons les auteurs influents et examinons comment les réseaux de citations d’auteurs peuvent visualiser et organiser la littérature actuelle. La figure 3 montre la superposition chronologique de tous les chercheurs ayant le plus grand nombre de citations. L'échelle de couleurs reflète la variation annuelle des citations des auteurs. Nous examinons la structure des citations des chercheurs ayant publié des études sur les drones agricoles en utilisant un seuil d'au moins 50 citations et dix publications. Hors de
Sur 12,891 115 auteurs, seuls 4 remplissaient cette condition. Le tableau 1,963 répertorie les dix auteurs les plus influents, triés par nombre maximum de citations. Lopez-Granados F. est en tête de liste avec 1,909 XNUMX citations, suivi de Zarco-Tejada PJ avec XNUMX XNUMX citations.
Liste des auteurs les plus cités.
Classement | Auteur | Citations |
1 | López-Granados ' F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜JM | 1,644 |
4 | Torres-S' Anchez J. | 1,576 |
5 | Férères E. | 1,339 |
6 | Remondino F. | 1,235 |
7 | Boulonner A | 1,160 |
8 | Bareth G. | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
En ce qui concerne les publications individuelles, l'article de Zhang et Kovacs (2012) est l'étude la plus citée publiée dans Precision Agriculture. Ici, les auteurs ont examiné l’application des UAS dans l’agriculture de précision. Les résultats de leurs recherches suggèrent qu’il est nécessaire de faire progresser la conception, la production, la normalisation du géoréférencement d’images et le flux de travail de recherche d’informations pour fournir aux agriculteurs des produits finaux fiables. En outre, ils recommandent d’impliquer davantage l’agriculteur, en particulier dans la planification des champs, la capture d’images, ainsi que l’interprétation et l’analyse des données. Il est important de noter que cette étude a été parmi les premières à montrer l'importance des drones dans la cartographie des champs, la cartographie de la vigueur, la mesure du contenu chimique, la surveillance du stress de la végétation et l'évaluation des effets des engrais sur la croissance des plantes. Les défis liés à la technologie incluent également les coûts prohibitifs, la capacité des capteurs, la stabilité et la fiabilité de la plate-forme, le manque de standardisation et la procédure cohérente pour analyser des quantités massives de données.
Analyse des citations
L'analyse des citations représente l'étude de l'influence des articles, bien que sujets à des flux (par exemple, biais de citation, auto-citation), et est considérée comme l'un des instruments standards pour l'évaluation d'impact (Osareh, 1996 ; A. Rejeb et al., 2022 ; Sarli et al., 2010). Les citations reflètent également l'importance et la vitalité des contributions des articles à la littérature sur un sujet spécifique (R. Sharma et al., 2022). Nous avons effectué une analyse des citations pour déterminer les études les plus influentes sur les drones agricoles et en avons résumé le contenu. Le tableau 5 présente la liste des quinze articles les plus influents pour les périodes 1990-2010 et 2011-2021. Les articles de Berni et al. (2009)b et Austin (2010) ont été les plus cités en 1990 et 2010, avec respectivement 831 et 498 citations. Berni et coll. (2009)b ont illustré le potentiel de développement de produits de télédétection quantitative via un drone embarqué sur hélicoptère équipé de capteurs d'imagerie multispectrale thermique et à bande étroite abordables. Comparé aux capteurs aéroportés habités traditionnels, un système de drone agricole à faible coût est capable d’obtenir des estimations comparables, voire meilleures, des paramètres biophysiques des cultures. Le coût abordable et la flexibilité opérationnelle, ainsi que les résolutions spectrales, spatiales et temporelles élevées disponibles dans un délai d'exécution rapide, rendent les drones adaptés à une gamme d'applications nécessitant une gestion urgente, notamment la planification de l'irrigation et l'agriculture de précision. L'article de Berni et al. (2009)b est très cité car il intègre efficacement une plate-forme à voilure tournante sans pilote et des capteurs numériques et thermiques avec les mécanismes d'étalonnage nécessaires pour les applications agricoles. La deuxième publication la plus citée est un livre rédigé par Austin (2010), qui traite des drones du point de vue de la conception, du développement et du déploiement. Dans l'agriculture, les drones facilitent la surveillance des cultures en détectant précocement les maladies grâce aux changements de couleur des cultures, en facilitant le semis et la pulvérisation des cultures, ainsi qu'en surveillant et en conduisant les troupeaux.
Les études de Sullivan et al. (2007), Lumme et al. (2008), et Gokto ¨ ǧan et al. (2010) terminent la liste des quinze articles les plus cités. Ces articles illustrent le développement de systèmes basés sur des drones pour soutenir l'agriculture. Ils offrent des solutions à diverses problématiques, telles que le suivi et le scan des cultures, la surveillance et la gestion des mauvaises herbes et l'aide à la décision. Ils suggèrent et discutent également de la capacité des drones à accroître l'efficacité de l'échantillonnage et à aider les agriculteurs à concevoir des méthodes précises et efficaces.
stratégies de plantation. Berni a rédigé deux articles (Berni et al., 2009b ; Berni et al., 2009a), soulignant son impact significatif sur la recherche liée aux drones agricoles. L'article de Zarco-Tejada et al. (2014) fait partie des études pionnières illustrant la nécessité d’utiliser l’imagerie UAV à faible coût pour quantifier la hauteur des arbres.
Liste des publications les plus citées.
Rang | De 1990 à 2010 | De 2011 à 2021 | ||
Documents | Citation | Documents | Citation | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang et Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex et Remondino, 2014) | 893 |
3 | (Hunt et coll., 2010) | 331 | (Floreano & Bois, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer¨ et al., 2008) | 198 | (Bendig et coll., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Annonce ao et al., 2017) | 335 |
10 | (Schmale III et coll., 2008) | 119 | (Honkavaara et coll., 2013) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et coll., 2015) | 327 |
12 | (Techy et coll., 2010) | 69 | (Xiang et Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et coll., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et coll., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et coll., 2015a) | 269 |
Au cours de la deuxième période (2011-2021), les recherches de Zhang et Kovacs (2012) et de Nex et Remondino (2014) ont donné lieu aux publications les plus citées. Zhang et Kovacs (2012) soutiennent que l'agriculture de précision pourrait bénéficier de la mise en œuvre de techniques et de capteurs géospatiaux, tels que les systèmes d'information géographique, le GPS et la télédétection, pour capturer les variations sur le terrain et les gérer en employant des stratégies alternatives. En tant que révolutionnaire dans l'agriculture de précision, l'adoption des drones a annoncé une nouvelle ère dans la télédétection, simplifiant l'observation aérienne, capturant des données sur la croissance des cultures, l'état du sol et les zones de pulvérisation. L'étude de Zhang et Kovacs (2012) est fondamentale car elle offre un aperçu des drones en révélant les utilisations existantes et les défis de ces dispositifs dans la surveillance environnementale et l'agriculture de précision, tels que les limites de la plate-forme et des caméras, les défis du traitement des données, l'engagement des agriculteurs et les réglementations aériennes. . La deuxième
L'étude la plus citée de Nex et Remondino (2014) a passé en revue l'état de l'art des drones pour capturer, traiter et analyser des images de la Terre.
Leurs travaux ont également présenté un aperçu de plusieurs plates-formes, applications et cas d'utilisation de drones, présentant les dernières avancées en matière de traitement d'images de drones. Dans le secteur agricole, les agriculteurs pourraient utiliser les drones pour prendre des décisions efficaces afin de réaliser des économies de temps et d'argent, de recevoir un enregistrement rapide et précis des dommages et d'anticiper les problèmes possibles. Contrairement aux plates-formes aériennes conventionnelles, les drones peuvent réduire les dépenses opérationnelles et réduire le danger d'accès dans des endroits difficiles tout en préservant un potentiel de haute précision. Leur article résume divers avantages des drones, notamment en termes de précision et de résolution.
Parmi les treize publications restantes les plus citées entre 2011 et 2021, on note une plus grande concentration sur les recherches liées aux applications des drones dans les missions d'imagerie (Bendig et al., 2014 ; Ma et al., 2017 ; Zarco-Tejada et al., 2014). , l'agriculture de précision (Candiago et al., 2015 ; Honkavaara et al., 2013a), la viticulture de précision (Matese et al., 2015), l'évaluation du stress hydrique (Gago et al., 2015) et la surveillance de la végétation (Aasen et al. , 2015a). Dans les premières années, les chercheurs se sont concentrés
davantage sur le développement de systèmes basés sur des drones peu coûteux, légers et précis pour l'agriculture ; des recherches plus récentes se sont davantage concentrées sur l'examen des applications des drones pour l'agriculture et les enquêtes sur le terrain. En résumé, cette analyse révèle que les publications influentes ont pour la plupart fourni des revues d'études antérieures visant à évaluer le statut scientifique et technologique actuel des drones et à développer des systèmes de drones pour soutenir l'agriculture de précision. Il est intéressant de noter que nous n’avons trouvé aucune étude utilisant des données empiriques.
méthodologies ou études de cas descriptives, ce qui constitue un manque de connaissances important et appelle davantage de recherches sur ce sujet.
Analyse de co-citation
Selon Gmür (2006), l'analyse des co-citations identifie les publications similaires et les regroupe. Un examen attentif d'un cluster peut révéler un domaine de recherche commun parmi les publications. Nous étudions la co-citation de la littérature relative aux drones agricoles pour illustrer des domaines connexes et détecter les modèles intellectuels des publications. À cet égard, Small (1973) a recommandé l'utilisation de l'analyse de cocitation pour étudier les recherches les plus influentes et les plus marquantes.
au sein d'une discipline. Pour limiter l'ensemble aux articles les plus marquants (Goyal & Kumar, 2021), nous avons fixé un seuil de co-citation de 25, ce qui signifie que deux articles doivent avoir été cités ensemble dans les listes de références de 25 publications différentes ou plus. Le regroupement a également été réalisé avec une taille de cluster minimale de 1 et sans aucune méthode permettant de fusionner des clusters plus petits avec des clusters plus grands. En conséquence, six clusters ont été générés sur la base de la similitude des études et de leur structure intellectuelle. Le tableau 6 montre la répartition des publications dans chaque cluster.
Cluster 1 : Ce cluster contient dix-huit documents publiés après. Les publications de ce cluster discutent du rôle des drones dans le soutien à la surveillance environnementale, à la gestion des cultures et à la gestion des mauvaises herbes. Par exemple, Manfreda et coll. (2018) donnent un aperçu de la recherche actuelle et des mises en œuvre des drones dans la surveillance des écosystèmes agricoles naturels et soutiennent que la technologie offre un énorme potentiel pour améliorer considérablement la surveillance environnementale et réduire
l'écart existant entre l'observation sur le terrain et la télédétection aérienne et spatiale conventionnelle. Cela peut être réalisé en offrant de nouvelles capacités permettant d’améliorer la récupération temporelle et les informations spatiales sur de vastes zones de manière abordable. Les drones peuvent détecter en permanence l'environnement et envoyer les données résultantes à des entités intelligentes, centralisées/décentralisées qui contrôlent les capteurs pour identifier d'éventuels problèmes, tels qu'un manque de détection de maladies ou d'eau (Padoue et al., 2017). Adao˜ et al. (2017) postulent que les drones sont idéaux pour évaluer l'état des plantes en capturant un vaste volume de données brutes liées à l'état de l'eau, à l'estimation de la biomasse et à l'évaluation de la vigueur. Les capteurs montés sur des drones pourraient également être rapidement déployés dans des conditions environnementales appropriées pour permettre la capture en temps opportun de données de télédétection (Von Bueren et al., 2015). Grâce aux drones, les agriculteurs sont capables de mener des activités agricoles en intérieur en acquérant des mesures depuis pratiquement n'importe quel endroit dans l'espace tridimensionnel des environnements agricoles intérieurs (par exemple, les serres), assurant ainsi le contrôle du climat local et la surveillance des plantes (Roldan et al. ., 2015). Dans le contexte de la précision
En agriculture, les décisions en matière de gestion des cultures nécessitent des données précises et fiables sur les cultures avec une résolution temporelle et spatiale appropriée (Gebbers & Adamchuk, 2010 ; Gevaert et al., 2015 ; Maes & Steppe, 2019). Pour cette raison, Agüera Vega et al. (2015) ont utilisé un système de capteurs multispectraux montés sur un drone pour acquérir des images d'une culture de tournesol pendant la saison de croissance. De même, Huang et al. (2009) notent que la télédétection basée sur les drones pourrait faciliter la mesure des cultures et des sols à partir des données spectrales collectées. Verger et coll. (2014) ont développé et testé une technique d'estimation d'un indice d'espace vert (GAI) à partir de mesures de réflectance d'UAV dans des applications d'agriculture de précision, en se concentrant sur les cultures de blé et de colza. Par conséquent, les drones offrent de nouvelles possibilités pour récupérer des informations sur l’état des cultures avec des visites fréquentes et une résolution spatiale élevée (Dong et al., 2019 ; Garzonio et al., 2017 ; H. Zheng et al., 2016).
Regroupement de publications influentes sur les drones agricoles.
Grappe | Thème général | Bibliographie |
1 | Surveillance environnementale, culture gestion, gestion des mauvaises herbes | (Annonce ao et al., 2017 ; Agüera Vega et coll., 2015 ; de Castro et coll., 2018 ; Gomez-Cand ´on´ et al., 2014 ; YB Huang et coll., 2013 ; Khanal et coll., 2017 ; López-Granados, ´ 2011 ; Manfreda et coll., 2018 ; P' Adua et coll., 2017 ; Pena˜ et al., 2013 ; P´erez-Ortiz et coll., 2015 ; Rasmussen et coll., 2013, 2016 ; Torres-S' Anchez et al., 2014 ; Torres-Sanchez, ´ López-Granados, ´ & Pena, ˜2015 ; Verger et coll., 2014 ; Von Bueren et coll., 2015 ; C. Zhang & Kovacs, 2012) |
2 | Phénotypage à distance, rendement estimation, modèle de surface de culture, comptage des plantes | (Bendig et al., 2013, 2014 ; Geipel et coll., 2014 ; Gnadinger¨& Schmidhalter, 2017 ; Haghighattalab et coll., 2016 ; Holman et coll., 2016 ; Jin et coll., 2017 ; W. Li et al., 2016 ; Maimaitijiang et al., 2017 ; Sankaran et coll., 2015 ; Schirrmann et coll., 2016 ; Shi et coll., 2016 ; Yue et coll., 2017 ; X. Zhou et coll., 2017) |
3 | Imagerie thermique pour l'eau, imagerie multispectrale | (Baluja et al., 2012 ; Berni et al., 2009b ; Berni et al., 2009a ; Candiago et coll., 2015 ; Gago et coll., 2015 ; Gonzalez-Dugo et al., 2013, 2014 ; Grenzdorffer¨ et al., 2008 ; Khaliq et coll., 2019 ; Matese et coll., 2015 ; Ribeiro-Gomes et al., 2017 ; Santesteban et coll., 2017 ; Uto et coll., 2013) |
4 | Imagerie hypersectorielle, spectrale imagerie | (Aasen et al., 2015a ; Bareth et al., 2015 ; Hakala et coll., 2013 ; Honkavaara et coll., 2013a ; Lucieer et coll., 2014 ; Saari et coll., 2011 ; Suomalainen et coll., 2014) |
5 | Applications de cartographie 3D | (Jim´enez-Brenes et al., 2017 ; Nex & Remondino, 2014 ; Salami et al., 2014 ; Torres-S' Anchez, Lopez- ' Granados, Serrano et coll., 2015 ; Zahawi et coll., 2015 ; Zarco Tejada et al., 2014) |
6 | Surveillance agricole | (SR Herwitz et al., 2004 ; Hunt et coll., 2010 ; CCD Lelong et coll., 2008 ; Primicerio et coll., 2012 ; Xiang et Tian, 2011) |
De plus, les drones sont utiles pour des tâches difficiles en agriculture, notamment la cartographie des mauvaises herbes. Les images capturées par les appareils ont prouvé leur utilité pour la détection précoce des mauvaises herbes dans les champs (de Castro et al., 2018 ; Jim´enez-Brenes et al., 2017 ; Lam et al., 2021 ; Lopez-Granados´ et al., 2016 ; Rozenberg et coll., 2021). À cet égard, de Castro et al. (2018) affirment que la fusion de l’imagerie par drone et de l’analyse d’images basée sur des objets (OBIA) a permis aux praticiens de surmonter le problème de l’automatisation de la détection précoce dans les cultures de prairies en début de saison, ce qui constitue un grand pas en avant dans la recherche sur les mauvaises herbes. De même, Pena˜ et al. (2013) soulignent que l'utilisation d'images à très haute résolution spatiale provenant de drones en conjonction avec une procédure OBIA permet de générer des cartes de mauvaises herbes dans les cultures de maïs précoces qui pourraient être utilisées pour planifier la mise en œuvre de mesures de contrôle des mauvaises herbes en saison, une tâche qui dépasse les capacités des images satellitaires et aéroportées traditionnelles. Par rapport aux algorithmes de classification d'images ou de détection d'objets, les techniques de segmentation sémantique sont plus efficaces pour les tâches de cartographie des mauvaises herbes (J. Deng et al., 2020), permettant ainsi aux agriculteurs de détecter les conditions du champ, d'atténuer les pertes et d'améliorer les rendements tout au long de la saison de croissance (Ramesh et coll., 2020). La segmentation sémantique basée sur l'apprentissage profond peut également fournir une mesure précise de la couverture végétale à partir d'images aériennes à haute résolution (Ramesh et al., 2020 ; A. Zheng et al., 2022). Malgré leur potentiel à distance
En détectant la classification des pixels, les techniques de segmentation sémantique nécessitent des calculs importants et une mémoire GPU prohibitive (J. Deng et al., 2020).
Basé sur l'apprentissage automatique et les drones, P´erez-Ortiz et al. (2015) ont suggéré une approche de cartographie des mauvaises herbes pour fournir des stratégies de contrôle des mauvaises herbes spécifiques au site lorsque les agriculteurs adoptent le contrôle des mauvaises herbes après la levée précoce. Enfin, Rasmussen et al. (2013) ont souligné que les drones permettent une détection peu coûteuse avec une grande flexibilité de résolution spatiale. Dans l’ensemble, les publications de ce groupe se concentrent sur l’exploration du potentiel des drones pour soutenir la télédétection, la surveillance des cultures et la cartographie des mauvaises herbes. Des recherches plus approfondies sont nécessaires pour étudier plus en détail comment les applications de drones dans la surveillance environnementale, la gestion des cultures et la cartographie des mauvaises herbes peuvent permettre une agriculture plus durable (Chamuah & Singh, 2019 ; Islam et al., 2021 ; Popescu et al., 2020 ; J . Su, Liu et al., 2018) et abordent les problèmes de gouvernance de cette technologie dans les applications d'assurance récolte (Basnet & Bang, 2018 ; Chamuah & Singh, 2019, 2022 ; Meinen & Robinson, 2021). Les chercheurs devraient se concentrer sur la validation des mesures collectées par les drones avec des techniques de traitement efficaces pour améliorer la qualité finale des données traitées (Manfreda et al., 2018). En outre, le développement d'algorithmes appropriés reconnaissant les pixels qui affichent les mauvaises herbes dans les images numériques et éliminant l'arrière-plan non pertinent lors de la cartographie des mauvaises herbes par drone est nécessaire (Gaˇsparovic et al., 2020 ; Hamylton et al., 2020 ; H. Huang et al. , 2018, 2020 ; Lopez-´ Granados et al., 2016). Des recherches supplémentaires sur l'adoption de techniques de segmentation sémantique dans la reconnaissance des plantes, la classification des feuilles et la cartographie des maladies sont les bienvenues (Fuentes-Pacheco et al., 2019 ; Kerkech et al., 2020).
Cluster 2. Les publications de ce cluster se sont concentrées sur plusieurs aspects des drones agricoles. Concernant le phénotypage à distance, Sankaran et al. (2015) ont examiné le potentiel de l'utilisation de l'imagerie aérienne à basse altitude et haute résolution avec des drones pour un phénotypage rapide des cultures sur le terrain et soutiennent que, par rapport aux plates-formes de détection au sol, les petits drones dotés de capteurs adéquats offrent plusieurs avantages. , comme un accès plus facile au terrain, des données haute résolution, une collecte de données efficace,
des évaluations rapides des conditions de croissance sur le terrain et de faibles coûts opérationnels. Cependant, les auteurs notent également que l'application efficace des drones pour le phénotypage sur le terrain repose sur deux éléments fondamentaux, à savoir les caractéristiques du drone (par exemple, sécurité, stabilité, positionnement, autonomie) et les caractéristiques des capteurs (par exemple, résolution, poids, longueurs d'onde spectrales, champ). de vue). Haghighattalab et coll. (2016) ont proposé un pipeline de traitement d'images semi-automatisé pour récupérer des données au niveau de la parcelle à partir d'images UAV et accélérer le processus de sélection. Holman et coll. (2016) ont développé une approche
système de phénotypage sur le terrain à haut débit et a souligné que l'UAV est capable de collecter des données phénotypiques de qualité, volumineuses et basées sur le terrain, et que le dispositif est efficace pour de grandes zones et sur différents emplacements sur le terrain.
L’estimation du rendement étant une information incroyablement vitale, en particulier lorsqu’elle est disponible à temps, les drones peuvent potentiellement fournir toutes les mesures sur le terrain et acquérir efficacement des données de haute qualité (Daakir et al., 2017 ; Demir et al., 2018). ; Enciso et al., 2019 ; Kulbacki et al., 2018 ; Pudelko et al., 2012). À cet égard, Jin et al. (2017) ont profité de l’imagerie haute résolution obtenue par des drones à très basse altitude pour développer et évaluer une méthode d’estimation de la densité des plants de blé au stade de la levée. Selon les auteurs, les drones surmontent les limites des systèmes mobiles équipés de caméras et représentent une méthode non invasive pour estimer la densité des plantes dans les cultures, permettant aux agriculteurs d'atteindre le débit élevé nécessaire au phénotypage sur le terrain, indépendamment de la praticabilité du sol. Li et coll. (2016) ont collecté des centaines d'images stéréo avec une résolution extrêmement élevée à l'aide d'un système basé sur un drone pour estimer les paramètres du maïs, notamment la hauteur du couvert et la biomasse aérienne. Enfin, Yue et al. (2017) ont découvert que la hauteur des cultures déterminée à partir des drones pourrait améliorer l’estimation de la biomasse aérienne (AGB).
Une approche pour surveiller la croissance des cultures consiste à développer des modèles de surface des cultures (Bendig et al., 2014, 2015 ; Holman et al., 2016 ; Panday, Shrestha et al., 2020 ; Sumesh et al., 2021). Plusieurs études ont mis en évidence la faisabilité des images prises depuis des drones pour capturer la hauteur des plantes et suivre leur croissance. Par exemple, Bendig et coll. (2013) ont décrit le développement de modèles multitemporels de surface de culture avec une très haute résolution inférieure à 0.05 m à l'aide de drones. Ils visaient à détecter les cultures
la variabilité de la croissance et sa dépendance au traitement des cultures, au cultivar et au stress. Bendig et coll. (2014) ont utilisé des drones pour estimer la biomasse fraîche et sèche sur la base de la hauteur des plantes extraite des modèles de surface des cultures et ont découvert que, contrairement aux plates-formes aéroportées et au balayage laser terrestre, les images haute résolution des drones peuvent augmenter considérablement la précision de la modélisation de la hauteur des plantes pour différentes croissances. étapes. Dans le même esprit, Geipel et al. (2014) ont utilisé des drones dans leurs recherches pour acquérir des images
ensembles de données pour la prévision du rendement en grains de maïs à trois phases de croissance différentes, du début à la mi-saison, et a conclu que la combinaison de modélisation spectrale et spatiale basée sur des images aériennes et des modèles de surface de culture est une méthode appropriée pour prédire le rendement du maïs à mi-saison. Enfin, Gnadinger ¨ et Schmidhalter (2017) ont examiné l'utilité des drones dans le phénotypage de précision et ont souligné que l'utilisation de cette technologie pourrait améliorer la gestion agricole et permettre l'expérimentation sur le terrain à des fins de sélection et d'agronomie. Globalement, nous observons que les publications du cluster 2 se concentrent sur les principaux avantages des drones dans les régions éloignées.
phénotypage, estimation du rendement, modélisation de la surface des cultures et comptage des plantes. Les études futures peuvent approfondir en développant de nouvelles méthodes de phénotypage à distance qui peuvent automatiser et optimiser le traitement des données de télédétection (Barabaschi et al., 2016 ; Liebisch et al., 2015 ; Mochida et al., 2015 ; S. Zhou et al. ., 2021). De plus, les performances des capteurs IoT montés sur les drones et le compromis entre leurs coûts, leur main d'œuvre et la précision de l'estimation du rendement doivent être étudiés dans le cadre du projet.
futur (Ju & Son, 2018a, 2018b ; Xie & Yang, 2020 ; Yue et al., 2018). En fin de compte, il est nécessaire de développer des méthodes efficaces de traitement d'images capables de générer des informations fiables, de maximiser l'efficacité de la production agricole et de minimiser le travail de comptage manuel des agriculteurs (RU Khan et al., 2021 ; Koh et al., 2021 ; Lin & Guo, 2020 ; C. Zhang et al., 2020).
Groupe 3. Les publications de ce groupe traitent des différents types de systèmes d'imagerie pour la télédétection des ressources agricoles utilisés sur les plates-formes de drones. À cet égard, l'imagerie thermique permet de surveiller les températures de surface pour prévenir les dommages aux cultures et détecter précocement le stress dû à la sécheresse (Awais et al., 2022 ; García-Tejero et al., 2018 ; Sankaran et al., 2015 ; Santesteban et al., 2017 ; Yeom, 2021). Baluja et coll. (2012) ont affirmé que l'utilisation de caméras multispectrales et thermiques à bord du
Le drone a permis aux chercheurs d'obtenir des images haute résolution et d'évaluer l'état hydrique de la vigne. Cela pourrait être utile pour développer de nouveaux modèles de planification des eaux utilisant des données de télédétection (Baluja et al., 2012). En raison de l
capacité de charge limitée des drones, Ribeiro-Gomes et al. (2017) ont envisagé l'intégration de caméras thermiques non refroidies dans les drones pour déterminer le stress hydrique dans les usines, ce qui rend ce type de drones plus efficaces et viables que la télédétection par satellite traditionnelle et les drones équipés de caméras thermiques refroidies. Selon les auteurs, les caméras thermiques non refroidies sont plus légères que les caméras refroidies, nécessitant un étalonnage approprié. González-Dugo et al. (2014) ont montré que l'imagerie thermique génère efficacement des cartes spatiales des indices de stress hydrique des cultures pour évaluer l'état de l'eau et quantifier le stress hydrique parmi et au sein des vergers d'agrumes. González-Dugo et al. (2013) et Santesteban et al. (2017) ont étudié l’utilisation de l’imagerie thermique par drone à haute résolution pour estimer la variabilité de l’état de l’eau d’un verger commercial et d’un vignoble.
L’imagerie multispectrale pourrait fournir des données massives par rapport aux images RVB (rouge, vert et bleu) traditionnelles (Ad˜ ao et al., 2017 ; Navia et al., 2016). Ces données spectrales, ainsi que les données spatiales, pourraient contribuer à des fins de classification, de cartographie, de prévision et de détection (Berni et al., 2009b). Selon Candiago et al. (2015), l’imagerie multispectrale basée sur des drones pourrait contribuer massivement à l’évaluation des cultures et à une agriculture précise en tant que ressource fiable et efficace. Aussi,
Khaliq et coll. (2019) ont effectué une comparaison entre l’imagerie multispectrale par satellite et par drone. Les images basées sur des drones ont permis d'être plus précises dans la description de la variabilité des vignobles ainsi que dans les cartes de vigueur pour représenter le couvert végétal. En un mot, les articles de ce cluster traitent de l’intégration de capteurs d’imagerie thermique et multispectrale dans les drones agricoles. En conséquence, des recherches supplémentaires sont nécessaires pour comprendre comment l’imagerie thermique et multispectrale peut être intégrée à l’IA.
techniques (par exemple, apprentissage en profondeur) pour détecter le stress des plantes (Ampatzidis et al., 2020 ; Ampatzidis et Partel, 2019 ; Jung et al., 2021 ; Santesteban et al., 2017 ; Syeda et al., 2021). De telles informations contribueront à garantir une détection plus efficace et plus précise ainsi qu'une surveillance de la croissance, du stress et de la phénologie des plantes (Buters et al., 2019 ; Cao et al., 2020 ; Neupane & BaysalGurel, 2021 ; L. Zhou et al., 2020).
Groupe 4. Ce groupe se compose de sept articles qui tournent autour du rôle crucial de l'imagerie spectrale et de l'imagerie hyperspectrale dans le soutien des pratiques agricoles. L'imagerie hyperspectrale s'est imposée comme une méthode de télédétection permettant une évaluation quantitative du système terrestre (Schaepman et al., 2009). Pour être plus précis, elle permet l'identification de matériaux de surface, la quantification de concentrations (relatives) et l'attribution des proportions des composants de surface
au sein de pixels mixtes (Kirsch et al., 2018 ; Zhao et al., 2022). En d’autres termes, la résolution spectrale plus élevée fournie par les systèmes hyperspectraux permet des estimations plus précises de divers paramètres, tels que les propriétés végétariennes ou la teneur en eau des feuilles (Suomalainen et al., 2014). Les chercheurs de ce cluster ont étudié différents aspects de ces systèmes. Entre autres, Aasen et al. (2015b) ont proposé une approche unique pour dériver des informations hyperspectrales tridimensionnelles à partir de matériaux légers.
caméras instantanées utilisées sur les drones pour la surveillance de la végétation. Lucieer et al. (2014) ont discuté de la conception, du développement et des opérations aériennes d'un nouvel UAS hyperspectral ainsi que de l'étalonnage, de l'analyse et de l'interprétation des données d'image recueillies avec celui-ci. Enfin, Honkavaara et al. (2013b) ont développé une approche de traitement complète pour les images spectrales basées sur l'interféromètre FabryPerot et ont montré son utilisation dans une procédure d'estimation de la biomasse pour l'agriculture de précision. Les voies futures potentielles pour ce cluster actuel incluent l'accent mis sur la nécessité d'améliorations techniques des technologies de capteurs (Aasen et al., 2015b) ainsi que sur la nécessité d'incorporer et d'améliorer des technologies complémentaires, en particulier le big data et l'analyse (Ang & Seng, 2021 ; Radoglou -Grammatikis et al., 2020 ; Shakoor et al., 2019). Cette dernière provient principalement des données toujours croissantes générées par les différents capteurs mis en œuvre dans l’agriculture intelligente (C. Li & Niu, 2020 ; A. Rejeb et al., 2022 ; Y. Su & Wang, 2021).
Groupe 5. Les publications de ce groupe ont examiné les applications de cartographie 3D basées sur des drones. L'utilisation de drones pour la cartographie 3D pourrait alléger le travail complexe sur le terrain et augmenter considérablement l'efficacité (Torres-Sanchez ´ et al., 2015). Les cinq articles du cluster se sont principalement concentrés sur les applications de surveillance des installations. Par exemple, pour obtenir des données tridimensionnelles sur la superficie du couvert forestier, la hauteur des arbres et le volume de la cime, Torres-Sanchez ´ et al. (2015) ont utilisé la technologie des drones pour générer des modèles numériques de surface, puis des approches d'analyse d'images basées sur les objets (OBIA). De plus, Zarco-Tejada et al. (2014) ont quantifié la hauteur des arbres en intégrant la technologie des drones et des méthodes de photo-reconstruction tridimensionnelle. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017) ont démontré un nouveau processus de surveillance 3D multitemporelle de dizaines d'oliviers en intégrant la technologie UAV à la méthodologie avancée OBIA. Les voies intéressantes pour les travaux futurs dans ce cluster incluent soit l'amélioration des
méthodologies (Zarco-Tejada et al., 2014) à des fins de modélisation numérique de surfaces (Ajayi et al., 2017 ; Jaud et al., 2016), telles que OBIA (de Castro et al., 2018, 2020 ; Ventura et al. , 2018), et la reconstruction photographique ou le développement de nouvelles méthodes (Díaz-Varela et al., 2015 ; Torres-S´ánchez et al., 2015).
Cluster 6. Ce cluster discute du rôle des drones dans la surveillance agricole. Les drones pourraient compléter et combler les lacunes de l’imagerie satellitaire et aérienne. Par exemple, ils pourraient fournir une imagerie haute résolution en temps quasi réel avec moins de problèmes de carburant ou de pilotage, ce qui entraînerait une surveillance constante et en temps réel et une amélioration de la prise de décision (S. Herwitz et al., 2004). Une autre contribution clé des drones est leur capacité à fournir des données spécifiques au site pour l’agriculture de précision ou l’agriculture spécifique au site, car leurs données détaillées à haute résolution sur divers paramètres permettent aux agriculteurs de diviser la terre en parties homogènes et de les traiter en conséquence (Hunt et al. , 2010 ; CC Lelong et al., 2008 ; Primicerio et al., 2012). Une telle surveillance agricole basée sur des drones peut soutenir le suivi de la sécurité alimentaire et la prise de décision (SR Herwitz et al., 2004). Pour faire progresser la recherche en matière de surveillance agricole, il faut non seulement améliorer les capteurs, les drones et autres technologies connexes ainsi que leurs méthodes de communication et de transfert de données (Ewing et al., 2020 ; Shuai et al., 2019), mais également intégrer des drones avec divers les technologies permettant d’optimiser différentes tâches liées à l’agriculture intelligente, telles que le suivi, la surveillance agricole et la prise de décision, constituent un domaine de recherche à fort potentiel (Alsamhi et al., 2021 ; Popescu et al., 2020 ; Vuran et al., 2018). À cet égard, l’IoT, les WSN et le big data offrent des capacités complémentaires intéressantes (van der Merwe et al., 2020). Les coûts de mise en œuvre, les économies de coûts, l’efficacité énergétique et la sécurité des données font partie des domaines sous-étudiés pour une telle intégration (Masroor et al., 2021).
Pays et établissements universitaires
La dernière étape comprenait l'enquête sur le pays d'origine et les affiliations universitaires des auteurs. Grâce à cette analyse, nous visons à mieux comprendre la répartition géographique des chercheurs qui contribuent aux applications des drones en agriculture. Il convient de noter la diversité des pays et des institutions universitaires. D'un point de vue national, les États-Unis, la Chine, l'Inde et l'Italie se classent en tête de liste en termes de nombre de publications (tableau 7). Le courant
la recherche sur les drones agricoles est largement concentrée dans les pays d’Amérique du Nord et d’Asie, principalement en raison de leur forte participation aux applications agricoles de précision. Par exemple, aux États-Unis, le marché des drones agricoles était estimé à 841.9 millions de dollars en 2020, soit environ 30 % de la part de marché mondiale (ReportLinker, 2021). Classée comme la plus grande économie du monde, la Chine devrait atteindre un marché d'environ 2.6 milliards de dollars d'ici 2027. Ce pays fait appel aux drones agricoles pour surmonter les problèmes de productivité et obtenir de meilleurs rendements, une réduction du travail et des intrants de production moindres. Cependant, l'adoption de cette technologie en Chine est également motivée par des facteurs tels que la taille de la population et la nécessité d'innover et d'améliorer les pratiques de gestion des cultures existantes.
Pays et universités/organisations les plus productifs qui contribuent à
recherche liée aux drones agricoles.
Rang | Pays |
1 | États-Unis |
2 | Chine |
3 | Inde |
4 | Italie |
5 | Espagne |
6 | Allemagne |
7 | Brasil |
8 | Australie |
9 | Japon |
10 | Royaume Uni |
Rang | Universités/Organisations |
1 | Académie chinoise des sciences |
2 | Ministère de l'Agriculture de la République populaire de Chine |
3 | Consejo Superior de Investigaciones Científicas |
4 | Université Texas A & M |
5 | Université agricole de Chine |
6 | Service de recherche agricole de l'USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Conseil national de recherches |
10 | Université agricole de Chine méridionale |
D'un point de vue universitaire et organisationnel, l'Académie chinoise des sciences arrive en tête de liste en termes de nombre de publications, suivie par le ministère de l'Agriculture de la République populaire de Chine et le Consejo Superior de Investigaciones Científicas. L'Académie chinoise des sciences est représentée par les auteurs Liao Xiaohan et Li Jun ; Han Wenting représente le ministère de l'Agriculture de la République populaire de Chine ; et le Consejo Superior de Investigaciones Científicas est représenté par Lopez-Granados, ´ F. et Pena, ˜ José María S. Aux États-Unis, des universités comme la Texas A&M University et la Purdue University trouvent leur
mention. Les universités avec le plus grand nombre de publications et leurs liens sont présentées dans la figure 4. De plus, cette liste comprend des institutions telles que le Consiglio Nazionale delle Ricerche et le Consejo Superior de Investigaciones Científicas qui sont actives dans la recherche scientifique, mais ne sont pas des institutions universitaires. .
Notre sélection comprenait une grande variété de revues, englobant pratiquement toutes les données disponibles. Comme le montre le tableau 8, la télédétection avec 258 articles arrive en tête, suivie par le Journal of Intelligent and Robotic Systems: Theory and Applications avec 126 et Computers and Electronics in Agriculture avec 98 articles. Alors que la télédétection se concentre principalement sur l'application et le développement de drones, les ordinateurs et l'électronique dans l'agriculture couvrent principalement les progrès du matériel informatique, des logiciels, de l'électronique et des systèmes de contrôle dans l'agriculture. Les points de vente transversaux, tels que IEEE Robotics and Automation Letters avec 87 publications et IEEE Access avec 34 publications, sont également des points de vente de premier plan dans le domaine. Les quinze principaux médias ont contribué à la littérature avec 959 documents, soit environ 20.40 % de toutes les publications. Une analyse de co-citation de revues nous permet d’examiner l’importance et la similitude entre les publications. L'analyse des co-citations donne trois groupes, comme le montre la figure 5. Le groupe rouge comprend des revues telles que Remote Sensing, Computer and Electronics in Agriculture, Sensors,
et le Journal international de télédétection. Tous ces médias sont des revues très réputées dans les domaines de la télédétection et de l’agriculture de précision. Le cluster vert contient des revues traitant de la robotique, telles que Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access et Drones. Ces médias publient principalement des articles sur l'automatisation et sont utiles aux ingénieurs agronomes. Le dernier groupe est formé de revues liées à l'agronomie et au génie agricole, comme Agronomy et International Journal of Agricultural and Biological Engineering.
Top 15 des revues sur la recherche liée aux drones agricoles.
Rang | Journal | que vous avez |
1 | Télédétection | 258 |
2 | Journal des systèmes intelligents et robotiques : théorie et Applications | 126 |
3 | Informatique et électronique dans l'agriculture | 98 |
4 | Lettres Robotique et Automatisation IEEE | 87 |
5 | Sensors | 73 |
6 | Journal international de télédétection | 42 |
7 | Agriculture de précision | 41 |
8 | Drones | 40 |
9 | Agronomie | 34 |
10 | Accès IEEE | 34 |
11 | Journal international des systèmes robotiques avancés | 31 |
12 | Revue internationale de génie agricole et biologique | 25 |
13 | PLoS ONE | 25 |
14 | Journal de robotique de terrain | 23 |
15 | Génie des biosystèmes | 23 |
Conclusion
Résumé
Dans cette étude, nous avons résumé et analysé les recherches existantes sur les drones agricoles. En appliquant diverses techniques bibliométriques, nous nous sommes efforcés de mieux comprendre la structure intellectuelle de la recherche liée aux drones agricoles. En résumé, notre revue propose plusieurs contributions en identifiant et en discutant des mots-clés dans la littérature, révélant des pôles de connaissances tout en formant des communautés sémantiquement similaires dans le domaine des drones, décrivant des recherches antérieures et suggérant des orientations de recherche futures. Nous présentons ci-dessous les principales conclusions de l’étude sur le développement des drones agricoles :
• La littérature dans son ensemble s'est développée rapidement et a attiré énormément d'attention au cours de la dernière décennie, comme l'indique l'augmentation du nombre d'articles après 2012. Même si ce domaine de connaissances n'a pas encore atteint sa pleine maturité (Barrientos et al., 2011 ; Maes & Steppe, 2019), plusieurs questions restent encore sans réponse. Par exemple, l’utilité des drones dans l’agriculture en intérieur fait encore débat (Aslan et al., 2022 ; Krul et al., 2021 ; Rold´an et al., 2015). La complexité des scènes de champs et les différentes circonstances d'imagerie (par exemple, ombres et éclairage) pourraient entraîner une variance spectrale plus élevée au sein de la classe (Yao et al., 2019). Même dans les phases de recherche ultérieures, les chercheurs ont été mis au défi de déterminer les plans de vol optimaux en fonction de scénarios particuliers et de la qualité d'image requise (Soares et al., 2021 ; Tu et al.,
2020).
• Nous remarquons que le domaine a progressé du développement de systèmes de drones efficaces à l'intégration de techniques d'IA, telles que l'apprentissage automatique et l'apprentissage profond dans la conception de drones agricoles (Bah et al., 2018 ; Kitano et al., 2019 ; Maimaitijiang et al. , 2020 ; Mazzia et al., 2020 ; Tetila et al., 2020).
• La recherche sur les drones agricoles a principalement porté sur la télédétection en explorant les potentiels de la technologie dans la surveillance environnementale, la gestion des cultures et la gestion des mauvaises herbes (groupe 1), ainsi que le phénotypage et l'estimation du rendement à distance (groupe 2). Parmi les études influentes sur les drones agricoles figurent Austin (2010), Berni et al. (2009)a, Herwitz et coll. (2004), Nex et Remondino (2014) et Zhang et Kovacs (2012). Ces études ont développé la base conceptuelle de la recherche liée aux drones dans le contexte de l'agriculture.
• En ce qui concerne la méthodologie, nous avons observé que la plupart des recherches effectuées jusqu'à présent étaient composées soit d'études de conception de systèmes, soit d'études conceptuelles ou basées sur des revues (Inoue, 2020 ; Nex et Remondino, 2014 ; P´erez-Ortiz et al. , 2015 ; Yao et al., 2019). Nous constatons également un manque de méthodes empiriques, qualitatives et basées sur des études de cas pour enquêter sur les drones agricoles.
• Récemment, des sujets liés à l'agriculture de précision, aux techniques d'IA, à la viticulture de précision et à l'évaluation du stress hydrique ont attiré une attention considérable (Espinoza et al., 2017 ; Gomez-Cand ´ on ´ et al., 2016 ; Matese et al., 2015 ; Matese & Di Gennaro, 2018, 2021 ; Z. Zhou et al., 2021). Un examen attentif des pôles de recherche à deux époques distinctes, 1990-2010 et 2011-2021, révèle les progrès de la structure intellectuelle du domaine. La période de 1990 à 2010 a constitué la construction de notions centrales et de concepts de drones, ce qui ressort clairement de la discussion sur la conception, le développement et la mise en œuvre des drones. Dans la deuxième période, l’accent de recherche s’étend sur des études antérieures, en s’efforçant de synthétiser les cas d’utilisation des drones en agriculture. Nous avons également trouvé de nombreuses études traitant des applications des drones dans les tâches d’imagerie et l’agriculture de précision.
Rang | Journal | que vous avez |
1 | Télédétection | 258 |
2 | Journal des systèmes intelligents et robotiques : théorie et | 126 |
Applications | ||
3 | Informatique et électronique dans l'agriculture | 98 |
4 | Lettres Robotique et Automatisation IEEE | 87 |
5 | Sensors | 73 |
6 | Journal international de télédétection | 42 |
7 | Agriculture de précision | 41 |
8 | Drones | 40 |
9 | Agronomie | 34 |
10 | Accès IEEE | 34 |
11 | Journal international des systèmes robotiques avancés | 31 |
12 | Revue internationale de génie agricole et biologique | 25 |
13 | PLoS ONE | 25 |
14 | Journal de robotique de terrain | 23 |
15 | Génie des biosystèmes | 22 |
Implications
Notre revue bibliométrique a été conçue et réalisée en pensant aux universitaires, aux agriculteurs, aux experts agricoles, aux consultants en cultures et aux concepteurs de systèmes de drones. À la connaissance des auteurs, il s'agit de l'une des premières revues originales à avoir entrepris une analyse bibliométrique approfondie de
Applications des drones dans l'agriculture. Nous avons procédé à un examen complet de cet ensemble de connaissances, en utilisant des analyses de citations et de co-citations de publications. Nos tentatives pour décrire la structure intellectuelle de la recherche sur les drones offrent également de nouvelles perspectives aux universitaires. Un examen minutieux des mots-clés utilisés au fil du temps révèle les points chauds et les domaines de recherche centraux dans la littérature relative aux drones. De plus, nous présentons une liste des études les plus citées pour identifier les travaux de recherche les plus marquants réalisés dans le domaine. L’identification d’articles et de mots-clés pourrait donc constituer un point de départ solide pour découvrir plusieurs pistes d’études futures.
Il est important de noter que nous avons révélé des groupes classifiant des travaux comparables et développé les résultats. Les études classées en clusters aident à comprendre la structure intellectuelle de la recherche sur les drones. Nous avons notamment découvert un manque d’études portant sur les facteurs d’adoption des drones.
et les obstacles dans les activités agricoles (voir tableau 9). Les futurs chercheurs pourraient combler cette lacune potentielle en menant des enquêtes empiriques évaluant les facteurs d’adoption des drones dans différentes activités agricoles et conditions climatiques. En outre, les recherches basées sur des études de cas concernant l’efficacité des drones doivent être étayées par des données réelles provenant du terrain. En outre, impliquer les agriculteurs et les gestionnaires dans la recherche universitaire serait avantageux pour l’avancement théorique et pratique de la recherche sur les drones. Nous avons également pu identifier les chercheurs les plus éminents et leurs contributions, ce qui est précieux car la connaissance des travaux fondateurs récents peut offrir des orientations pour les futurs efforts universitaires.
Tableau 9
Obstacles à l’adoption des drones.
Barrière | Description |
Sécurité des données | La cybersécurité est un défi majeur pour la mise en œuvre Solutions IoT (Masroor et al., 2021). |
Interopérabilité et l'intégration | Diverses technologies telles que UAV, WSN, IoT, etc. doivent être intégrés et transmettre des données qui augmenter le niveau de complexité (Alsamhi et al., 2021 ; Popescu et coll., 2020 ; Vuran et al., 2018). |
Coûts de mise en œuvre | C'est particulièrement le cas des petits agriculteurs et des intégrant diverses technologies de pointe ( Masroor et al., 2021). |
Connaissance du travail et nous a permis de concevoir | Des pilotes de drones qualifiés sont nécessaires pour piloter des drones. Aussi, en mettant en œuvre diverses solutions de pointe les technologies nécessitent des travailleurs qualifiés (YB Huang et coll., 2013 ; Tsouros et al., 2019). |
Puissance moteur et vol durée | Les drones ne peuvent pas être utilisés pendant de longues heures et couvrir de grandes superficies (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilité, fiabilité et maniabilité | Les drones ne sont pas stables par mauvais temps (Hardin et Hardin, 2010; Laliberté et coll., 2007). |
Limites de charge utile et qualité des capteurs | Les drones ne peuvent transporter que des charges limitées, ce qui conduit à capacité de charger des capteurs de qualité inférieure (Nebiker et al., 2008). |
Règlement | Comme les drones peuvent également être dangereux, il existe de graves réglementations dans certains domaines (Hardin et Jensen, 2011 ; Laliberté et Rango, 2011). |
Les connaissances des agriculteurs et intérêt | Comme d'autres technologies de pointe, les drones une mise en œuvre réussie nécessite une expertise et également accompagné d'incertitudes (Fisher et al., 2009 ; Lambert et coll., 2004 ; Stafford, 2000). |
Puisqu’il existe un besoin constant d’utiliser efficacement les ressources disponibles pour maximiser les rendements, les agriculteurs peuvent tirer parti des drones pour assurer une analyse rapide, précise et rentable de leurs champs. La technologie peut aider les agriculteurs à déterminer l'état de leurs cultures et à évaluer l'état de l'eau, le stade de maturation, les infestations d'insectes et les besoins nutritionnels. Les capacités de télédétection des drones peuvent fournir aux agriculteurs des données cruciales pour anticiper les problèmes à un stade précoce et effectuer rapidement les interventions appropriées. Toutefois, les avantages de la technologie ne peuvent être réalisés que si les défis sont correctement relevés. À la lumière du
problèmes actuels concernant la sécurité des données, les problèmes de technologie des capteurs (par exemple, la fiabilité ou l'exactitude des mesures), la complexité de l'intégration et les coûts de mise en œuvre substantiels, les études futures doivent également examiner la faisabilité technique, économique et opérationnelle de l'intégration de drones agricoles et d'autres outils de découpe. technologies de pointe.
Limites
Notre étude a plusieurs limites. Premièrement, les résultats sont déterminés par les publications sélectionnées pour l'analyse finale. Il est difficile de capturer toutes les études pertinentes liées aux drones agricoles, en particulier celles qui ne sont pas répertoriées dans la base de données Scopus. De plus, le processus de collecte de données se limite à la définition de mots-clés de recherche, qui peuvent ne pas être inclusifs et conduire à des résultats non concluants. Ainsi, les études futures devront accorder davantage d’attention à la question sous-jacente de la collecte de données afin de déterminer
des conclusions plus fiables. Une autre limite concerne les nouvelles publications avec un faible nombre de citations. L'analyse bibliométrique est biaisée en faveur des publications antérieures car elles ont tendance à recevoir davantage de citations au fil des ans. Les études récentes nécessitent un certain temps pour attirer l’attention et accumuler les citations. Par conséquent, les études récentes qui apportent un changement de paradigme ne figureraient pas parmi les dix travaux les plus influents. Cette limitation est répandue dans l’examen de domaines de recherche émergents rapidement comme les drones agricoles. Comme nous avons consulté Scopus pour étudier la littérature relative à ce travail, les futurs chercheurs pourraient envisager différentes
des bases de données, telles que Web of Science et IEEE Xplore, pour élargir l'horizon et améliorer la structure de recherche.
Les études bibliométriques potentielles peuvent prendre en compte d’autres sources de connaissances vitales telles que des articles de conférence, des chapitres et des livres pour générer de nouvelles informations. Malgré la cartographie et l’enquête sur les publications mondiales sur les drones agricoles, nos résultats n’ont pas révélé les raisons qui sous-tendent les résultats scientifiques des universités. Cela ouvre la voie à un nouveau domaine de recherche expliquant qualitativement pourquoi certaines universités sont plus productives que d’autres en matière de recherche sur l’agriculture.
des drones. En outre, de futures études pourraient donner un aperçu du potentiel des drones pour accroître la durabilité de l'agriculture de plusieurs manières, telles que la surveillance environnementale, la gestion des cultures et la cartographie des mauvaises herbes, comme l'ont indiqué plusieurs chercheurs (Chamuah & Singh, 2019 ; Islam et al., 2021 ; Popescu et al., 2020 ; J. Su, Liu et al., 2018b). Étant donné que l’analyse textuelle n’a pas été possible en raison du nombre élevé d’articles sélectionnés, il est nécessaire de procéder à des revues systématiques de la littérature examinant les
méthodes de recherche utilisées et implication des agriculteurs dans les études préalables. En bref, notre analyse de la recherche sur les drones expose les liens invisibles de cet ensemble de connaissances. Cette revue aide donc à découvrir les relations entre les publications et explore la structure intellectuelle du domaine de recherche. Il décrit également les liens entre les différents aspects de la littérature, tels que les mots-clés des auteurs, leurs affiliations et leurs pays.
Déclaration d'intérêts concurrents
Les auteurs déclarent qu'ils n'ont pas d'intérêts financiers concurrents connus ni de relations personnelles qui auraient pu sembler influencer les travaux rapportés dans cet article.
Annexe 1
TITRE-ABS-KEY (((drone* OU « véhicule aérien sans pilote » OU drone* OU « système d'avion sans pilote »" OU alors OU « avion télépiloté") ET (agricole OU agriculture OU agriculture OU agriculteur))) ET (EXCLUER (ANNÉE PUBLIQUE, 2022)) ET (LIMITE À (LANGUE, « Anglais »).
Bibliographie
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Génération d'informations hyperspectrales 3D avec des caméras instantanées UAV légères pour la surveillance de la végétation : de
l'étalonnage de la caméra à l'assurance qualité. ISPRS J. Photogramme. Distance Sens. 108, 245-259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Développement d'un algorithme de reconnaissance de formes pour la détection automatique des oiseaux à partir d'images de véhicules aériens sans pilote.
Enquête. Informer sur la terre. Sci. 65 (1), 37-45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Réseaux de capteurs sans fil en agriculture : enseignements tirés de l'analyse bibliométrique. Durabilité 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Évaluation de différentes méthodes de détection des ombres dans l'imagerie optique haute résolution et évaluation de l'impact des ombres sur le calcul du NDVI et de l’évapotranspiration. Irrig. 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. Imagerie hyperspectrale : revue des capteurs basés sur les drones, données le traitement et
applications pour l'agriculture et la sylviculture. Télédétection 9 (11). https://doi.org/10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Imagerie multitemporelle utilisant un véhicule aérien sans pilote pour surveiller une culture de tournesol. Biosyste. Ing.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Génération de modèles d'élévation numériques précis à partir d'images de chevauchement acquises par drone à faible pourcentage. Int.
J. Remote Sens. 38 (8-10), 3113-3134. https://doi.org/10.1080/01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Examen des approches d'apprentissage automatique pour la récupération de la biomasse et de l'humidité du sol à partir de données de télédétection. Télédétection 7 (12), 16398-16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Internet des objets vert utilisant des drones dans les réseaux B5G : examen des applications
et des stratégies. Annonce. Hoc. Réseau. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones pour la surveillance du bétail ovin. Dans : 20e Conférence électrotechnique méditerranéenne de l'IEEE. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Phénotypage à haut débit basé sur des drones dans les agrumes utilisant l'imagerie multispectrale et l'intelligence artificielle. Télédétection 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview : application basée sur le cloud pour traiter, analyser et visualiser les données collectées par des drones pour des applications d'agriculture de précision utilisant l'intelligence artificielle. Calculer. Électron. Agricole. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data et apprentissage automatique avec informations hyperspectrales en agriculture. Accès IEEE 9, 36699-36718. https://doi.org/10.1109/
ACCÈS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Revue : technologies d'élevage de précision dans les systèmes d'élevage basés sur les pâturages. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Tendances des technologies avancées de l'information et de la communication pour
améliorer les productivités agricoles : une analyse bibliométrique. Agronomie 10 (12), article 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. L'alligator volant : vers la robotique aérienne en occam-π. Commun. Architecte de processus. 2011, 329-340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Recherche sur la structure intellectuelle de la plainte sur le comportement des consommateurs (CCB) : une analyse bibliométrique. J. Affaires Rés. 122, 60-74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Une étude complète des études récentes sur les drones pour l’agriculture de précision en plein champ et sous serre. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
application12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. et Wells, DM (2018). Phénotypage sur le terrain pour l'avenir. Dans Annual Plant Reviews en ligne (pp. 719-736). John
Wiley & Sons, Ltd. est ce que je: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Systèmes d'aéronefs sans pilote : conception, développement et déploiement d'UAVS. Dans : Systèmes d'aéronefs sans pilote : conception, développement et développement d'UAVS
Déploiement. John Wiley et fils. 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. La télédétection basée sur des drones dans le stress des plantes imagine l'utilisation d'un capteur thermique haute résolution pour les pratiques agricoles numériques : une méta-revue. Int. J. Environ. Sci. Technologie. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Agriculture intelligente : opportunités, défis
et les catalyseurs technologiques. 2018 IoT vertical et. Sommet thématique sur l'agriculture - Toscane (IOT Toscane) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Apprentissage profond avec étiquetage de données non supervisé pour la détection des mauvaises herbes dans les cultures en ligne dans les images de drones. Télédétection 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Processus normatifs versus processus constructivistes sociaux dans l'attribution des citations : un modèle analytique de réseau. Suis. Social. 63 (6), 829-846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Évaluation de la variabilité de l'état hydrique du vignoble par des mesures thermiques et multispectrales.
imagerie à l’aide d’un véhicule aérien sans pilote (UAV). Irrig. Sci. 30 (6), 511-522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., Sélection de nouvelle génération. Scie végétale. 242, 3-13. https://doi.org/10.1016/j.
plantesci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspectives sur l'utilisation de systèmes aériens sans pilote pour surveiller le bétail. Perspectives agricoles. 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. Hyperspectral de faible poids et basé sur un UAV caméras plein format
pour le suivi des cultures : Comparaison spectrale avec des mesures par spectroradiomètre portable. Photogrammétrie, Fernerkundung, Geoinformation 2015 (1), 69-79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Télédétection aérienne en agriculture : une approche pratique de la couverture géographique
et la planification de trajectoires pour des flottes de mini-robots aériens. J. Field Rob. 28 (5), 667-689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Une enquête sur l'application d'algorithmes de planification de trajectoire pour les drones multi-rotor en précision
agriculture. J. Navig. 75 (2), 364-383.
Basnet, B., Bang, J., 2018. L'état de l'art de l'agriculture à forte intensité de connaissances : une revue des systèmes de détection appliqués et de l'analyse des données. J. Sens. 2018, 1-13.
Bendig, J., Bolten, A., Bareth, G., 2013. Imagerie basée sur un drone pour des modèles multitemporels de surface de culture à très haute résolution afin de surveiller la variabilité de la croissance des cultures. Photogrammétrie, Fernerkundung, Geoinformation 2013 (6), 551-562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. Estimation de la biomasse de l'orge à l'aide de modèles de surface de culture (CSM) dérivés de l'imagerie RVB basée sur un drone. Télédétection 6 (11), 10395-10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Combinaison de la hauteur des plantes basée sur un drone par rapport à la surface de la culture des modèles,
indices de végétation visibles et proches infrarouges pour la surveillance de la biomasse de l'orge. Int. J.Appl. Obs. de la Terre. Géoinfo. 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. Cartographie de la conductance du couvert forestier et du CWSI dans les vergers d'oliviers en haute résolution
imagerie de télédétection thermique. Télédétection Environ. 113 (11), 2380-2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Télédétection thermique et multispectrale à bande étroite pour la surveillance de la végétation à partir d'un véhicule aérien sans pilote. IEEETrans. Géosci. Télésens. 47 (3), 722-738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. L'Internet des objets dans la sécurité alimentaire : revue de la littérature et analyse bibliométrique. Tendances Food Sci. Technologie. 94,54-64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., I. Roussaki, N. Kalatzis, K. Doolin, K. Ellis, 2017. L'IoT dans l'agriculture : concevoir un projet pilote à grande échelle à l'échelle européenne. Communique IEEE. Mag. 55 (9), 26-33.
Buters, TM, Belton, D., Cross, AT, 2019. Suivi par drone multi-capteurs de semis individuels et de communautés de semis avec une précision millimétrique. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Évaluation d'images multispectrales et d'indices de végétation pour les applications d'agriculture de précision à partir d'images de drones. Télédétection 7 (4), 4026-4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Surveillance des indicateurs de croissance de la betterave sucrière à l'aide de l'indice de végétation à large plage dynamique (WDRVI) dérivé d'un drone
images multispectrales. Calculer. Électron. Agricole. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Évolution de la structure intellectuelle de la littérature sur les entreprises familiales : une étude bibliométrique de FBR. Entreprise familiale Rév. 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. Suivi dynamique de la biomasse du riz sous
différents traitements à l'azote à l'aide d'un drone léger doté de caméras instantanées à double image. Méthodes végétales 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Assurer la durabilité de l'agriculture indienne grâce aux drones civils : une perspective d'innovation responsable. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Gouvernance responsable des innovations civiles en matière de véhicules aériens sans pilote (UAV) pour les applications indiennes d'assurance récolte. J. Responsable
Technologie. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Application de l'imagerie aérienne à canal visible haute résolution du couvert végétal à la gestion de l'irrigation de précision. Agricole. Eau
Gérer. 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. Drone léger avec photogrammétrie embarquée et positionnement GPS monofréquence pour les applications de métrologie. ISPRS J. Photogramme. Télésens. 127, 115-126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Plateforme IoT basée sur la blockchain pour la gestion autonome des opérations de drones. Dans : Actes de la 2e ACM
Atelier MobiCom sur les communications sans fil assistées par drone pour la 5G et au-delà, pp. https://doi.org/31/36.
Day, RA, Gastel, B., 1998. Comment rédiger et publier un article scientifique. La presse de l'Universite de Cambridge. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Cartographie des infestations de cynodon dactylon cultures de couverture avec une procédure automatique d'arbre de décision-OBIA et d'imagerie UAV pour la viticulture de précision. Télédétection 12 (1), 56. https://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S´ánchez, J., Pena, ˜ JM, Jim´enez-Brenes, FM, Csillik, O., Lopez-´Granados, F., 2018. Un algorithme automatique de forêt aléatoire-OBIA pour cartographie précoce des mauvaises herbes entre et au sein des rangées de cultures à l’aide d’images UAV. Télédétection 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Mesure automatisée de la hauteur des plantes des génotypes de blé à l'aide d'un DSM dérivé de l'imagerie UAV. Actes 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Réseau de segmentation sémantique léger pour la cartographie des mauvaises herbes en temps réel à l'aide de véhicules aériens sans pilote. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Télédétection multispectrale basée sur des drones pour l'agriculture de précision : une comparaison entre différentes caméras. ISPRS J. Photogramme. Télésens. 146, 124-136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Techniques d'apprentissage automatique et de télédétection appliquées à l'estimation des indicateurs de sol – revue. Écol. Ind.135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Imagerie UAV aéroportée à haute résolution pour évaluer les paramètres de la couronne des oliviers à l'aide de photos 3D.
reconstruction : application dans les essais de sélection. Télédétection 7 (4), 4213-4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Gestion de la capacité aéroportuaire : examen et analyse bibliométrique. J. Transport aérien. Gérer. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Utilisation de l'imagerie RapidEye pour identifier la variabilité au sein d'un champ de la croissance et du rendement des cultures en Ontario, Canada. Agriculture de précision. 20 (6), 1231-1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Application des drones agricoles et de l'IoT pour comprendre la chaîne d'approvisionnement alimentaire après le COVID-19. Dans : Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Informatique agricole : automatisation à l'aide de l'IoT et de l'apprentissage automatique. Wiley, p. 67-87. van Eck, N., Waltman, L., 2009. Enquête sur les logiciels : VOSviewer, un programme informatique pour la cartographie bibliométrique. Scientométrie 84 (2), 523-538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Un aperçu de l'Internet des objets (IoT) et de l'analyse des données en agriculture : avantages et défis.
IEEE Internet Things J. 5 (5), 3758-3773.
Enciso, J., Avila, CA, Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J., Maeda, M., Chavez, JC, 2019. Validation des données agronomiques Drone et terrain
mesures pour les variétés de tomates. Calculer. Électron. Agricole. 158, 278-283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Évaluation du stress hydrique multispectral et thermique à haute résolution basée sur la télédétection
vignes irriguées souterrainement. Télédétection 9 (9), 961. https://doi.org/10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Utilisation de la télédétection hyperspectrale pour la gradation des sols. Télédétection 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Évaluation multi-échelle de la réflectance de surface multispectrale basée sur des drones et des indices de végétation dans des conditions opérationnelles. Télédétection 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Étude des technologies de communication sans fil sur l'Internet des objets pour l'agriculture de précision. Pers. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. La théorie des coûts de transaction dans la recherche sur le commerce international : une étude bibliométrique sur trois décennies. Scientométrie 98 (3), 1899-1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Progrès de l'agriculture de précision dans le sud-est de l'Australie. I. une méthodologie de régression pour simuler
variation spatiale des rendements céréaliers en utilisant les rendements historiques des enclos des agriculteurs et l'indice de végétation par différence normalisé. Culture Pâturage Sci. 60 (9), 844-858.
Floreano, D., Wood, RJ, 2015. Science, technologie et avenir des petits drones autonomes. Nature 521 (7553), 460-466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet des objets pour l'avenir de l'agriculture intelligente : une étude complète des technologies émergentes. 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. Segmentation des plantes de figue à partir d'images aériennes à l'aide d'un réseau codeur-décodeur convolutionnel profond. Télédétection 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. Le défi des drones pour évaluer le stress hydrique pour
agriculture durable. Agricole. Gestion de l'eau. 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. Imagerie thermique à l'usine
niveau pour évaluer l'état de l'eau des cultures d'amandiers (cv. Guara) dans le cadre de stratégies d'irrigation déficitaire. Agricole. Gestion de l'eau. 208, 176-186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Mesures de spectroscopie de réflectance de surface et de fluorescence induite par le soleil à l'aide d'un petit UAS hyperspectral. Télédétection 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Une méthode automatique pour
cartographie des mauvaises herbes dans les champs d'avoine basée sur l'imagerie UAV. Calculer. Électron. Agricole.
Gebbers, R., Adamchuk, VI, 2010. Agriculture de précision et sécurité alimentaire. Sciences 327 (5967), 828-831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Modélisation spectrale et spatiale combinée du rendement du maïs basée sur des images aériennes et des modèles de surface de culture acquis avec un système d'avion sans pilote. Télédétection 6 (11), 10335-10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Conception durable pour les utilisateurs : une revue de la littérature et une analyse bibliométrique. Environ. Sci. Polluer. Rés. 27 (24), 29824-29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Génération de surfaces de réponse spectrale-temporelle en combinant des satellites multispectraux et des surfaces hyperspectrales
Imagerie drone pour les applications d’agriculture de précision. IEEE J. Sel. Haut. Appl. Obs. de la Terre. Télésens. 8 (6), 3140-3146. https://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Agriculture basée sur l'IoT en tant que service cloud et big data : le début de l'Inde numérique. J.Org. et calcul de l'utilisateur final. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Analyse de co-citation et recherche de collèges invisibles : une évaluation méthodologique. Scientométrie 57 (1), 27-57. https://doi.org/10.1023/
un:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Comptages numériques des plants de maïs par des véhicules aériens sans pilote (UAV). Télédétection 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Un véhicule aérien sans pilote à voilure tournante pour la surveillance des mauvaises herbes aquatiques et
gestion. J. Intell. Système robotique : théorie. Appl. 57 (1-4), 467-484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand'on, 'D., De Castro, AI, Lopez-Granados, 'F., 2014. Évaluation de l'exactitude des mosaïques issues de l'imagerie de véhicules aériens sans pilote (UAV) à des fins d'agriculture de précision dans le blé. Précis. Agricole. 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. Phénotypage sur le terrain du stress hydrique à l'échelle de l'arbre par imagerie détectée par drone : de nouvelles perspectives pour
acquisition thermique et étalonnage. Précis. Agricole. 17 (6), 786-800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Applicabilité et limites de l'utilisation de l'indice de stress hydrique des cultures comme indicateur des déficits hydriques dans les vergers d'agrumes. Agricole. Pour. Météorol. 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. Utilisation de l'imagerie thermique d'UAV haute résolution pour
évaluer la variabilité de l'état hydrique de cinq espèces d'arbres fruitiers au sein d'un verger commercial. Précis. Agricole. 14 (6), 660-678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Littératie financière : une revue systématique et une analyse bibliométrique. Int. J. Études de consommation 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Le potentiel photogrammétrique des drones à faible coût dans la foresterie et l'agriculture. Archives internationales de la photogrammétrie, de la télédétection et des sciences de l'information spatiale – Archives 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. Évaluation de la corrélation de la haute résolution
NDVI avec niveau d'application d'engrais et rendement des cultures de riz et de blé à l'aide de petits drones. Télédétection 11 (2), 112.
Gundolf, K., Filser, M., 2013. Recherche en gestion et religion : une analyse des citations. J.Autobus. Éthique 112 (1), 177-185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simulation CFD et vérification expérimentale de l'espace et les distributions temporelles de
le flux d'air descendant d'un drone agricole à quatre rotors en vol stationnaire. Calculer. Électron. Agricole. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., González P´erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Pologne, J., 2016.
Application de systèmes aériens sans pilote pour le phénotypage à haut débit des grandes pépinières de sélection de blé. Méthodes végétales 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L. et Pol ¨ onen, ¨I., 2013. Imagerie spectrale à partir d'UAV dans diverses conditions d'éclairage . Dans GG Bill R. (Ed.), Archives internationales de photogrammétrie, de télédétection et de sciences de l'information spatiale — Archives ISPRS (Vol. 40, numéro 1W2, pp. 189-194). Société internationale de photogrammétrie et de télédétection. 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. Techniques d'évaluation de la cartographie de la végétation insulaire à partir d'une antenne sans pilote
images de véhicules (UAV) : classification des pixels, interprétation visuelle et approches d’apprentissage automatique. Int. J.Appl. Obs. de la Terre. Géoinfo. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. L'agriculture intelligente grâce à un leadership responsable au Bangladesh : possibilités, opportunités et au-delà.
Durabilité 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Véhicules télépilotés à petite échelle dans la recherche environnementale. Boussole géographique 4 (9), 1297-1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Véhicules aériens sans pilote à petite échelle dans la télédétection environnementale : défis et opportunités. SIGci. Télédétection. 48 (1), 99-111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Internet des objets agricoles : technologies et applications, (1ère éd. Édition 2021). Springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004.
Imagerie depuis un véhicule aérien sans pilote : surveillance agricole et aide à la décision. Calculer. Électron. Agricole. 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, Phénotypage sur le terrain à haut débit de la hauteur et du taux de croissance des plants de blé dans des essais de parcelles de terrain utilisant la télédétection basée sur un drone. Télédétection 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. Traitement et évaluation d'images spectrométriques et stéréoscopiques collectées à l'aide d'une caméra spectrale UAV légère pour l'agriculture de précision. Télédétection 5 (10), 5006-5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Services Internet des objets basés sur des véhicules aériens sans pilote à basse altitude : enquête complète et perspectives d'avenir. 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. Navigation combinée à flux optique et stéréo des canyons urbains pour un drone. Dans : 2005 IEEE/RSJ
Conférence internationale sur les robots et systèmes intelligents, pp. 3309-3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Une plateforme agricole IoT créative pour le cloud computing. Soutenir. Calculer. Inf. Système. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Un réseau entièrement convolutif pour la cartographie des mauvaises herbes des véhicules aériens sans pilote ( imagerie drone). PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Apprentissage profond et analyse d'images basée sur les objets (OBIA) dans la cartographie des mauvaises herbes des images de drones. Int. J.
Télécommande 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. Étalonnage approfondi des couleurs pour l’imagerie UAV dans le cadre de la surveillance des cultures
en utilisant le transfert de style sémantique avec une attention locale vers mondiale. Int. J.Appl. Obs. de la Terre. Géoinfo. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Développement et perspectives de technologies de véhicules aériens sans pilote pour la production agricole
gestion. Int. J. Agric. Biol. Ing. 6 (3), 1 à 10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Développement d'un système de pulvérisation pour une plate-forme de véhicule aérien sans pilote. Appl. Ing. Agricole. 25 (6), 803-809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Acquisition de photographies numériques NIR-vert-bleu de
avions sans pilote pour le suivi des cultures. Télédétection 2 (1), 290-305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Télédétection par satellite et par drone des cultures et des sols pour une agriculture intelligente – une revue. Science du sol. Plante Nutr. 66 (6), 798-810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Une revue des applications et des technologies de communication pour l'Internet des objets (IoT) et
Agriculture intelligente durable basée sur des véhicules aériens sans pilote (UAV). Durabilité 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Évaluation de la précision des modèles numériques de surface haute résolution calculés par
PhotoScan® et MicMac® dans des conditions d'enquête sous-optimales. Télédétection 8 (6), https://doi.org/10.3390/rs8060465.
Jim´enez-Brenes, FM, Lopez-Granados, ´ F., Castro, AI, Torres-S´ánchez, J., Serrano, N., Pena, ˜ JM, 2017. Quantification des impacts de la taille sur l'architecture de l'olivier et les croissance de la canopée à l’aide d’une modélisation 3D basée sur un drone. Méthodes végétales 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Estimations de la densité végétale des cultures de blé à la levée à partir d'images UAV à très basse altitude. Télédétection.
Environ. 198, 105-114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Système de surveillance des produits agricoles pris en charge par le cloud computing. Calcul en cluster. 22 (4), 8929-8938.
Ju, C. et fils, HI 2018a. Évaluation des performances de plusieurs systèmes de drones pour la télédétection en agriculture. Actes de l'atelier sur la vision et l'action robotiques en agriculture lors de la Conférence internationale de l'IEEE sur la robotique et l'automatisation (ICRA), Brisbane, Australie, 21-26.
Ju, C., Fils, HI, 2018b. Systèmes multiples de drones pour applications agricoles : contrôle, mise en œuvre et évaluation. Électronique 7 (9), 162. https://doi.org/10.3390/
électronique7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Le potentiel de la télédétection et de l'intelligence artificielle en tant qu'outils pour améliorer la
résilience des systèmes de production agricole. Curr. Avis. Biotechnologie. 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. Une technique améliorée de dépistage des cultures intégrant l'imagerie multispectrale des cultures assistée par un véhicule aérien sans pilote dans la pratique de dépistage conventionnelle de la brûlure gommeuse de la tige de la pastèque. Plante Dis. 103 (7), 1642-1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Avancées de la recherche sur les médias sociaux : passé, présent et futur. Informer. Système. Devant. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet : réseau de détection des maladies de la vigne basé sur des images multispectrales et une carte de profondeur. Télédétection 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Comparaison de l'imagerie multispectrale par satellite et par drone pour le vignoble
évaluation de la variabilité. Télédétection 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. La blockchain IoT a permis un système de provenance optimisé pour l'industrie alimentaire 4.0 à l'aide d'un apprentissage profond avancé. Capteurs 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Détection basée sur l'image des maladies des plantes : de l'apprentissage automatique classique au parcours d'apprentissage en profondeur. Commun. sans fil. Informatique mobile. 2021, 1-13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Un nouveau cadre semi-supervisé pour la classification des cultures/mauvaises herbes basée sur les UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Un aperçu des applications actuelles et potentielles de la télédétection thermique dans l'agriculture de précision. Calculer. Électron.
Agricole. 139, 22-32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Évolution de l'Internet des objets (IoT) et son impact significatif dans le domaine de l'agriculture de précision. Calculer. Électron. Agricole. 157, 218-231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Engagement des employés pour les organisations durables : analyse de mots clés à l'aide de l'analyse des réseaux sociaux et du burst
approche de détection. Durabilité 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Intégration terrestres et embarqués par drones
méthodes de détection hyperspectrale et photogrammétrique pour la cartographie d’exploration et la surveillance minière. Télédétection 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Comptage des plants de maïs à l'aide d'images d'apprentissage en profondeur et de drones. Géosci IEEE. Télédétection Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Apprentissage automatique automatisé pour le phénotypage végétal à haut débit basé sur l'image. Télédétection 13 (5), 858. https://
est ce que je.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Tendances technologiques modernes dans le développement de l'écosystème des drones cargo. J. Phys. Conf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. SLAM visuel pour l'élevage et l'agriculture en intérieur à l'aide d'un petit drone équipé d'une caméra monoculaire : une étude de faisabilité.
Drones 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Enquête sur les drones pour l'automatisation agricole de la plantation à
récolte. Dans : INES 2018 – 22e Conférence internationale de l'IEEE sur les systèmes d'ingénierie intelligents, pp. 000353-358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Vues et défis du cadre IoT des drones : vers la protection des drones en tant que « choses ». Capteurs 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Procédures de traitement et de classification d'images pour l'analyse d'images subdécimétriques acquises avec un avion sans pilote au-dessus des zones arides.
les parcours. SIGci. Télédétection. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Véhicules aériens sans pilote pour la cartographie et la surveillance des parcours : une comparaison de deux systèmes. Actes de la conférence annuelle de l'ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Un flux de travail open source pour la cartographie des mauvaises herbes dans les prairies indigènes
utilisation d'un véhicule aérien sans pilote : utilisation de Rumex obtusifolius comme étude de cas. 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. Adoption, rentabilité et meilleure utilisation des données d'agriculture de précision.
Brouillon. Université Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Évaluation de l'imagerie des véhicules aériens sans pilote pour le suivi quantitatif des cultures de blé dans de petites parcelles. Capteurs 8 (5), 3557-3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Conception d'une agriculture intelligente basée sur le big data et l'Internet des objets. Int. J. Distrib. Réseau Sens. 16 (5) https://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Estimation à distance de la hauteur du couvert forestier et de la biomasse aérienne du maïs à l'aide d'images stéréo haute résolution provenant d'un système de véhicule aérien sans pilote à faible coût. Écol. Ind.67, 637-648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Apprentissage automatique en agriculture : une revue. Capteurs 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Phénotypage aérien à distance des caractères du maïs avec une approche mobile multi-capteurs. Méthodes végétales 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Détection et comptage des panicules de sorgho à l'aide d'images de systèmes aériens sans pilote et d'apprentissage en profondeur. Devant. Scie végétale. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Système de surveillance de l'Internet des objets de l'éco-agriculture moderne basé sur le cloud computing. Accès IEEE 7, 37050-37058.
Lopez-Granados, ´ F., 2011. Détection des mauvaises herbes pour la gestion des mauvaises herbes spécifiques à un site : cartographie et approches en temps réel. Mauvaises herbes Rés. 51 (1), 1 à 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. Surveillance précoce basée sur des objets d'une graminée dans une culture de graminées à l'aide d'images UAV haute résolution. Agron. Soutenir. Dév. 36 (4), 1-12
Lopez-Granados, ´ F., Torres-S´ánchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Cartographie des adventices en début de saison chez le tournesol à l'aide de la technologie UAV : variabilité des cartes de traitement herbicide par rapport aux seuils d'adventices. Précis. Agricole. 17 (2), 183-199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – spectroscopie d'imagerie à partir d'un système d'avion sans pilote multirotor. J. Field Rob. 31 (4),
571-590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A. et Kleemola, J., 2008. Balayage laser terrestre de les cultures agricoles. Dans JJ
Chen J. Maas H–G. (Ed.), Archives internationales de la photogrammétrie, de la télédétection et des sciences de l'information spatiale — Archives ISPRS (Vol. 37, pp. 563-566).
Société internationale de photogrammétrie et de télédétection. 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. Une revue de la classification supervisée des images de couverture terrestre basée sur des objets. ISPRS J. Photogramme. Télédétection 130,
277-293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspectives de la télédétection avec des véhicules aériens sans pilote dans l'agriculture de précision. Tendances Plant Sci. 24 (2), 152-164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Phénotypage du soja basé sur un système aérien sans pilote (UAS) utilisant la fusion de données multi-capteurs et une machine d'apprentissage extrême. ISPRS J. Photogramme. Télésens. 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.
Surveillance des cultures par fusion de données satellite/UAV et apprentissage automatique. Télédétection 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G. ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Sur l'utilisation de systèmes aériens sans pilote pour
surveillance de l'environnement. Télédétection 10 (4), 641.
Marinko, RA, 1998. Citations de revues d'études sur les femmes dans les thèses, 1989 et The Serials Librarian 35 (1-2), 29-44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Gestion des ressources dans les réseaux sans fil assistés par drone : une perspective d'optimisation. Réseau ad hoc. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Applications pratiques d'une plateforme de drone multicapteur basée sur des images multispectrales, thermiques et RVB haute résolution en précision
viticulture. Agriculture 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Au-delà de l'indice NDVI traditionnel comme facteur clé pour généraliser l'utilisation des drones dans la viticulture de précision. 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 Comparaison des drones et des avions
et des plateformes de télédétection par satellite pour la viticulture de précision. Télédétection 7 (3), 2971-2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Affinement basé sur les drones et l'apprentissage automatique d'un indice de végétation piloté par satellite pour la précision
agriculture. Capteurs 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Cartographie des auteurs dans l'espace intellectuel : un aperçu technique. Confiture. Soc. Info. Sci. 41 (6), 433-443.
Meinen, BU, Robinson, DT, 2021. Modélisation de l'érosion agricole : évaluation des estimations de l'érosion à l'échelle du terrain USLE et WEPP à l'aide de données de séries chronologiques d'UAV. Environ. Modèle. Logiciel 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Classification des communautés de prairies indigènes des basses terres à l'aide de l'imagerie hyperspectrale d'un système d'avion sans pilote (UAS) dans le
Midlands de Tasmanie. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. Applications de l'imagerie thermique des drones dans l'agriculture de précision : état de l'art et perspectives de recherche futures. Télédétection 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Une étude bibliographique sur le big data : concepts, tendances et défis. Gestion des processus métier. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Amélioration des cultures à l'aide d'ensembles de données sur le cycle de vie acquis dans des conditions de terrain. Devant. Scie végétale. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Revue sur l'application des systèmes de drones dans l'agriculture de précision. Procedia Comput. Sci. 133, 502-509.
Moharana, S., Dutta, S., 2016. Variabilité spatiale de la teneur en chlorophylle et en azote du riz à partir de l'imagerie hyperspectrale. ISPRS J. Photogramme. Télésens. 122, 17-29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. Analyse des données IoT et agricoles pour une ferme intelligente. Calculer. Électron. Agricole. 156, 467-474.
Nansen, C., Elliott, N., 2016. Télédétection et profilage de réflectance en entomologie. Ann. Révérend Entomol. 61 (1), 139-158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Cartographie multispectrale en agriculture : mosaïque de terrain à l'aide d'un drone quadricoptère autonome. Int. Conf.
Système d'avion sans pilote. (ICUAS) 2016, 1351-1358. https://doi.org/10.1109/ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. L'Internet des objets drones (Iodt) : vision future des drones intelligents. Av. Intell. Système. Calculer. 1045, 563-580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Un capteur multispectral léger pour micro-UAV : opportunités de télédétection aéroportée à très haute résolution. Int. Cambre. Photogramme. Télédétection. Crachat. Inf. Sci 37 (B1), 1193-1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Applications émergentes des drones en agriculture. Dans : 2019 7e Conférence internationale sur la technologie de l'intelligence robotique et
Applications (RiTA), pages 254 à 257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. La structure intellectuelle du domaine de la gestion stratégique : une analyse de co-citation d'auteur. Stratégie. Gérer. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Identification et surveillance automatiques des maladies des plantes à l'aide de véhicules aériens sans pilote : une revue. Télédétection 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV pour les applications de cartographie 3D : une revue. Appl. Géomatique 6 (1), 1-15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Estimation de l'évapotranspiration avec de petits drones dans l'agriculture de précision. Capteurs 20 (22), 6427. https://
est ce que je.org/10.3390/s20226427.
Osareh, F., 1996. Bibliométrie, analyse des citations et analyse des co-citations. Une revue de la littérature 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, capteurs et traitement de données en agroforesterie : une revue vers des applications pratiques. Int. J. Remote Sens. 38 (8-10), 2349-2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, États-Unis, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Une revue des solutions de données basées sur des drones pour les cultures céréalières. Drones 4 (3), 1–29. https://doi.org/10.3390/
drones4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Estimation de la teneur en huile et en protéines des graines de sésame à l'aide du traitement d'images et d'un réseau neuronal artificiel. Confiture. Huile
Société des Pharmaciens. 97 (7), 691-702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Cartographie des mauvaises herbes dans les champs de maïs en début de saison à l'aide d'une analyse basée sur les objets de
Images de véhicules aériens sans pilote (UAV). PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ánchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Un système semi-supervisé pour la cartographie des mauvaises herbes dans les cultures de tournesol à l'aide de véhicules aériens sans pilote et une méthode de détection des rangs de cultures. Appl. Informatique douce. J. 37, 533-544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Appareils IoT rentables comme sources de données fiables pour un système de gestion de l'eau basé sur la blockchain dans l'agriculture de précision. Calculer. Électron. Agricole. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Système UAV-WSN avancé pour la surveillance intelligente dans l'agriculture de précision. Capteurs 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Applications de la blockchain dans les chaînes d'approvisionnement, le transport et la logistique : une revue systématique de la littérature. Int. J.Prod. Rés. 58 (7), 2063-2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Un véhicule aérien sans pilote flexible pour l'agriculture de précision.
Précis. Agricole. 13 (4), 517-523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliographie statistique ou bibliométrie. J.Document. 25 (4), 348-349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. L'adéquation d'un véhicule aérien sans pilote (UAV) pour l'évaluation de champs et de cultures expérimentaux. Agriculture 99 (4), 431-436.
Puri, V., Nayyar, A., Raja, L., 2017. Drones agricoles : une avancée moderne dans l'agriculture de précision. J.Statis. Gérer. Système. 20 (4), 507-518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Une compilation d'applications de drones pour l'agriculture de précision. Calculer. Réseau. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Application de l'analyse du Big Data et de l'intelligence artificielle à la recherche agronomique. Indien J. Agron. 65 (4), 383-395.
Raparelli, E., Bajocco, S., 2019. Une analyse bibliométrique sur l'utilisation de véhicules aériens sans pilote dans les études agricoles et forestières. Int. J. Télédétection 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.
Utilisations potentielles des petits systèmes d'avions sans pilote (UAS) dans la recherche sur les mauvaises herbes. Mauvaises herbes Rés. 53 (4), 242-248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Les indices de végétation sont-ils dérivés de caméras grand public montées sur
Des drones suffisamment fiables pour évaluer des parcelles expérimentales ? EUR. J. Agron. 74, 75-92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. La numérisation dans les chaînes d'approvisionnement alimentaire : une revue bibliométrique et une voie principale
analyse. Durabilité 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drones pour la gestion de la chaîne d'approvisionnement et la logistique : un programme d'examen et de recherche. Int. J. Logiste. Rés. Appl.
1-24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Technologies blockchain dans la logistique et la gestion de la chaîne d'approvisionnement : une revue bibliométrique. Logistique 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Drones humanitaires : un programme d’examen et de recherche. Internet des objets 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Recherche sur la blockchain dans le domaine de la santé : une revue bibliométrique et les tendances actuelles de la recherche. J. de Data, Inf. et
Gérer. 3 (2), 109-124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Recherche sur l'Internet des objets dans la gestion de la chaîne d'approvisionnement et la logistique : une analyse bibliométrique. l'Internet
des Choses 12, 100318.
ReportLinker, 2021. Le marché mondial des drones agricoles atteindra 15.2 milliards de dollars d’ici l’annéeGlobeNewswire News Room. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Année-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Calibrage de la caméra thermique non refroidie et optimisation de la
processus de photogrammétrie pour les applications de drones en agriculture. Capteurs (Suisse) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Avancées de la recherche hôtelière : « De Rodney Dangerfield à Aretha Franklin ». Int. J. Contemporain. Hôpital. Gérer. 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. Système sensoriel basé sur un mini-UAV pour mesurer les variables environnementales dans les serres. Capteurs 15 (2), 3334-3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV grand public utilisé pour détecter et analyser les modèles de distribution spatiale des mauvaises herbes en fin de saison dans les champs d'oignons commerciaux. Précis. Agricole. 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. Sans pilote système de caméra spectrale exploité par un véhicule aérien (UAV) pour les applications forestières et agricoles. Procéder. SPIE – Int. Soc. Opter. Ing. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analyse des obstacles à la mise en œuvre de la logistique des drones. Int. J. Logiste. Rés. Appl. 24 (6), 531-550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP et Saha, HN, drone basé sur l'IOT pour l'amélioration de la qualité des cultures dans le domaine agricole. En SH
N. Chakrabarti S. (Ed.), 2018e atelier et conférence annuel de l'IEEE sur l'informatique et la communication 8, CCWC 2018 (vols. 2018-janvier, pp. 612-615). Institut
of Electrical and Electronics Engineers Inc. est ce que je: 10.1109 / CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM : une communication nouvelle et efficace basée sur les LED pour l'agriculture de précision. IEEE Conf. Info. Commun. Technologie. 2019, 1-5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Expériences de vol de drones appliquées à la télédétection des zones végétalisées. Télédétection 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.
Systèmes d'imagerie aérienne à basse altitude et haute résolution pour le phénotypage des cultures en rangs et en grandes cultures : une revue. EUR. J. Agron. 70, 112-123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Imagerie thermique haute résolution basée sur un drone pour estimer la
variabilité instantanée et saisonnière de l'état hydrique des plantes au sein d'un vignoble. Agricole. Gestion de l'eau. 183, 49-59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Au-delà de l'analyse des citations : un modèle d'évaluation de l'impact de la recherche. J.Méd. Association des bibliothèques. : 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. Spectroscopie d'imagerie liée à la science du système terrestre : une évaluation. Télédétection Environ. 113, S123 à S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Surveillance des paramètres agronomiques des cultures de blé d'hiver avec un drone à faible coût
imagerie. Télédétection 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Développement et application d'un véhicule aérien sans pilote autonome pour un échantillonnage aérobiologique précis ci-dessus
champs agricoles. J. Field Rob. 25 (3), 133-147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Permettre une agriculture de précision grâce à la détection intégrée avec l’intelligence artificielle. IEEETrans. Instrument. Mesures. 69 (7), 4103-4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Véhicules aériens sans pilote (UAV) : une enquête sur les applications civiles et les principaux défis de recherche. Accès IEEE 7,
48572-48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Agriculture pilotée par le Big Data : analyse du Big Data dans la sélection végétale, la génomique et l'utilisation de la télédétection
technologies pour améliorer la productivité des cultures. Phénomène végétal J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Analyse comparative et implication des drones et de l'IA dans les enquêtes médico-légales. Dans : Actes – 2019 Amity International
Conférence sur l'intelligence artificielle. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Le rôle de l'intelligence artificielle dans la gestion de la chaîne d'approvisionnement : cartographier le territoire. Int. J.
Prod. Rés. 1 à 24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Véhicules aériens sans pilote pour le phénotypage à haut débit et la recherche agronomique. PLoS UN
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Capturer l'hétérogénéité des peuplements de maïs dans les zones de stabilité du rendement à l'aide d'une antenne sans pilote
Véhicules (UAV). Capteurs 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. La co-citation dans la littérature scientifique : une nouvelle mesure de la relation entre deux documents. Confiture. Soc. Info. Sci. 24 (4), 265-269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualiser la science par cartographie des citations. Confiture. Soc. Info. Sci. 50 (9), 799-813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Comptage du bétail en liberté avec images aériennes géolocalisées dans de grandes zones de pâturage. Calculer. Électron. Agricole. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Une approche d'optimisation d'itinéraire dans les applications d'agriculture de précision utilisant des drones. Drones 4 (3), 58. https://doi.org/10.3390/drones4030058.
Stafford, JV, 2000. Mise en œuvre de l'agriculture de précision au 21e siècle. J. Agric. Ing. Rés. 76 (3), 267-275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Évaluation de la sécheresse du blé par imagerie de télédétection à l'aide d'un véhicule aérien sans pilote. En 2018, 37e Conférence chinoise de contrôle (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Surveillance de la rouille jaune du blé par apprentissage à partir de l’imagerie aérienne multispectrale d’UAV.
Calculer. Électron. Agricole. 155, 157-166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Innovation de la gestion économique agricole dans le processus de construction d'une agriculture intelligente par le big data. Informatique durable. Inf. Système. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Évaluation de la sensibilité d'un système aérien infrarouge thermique sans pilote pour détecter le stress hydrique dans une canopée de coton. Trans. ASABE 50 (6), 1955-1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Intégration de l'indice de végétation basé sur RVB, du modèle de surface des cultures et de l'approche d'analyse d'images basée sur des objets pour l'estimation du rendement de la canne à sucre à l'aide d'un véhicule aérien sans pilote. Calculer. Électron. Agricole. 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. Un système de cartographie hyperspectrale léger pour
véhicules aériens sans pilote : les premiers résultats. Dans : 2013 5e atelier sur le traitement hyperspectral des images et du signal : évolution de la télédétection (WHISPERS), pp. https://doi.org/1/WHISPERS.4.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Un hyperspectral léger
système de cartographie et chaîne de traitement photogrammétrique pour véhicules aériens sans pilote. Télédétection 6 (11), 11013-11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Stratégies de contrôle avancées utilisant le traitement d'image, les drones et l'IA dans l'agriculture : une revue. Monde J.Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Traitement de l'information à l'aide de citations pour étudier l'influence des revues en comptabilité. Inf. Processus. Gérer. 34 (2-3), 341-359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Une enquête sur le réseau 5G et son impact sur l'agriculture : défis et opportunités. Calculer.
Électron. Agricole. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Prise de décision fondée sur les données dans l'agriculture de précision : l'essor du Big Data dans les systèmes agricoles. J. Agric. Informations sur la nourriture.
20 (4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Estimation du rendement et de la hauteur des plantes de blé d'hiver à l'aide d'UAV- basées sur des images hyperspectrales.
Capteurs 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Échantillonnage aérobiologique coordonné d'un phytopathogène dans la basse atmosphère à l'aide de deux véhicules aériens sans pilote autonomes. J. Field Rob. 27 (3), 335-343. https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020. Détection et classification des ravageurs du soja grâce à l'apprentissage profond
avec des images de drones. Calculer. Électron. Agricole. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. L'utilisation des UAS pour évaluer les systèmes agricoles dans une zone humide en Tanzanie dans le— Et WetSeason pour une agriculture durable et fournir une vérité terrain pour les données Terra-Sar X. Dans : ISPRS – Archives internationales de photogrammétrie, de télédétection et des sciences de l'information spatiale, pp. https://doi.org/401/isprsarchivesXL-406-W10.5194-1-2.
Thelwall, M., 2008. De la bibliométrie à la webométrie. J. Infos. Sci. 34 (4), 605-621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Une méthode automatique basée sur les objets pour un seuillage optimal dans les images de drones : application pour la détection de la végétation dans les cultures herbacées. Calculer. Électron. Agricole. 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. Surveillance 3D à haut débit des plantations d'arbres agricoles avec Technologie des véhicules aériens sans pilote (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Cartographie multi-temporelle de la fraction végétale dans les champs de blé de début de saison à l'aide d'images de drones. Calculer. Électron. Agricole. 103, 104-113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Une revue des applications basées sur les drones pour l'agriculture de précision. Information (Suisse) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimisation de la planification des vols de drones pour mesurer la structure des cultures d'arbres horticoles. ISPRS J. Photogramme.
Télésens. 160, 83-96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet des objets dans l'agriculture, avancées récentes et défis futurs. Biosyste. Ing. 164, 31-48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Cartographie scientimétrique de la recherche informatique au Mexique. Scientométrie 105 (1), 97-114.
ONU., 2019. Perspectives démographiques mondiales 2019. https://population.un.org/wpp/ (Consulté le 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Caractérisation des rizières par un système de capteurs hyperspectraux miniatures montés sur un drone. IEEE J. Sel. Haut. Appl. Obs. de la Terre.
Télédétection. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Drones dans
agriculture. Av. Agron. 162, 1-30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Véhicules aériens sans pilote (UAV) dans l'agriculture de précision : applications et défis. Énergies 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Cartographie et classification des habitats marins écologiquement sensibles à l'aide d'antennes sans pilote
Imagerie de véhicules (UAV) et analyse d’images basée sur les objets (OBIA). Télédétection 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Indice d'espace vert issu d'un système aérien sans pilote sur des cultures de blé et de colza . Télédétection Environ. 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. Déploiement de quatre capteurs optiques basés sur un drone au-dessus des prairies : défis et
limites. Biogéosciences 12 (1), 163-175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet des objets souterrains dans l'agriculture de précision : aspects architecturaux et technologiques. Réseau ad hoc. 81,
160-173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. L'intelligence artificielle responsable comme ingrédient secret de la santé numérique : analyse bibliométrique, informations et orientations de recherche.
Info. Système. Devant. 1 à 16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Analyse bibliométrique des tendances de la recherche par télédétection dans le suivi de la croissance des cultures : une étude de cas en Chine. Télédétection 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Cocitation de l'auteur : Une mesure littéraire de la structure intellectuelle. Confiture. Soc. Info. Sci. 32 (3), 163-171.
Xiang, H., Tian, L., 2011. Développement d'un système de télédétection agricole à faible coût basé sur un véhicule aérien sans pilote (UAV) autonome. Biosyste. Ing. 108 (2), 174-190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Une revue des traits de phénotypage à haut débit des plantes à l'aide de capteurs basés sur des drones. Calculer. Électron. Agricole. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Véhicule aérien sans pilote pour les applications de télédétection – une revue. Télédétection 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Suivi des personnes en mouvement et suppression des fausses traces grâce à l'imagerie thermique infrarouge par un multirotor. Drones 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. Une comparaison de l'estimation des paramètres de culture à l'aide d'images à partir d'un drone monté
capteur hyperspectral instantané et appareil photo numérique haute définition. Télédétection 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Estimation de la biomasse aérienne du blé d'hiver à l'aide d'un véhicule aérien sans pilote. instantané basé sur
capteur hyperspectral et modèles améliorés de hauteur de culture. Télédétection 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Utilisation de véhicules aériens sans pilote légers pour surveiller la récupération des forêts tropicales. Biol.
Conserver. 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.
Plateforme IoT pour l'agriculture intelligente basée sur l'edge computing et le cloud computing. Biosyste. Ing. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Quantification de la hauteur des arbres à l'aide d'images à très haute résolution acquises à partir d'une antenne sans pilote
véhicule (UAV) et méthodes de photo-reconstruction automatique 3D. EUR. J. Agron. 55, 89-99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Phénotypage basé sur l'image de l'intensité de la floraison dans les cultures de saison fraîche. Capteurs 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. L'application de petits systèmes aériens sans pilote pour l'agriculture de précision : une revue. Précis. Agricole. 13 (6), 693-712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Cartographie du stress hydrique du maïs basée sur la télédétection multispectrale par drone. Télédétection 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., González-Moreno, P., Ma, H., Ye, H., Sobeih , T., 2019. Une approche basée sur l'apprentissage profond pour la rouille jaune automatisée
détection de maladies à partir d’images de drones hyperspectrales haute résolution. Télédétection 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Détection et discrimination des maladies et du stress des insectes des plants de thé à l'aide de l'imagerie hyperspectrale combinée à l'analyse par ondelettes. Calculer. Électron. Agricole. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Adaptation du domaine contradictoire guidée par l'entropie pour la segmentation sémantique des images aériennes. IEEETrans. g
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Détection de la phénologie du riz grâce à l'analyse de séries chronologiques de spectres au sol données d'indexation. Grandes cultures Rés. 198, 131-139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Conception d'un système d'ensemencement de fuite pour l'agriculture de précision basé sur des capteurs sans fil. Int. J. Ing. en ligne. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analyse des changements de hauteur des plantes du maïs versé à l'aide des données UAV-LiDAR. Agriculture 10 (5), 146. https://
est ce que je.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS : un logiciel d'analyse d'images de maïs utilisant l'apprentissage profond pour le phénotypage végétal à haut débit . Méthodes végétales 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. Prédire le rendement en grains dans riz utilisant une végétation multi-temporelle
indices issus de l’imagerie multispectrale et numérique basée sur des drones. ISPRS J. Photogramme. Télésens. 130, 246-255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulation de la technologie de base d'un système de surveillance de serre basé sur un réseau de capteurs sans fil. Int. J. Ing. en ligne. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Évaluation du stress hydrique des cultures avec l'imagerie thermique infrarouge dans l'agriculture de précision : une revue
et les perspectives d’avenir des applications d’apprentissage profond. Calculer. Électron. Agricole. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.