Abderahman Rejeb a , Alireza Abdollahi b Karim Rejeb c Horst Treiblmaier ၊ d,
- a စီမံခန့်ခွဲမှုနှင့် ဥပဒေဌာန၊ စီးပွားရေးတက္ကသိုလ်၊ ရောမတက္ကသိုလ် Tor Vergata၊ Via Columbia၊ 2၊ Rome 00133၊ အီတလီ
- b စီးပွားရေးစီမံခန့်ခွဲမှုဌာန၊ စီမံခန့်ခွဲမှုဌာန၊ Kharazmi တက္ကသိုလ်၊ 1599964511 တီဟီရန်၊
- c Bizerte ၏သိပ္ပံဌာန၊ Carthage တက္ကသိုလ်၊ Zarzouna၊ 7021 Bizerte၊ တူနီးရှား
- d နိုင်ငံတကာစီမံခန့်ခွဲမှုကျောင်း၊ Modul University Vienna၊ Am Kahlenberg 1၊ 1190 Vienna၊ Austria
ဆောင်းပါးအချက်အလက် | ြဒပ်မဲ့သော |
keywords: မောင်းသူမဲ့လေယာဉ်များ မောင်းသူမဲ့လေယာဉ် တိကျသောစိုက်ပျိုးရေးလုပ်ငန်း အရာ၏အင်တာနက်ကို Bibliometrics | Unmanned Aerial Vehicles (UAV) ဟုလည်း ခေါ်သည့် ဒရုန်းများသည် မကြာသေးမီ ဆယ်စုနှစ်များအတွင်း ထူးထူးခြားခြား တိုးတက်မှုကို မြင်တွေ့ခဲ့ရသည်။ လယ်ယာစိုက်ပျိုးရေးတွင် တောင်သူလယ်သမားများ ကုန်ကျစရိတ်များစွာ သက်သာစေပြီး တိုးမြှင့်ပေးခြင်းဖြင့် လယ်ယာအလေ့အထကို ပြောင်းလဲခဲ့ကြသည်။ လုပ်ငန်းဆောင်ရွက်မှု ထိရောက်မှု၊ နှင့် အမြတ်အစွန်း ပိုကောင်းသည်။ လွန်ခဲ့သည့်ဆယ်စုနှစ်များအတွင်း လယ်ယာသုံးဒရုန်းများအကြောင်း ခေါင်းစဉ်တပ်ခဲ့သည်။ ပညာရပ်ဆိုင်ရာ အာရုံစိုက်မှုကို သိသိသာသာ ဆွဲဆောင်ခဲ့သည်။ ထို့ကြောင့် ကျွန်ုပ်တို့သည် bibliometrics များကို အခြေခံ၍ ကျယ်ကျယ်ပြန့်ပြန့် ပြန်လည်သုံးသပ်မှုကို ပြုလုပ်ပါသည်။ ရှိပြီးသား ပညာရေးဆိုင်ရာ စာပေများကို အကျဉ်းချုံ့ပြီး ဖွဲ့စည်းတည်ဆောက်ရန်နှင့် လက်ရှိ သုတေသနလမ်းကြောင်းများနှင့် ဟော့စပေါ့များကို ဖော်ထုတ်ရန်။ ကျွန်တော်တို bibliometric နည်းစနစ်များကို အသုံးပြုကာ အကျဉ်းချုပ်နှင့် ပတ်၀န်းကျင်ရှိ စိုက်ပျိုးရေးဒရုန်း စာပေများကို ခွဲခြမ်းစိတ်ဖြာပါ။ ယခင်သုတေသနကိုအကဲဖြတ်ပါ။ ကျွန်ုပ်တို့၏ ခွဲခြမ်းစိတ်ဖြာချက်သည် အဝေးမှ အာရုံခံနိုင်မှု၊ တိကျသော စိုက်ပျိုးရေး၊ နက်နဲသော သင်ယူမှု၊ စက်သင်ယူမှု၊ နှင့် Internet of Things များသည် စိုက်ပျိုးရေးမောင်းသူမဲ့လေယာဉ်များနှင့် သက်ဆိုင်သည့် အရေးပါသော အကြောင်းအရာများဖြစ်ကြောင်း ကျွန်ုပ်တို့၏ ခွဲခြမ်းစိတ်ဖြာချက်တွင် ဖော်ပြသည်။ ပူးတွဲကိုးကားချက် ခွဲခြမ်းစိတ်ဖြာချက်သည် စာပေရှိ ကျယ်ပြန့်သော သုတေသနအစုခြောက်ခုကို ဖော်ပြသည်။ ဤလေ့လာမှုသည် စိုက်ပျိုးရေးတွင် ဒရုန်းသုတေသနကို အကျဉ်းချုံးပြီး အနာဂတ် သုတေသနလမ်းညွှန်ချက်များကို အကြံပြုရန် ပထမဆုံး ကြိုးပမ်းမှုတစ်ခုဖြစ်သည်။ |
နိဒါန္း
စိုက်ပျိုးရေးသည် ကမ္ဘာ၏ အဓိက အစားအစာ အရင်းအမြစ်ကို ကိုယ်စားပြုသည် (Friha et al., 2021) နှင့် ၎င်းသည် ပြင်းထန်သော စိန်ခေါ်မှုများနှင့် ရင်ဆိုင်နေရသည်။
အစားအစာ ထုတ်ကုန်များ လိုအပ်ချက် တိုးလာခြင်း၊ အစားအစာ ဘေးကင်းရေးနှင့် လုံခြုံရေး ဆိုင်ရာ ကိစ္စရပ်များ နှင့် သဘာဝပတ်ဝန်းကျင် ကာကွယ်ရေး၊ ရေကို ထိန်းသိမ်းရန် တောင်းဆိုမှုများ၊
ရေရှည်တည်တံ့မှု (Inoue၊ 2020)။ ကမ္ဘာ့လူဦးရေသည် 9.7 ခုနှစ်တွင် 2050 ဘီလီယံအထိ ရောက်ရှိမည်ဟု ခန့်မှန်းထားသောကြောင့် ဤဖွံ့ဖြိုးတိုးတက်မှုသည် ဆက်လက်ရှိနေဦးမည်ဟု ခန့်မှန်းရပါသည်။
(၂၀၁၉)။ စိုက်ပျိုးရေးသည် တစ်ကမ္ဘာလုံးတွင် ရေသုံးစွဲမှု၏ အထင်ရှားဆုံးသော စံနမူနာဖြစ်သောကြောင့် အစားအစာ လိုအပ်ချက်နှင့် ရေကို မျှော်မှန်းထားသည်။
မကြာမီကာလအတွင်း စားသုံးမှု သိသိသာသာ တိုးလာမည်။ ထို့အပြင် ဓာတ်မြေသြဇာနှင့် ပိုးသတ်ဆေးများ သုံးစွဲမှု တိုးလာသည်။
စိုက်ပျိုးရေးလုပ်ငန်းများ အရှိန်အဟုန်ပြင်းလာမှုနှင့်အတူ အနာဂတ်ပတ်ဝန်းကျင်ဆိုင်ရာ စိန်ခေါ်မှုများ ဖြစ်ပေါ်လာနိုင်သည်။ အလားတူ ထွန်ယက်စိုက်ပျိုးနိုင်သော မြေနေရာ ကန့်သတ်ချက်၊
တစ်ကမ္ဘာလုံးမှာ လယ်သမားဦးရေ လျော့နည်းလာတယ်။ ဤစိန်ခေါ်မှုများသည် တီထွင်ဆန်းသစ်ပြီး ရေရှည်တည်တံ့သော စိုက်ပျိုးရေးဖြေရှင်းချက်များအတွက် လိုအပ်ကြောင်း ပေါ်လွင်စေသည် (ဧလိယ
et al.၊ 2018; Friha et al.၊ 2021; Inoue၊ 2020; Tzounis et al.၊ 2017)။
ဆန်းသစ်သောနည်းပညာများကို ပေါင်းစပ်ထည့်သွင်းခြင်းသည် အဆိုပါစိန်ခေါ်မှုများကို ဖြေရှင်းရန် အလားအလာရှိသော အဖြေတစ်ခုအဖြစ် ဖော်ထုတ်ထားသည်။ ထက်မြက်သော လယ်ယာစိုက်ပျိုးခြင်း (Brewster et al.၊
2017; Tang et al., 2021) နှင့် တိကျသော စိုက်ပျိုးရေးလုပ်ငန်း (Feng et al., 2019; Khanna & Kaur, 2019) တို့သည် ထိုသို့သော ငြင်းခုံမှုများကြောင့် ထွက်ပေါ်လာခဲ့သည်။ ဟိ
ယခင်သည် သတင်းအချက်အလက် ဆက်သွယ်ရေးနည်းပညာများ (ICT) နှင့် ထိရောက်မှုနှင့် ထိရောက်မှု တိုးမြင့်လာစေရန် လယ်ယာစိုက်ပျိုးရေး လှုပ်ရှားမှုများတွင် အခြားသော ခေတ်မီဆန်းသစ်တီထွင်မှုများကို လက်ခံကျင့်သုံးခြင်းအတွက် ယေဘူယျအယူအဆတစ်ခု (Haque et al., 2021)။ နောက်ပိုင်းတွင် မြေယာကို ပိုင်းခြားထားသော ဆိုက်အလိုက် စီမံခန့်ခွဲမှုအပေါ် အလေးပေးသည်။
တစ်သားတည်းဖြစ်တည်နေသော အစိတ်အပိုင်းများနှင့် အစိတ်အပိုင်းတစ်ခုစီသည် ဆန်းသစ်သောနည်းပညာများဖြင့် သီးနှံအထွက်နှုန်းကောင်းအောင်ပြုလုပ်ရန်အတွက် စိုက်ပျိုးရေးထည့်သွင်းမှုပမာဏအတိအကျကို ရရှိသည် (Feng et al., 2019; Khanna & Kaur, 2019)။ ဤနယ်ပယ်တွင် ပညာရှင်များ၏ အာရုံစိုက်မှုကို ဆွဲဆောင်နိုင်သည့် ထင်ရှားသောနည်းပညာများတွင် Wireless Sensor Networks (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), the Internet of Things (IoT) (Gill et al.၊ 2017; He et al., 2021; Liu et al., 2019)၊
စက်သင်ယူမှုနှင့် နက်နဲသောသင်ယူမှုအပါအဝင် ဥာဏ်ရည်တု (AI) နည်းစနစ်များ (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.၊
2019)၊ ကွန်ပျူတာနည်းပညာများ (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), ဒေတာကြီး (Gill et al., 2017; Tantalaki
et al.၊ 2019) နှင့် blockchain (PW Khan et al., 2020; Pincheira et al., 2021)။
အထက်ဖော်ပြပါ နည်းပညာများအပြင် အဝေးမှ အာရုံခံခြင်းအား ပိုမိုကောင်းမွန်စေရန် အလားအလာ မြင့်မားသော နည်းပညာဆိုင်ရာ ကိရိယာတစ်ခုအဖြစ် ယူဆထားသည်။
စမတ်ကျပြီး တိကျသော စိုက်ပျိုးရေး။ ဂြိုလ်တုများ၊ လူလုပ်လေယာဉ်များနှင့် ဒရုန်းများသည် လူကြိုက်များသော အဝေးမှ အာရုံခံနည်းပညာများဖြစ်သည် (Tsouros et al., 2019)။
Unmanned Aerial Vehicles (UAVs)၊ Unmanned Aircraft Systems (UAS) နှင့် အဝေးထိန်းစနစ်ဖြင့် မောင်းနှင်သော လေယာဉ်များဟု လူသိများသော ဒရုန်းများ၊
အခြားအဝေးမှ အာရုံခံနည်းပညာများနှင့် နှိုင်းယှဉ်လျှင် ၎င်းတို့တွင် အားသာချက်များစွာရှိသောကြောင့် အလွန်အရေးကြီးပါသည်။ ဥပမာ မောင်းသူမဲ့လေယာဉ်တွေ ပို့ပေးနိုင်တယ်။
တိမ်ထူသောနေ့များတွင် အရည်အသွေးမြင့် ရုပ်ထွက်မြင့်ပုံများ (Manfreda et al., 2018)။ ထို့အပြင် ၎င်းတို့၏ ရရှိနိုင်မှုနှင့် လွှဲပြောင်းမှုအမြန်နှုန်းသည် အခြားအရာများဖြစ်သည်။
အကျိုးကျေးဇူးများ (Radoglou-Grammatikis et al., 2020)။ လေယာဉ်နှင့် နှိုင်းယှဉ်ပါက ဒရုန်းများသည် ကုန်ကျစရိတ် အလွန်သက်သာပြီး တပ်ဆင်ထိန်းသိမ်းရန် လွယ်ကူသည် (Tsouros et al., 2019)။ စစ်ဘက်ဆိုင်ရာရည်ရွယ်ချက်များအတွက် ကနဦးတွင် အဓိကအသုံးပြုခဲ့သော်လည်း ဒရုန်းများသည် ထောက်ပံ့ရေးကွင်းဆက်စီမံခန့်ခွဲမှုတွင် (A. Rejeb, Rejeb, et al., 2021a)၊ လူသားချင်းစာနာထောက်ထားမှုဆိုင်ရာရည်ရွယ်ချက်များအတွက် (A. Rejeb, Rejeb, et al.၊ 2021c)၊ စမတ်ကျသော စိုက်ပျိုးရေး၊ စစ်တမ်းကောက်ယူခြင်းနှင့် မြေပုံထုတ်ခြင်း၊ ယဉ်ကျေးမှုအမွေအနှစ်များ မှတ်တမ်းပြုစုခြင်း၊ သဘာဝဘေးအန္တရာယ် စီမံခန့်ခွဲမှုနှင့် သစ်တောနှင့် တောရိုင်းတိရစ္ဆာန် ထိန်းသိမ်းရေး (Panday, Pratihast, et al., 2020)။ စိုက်ပျိုးရေးတွင် သီးနှံစီမံခန့်ခွဲမှုကို ပံ့ပိုးရန် (ဥပမာ၊ မြေပုံထုတ်ခြင်း၊ စောင့်ကြည့်ခြင်း၊ ဆည်မြောင်း၊ အပင်ရောဂါရှာဖွေခြင်း) (H. Huang et al., 2021) တို့နှင့်အတူ ဆန်းသစ်နည်းပညာများ၊ ကွန်ပျူတာစွမ်းရည်များနှင့် onboard အာရုံခံကိရိယာများဖြင့် ပေါင်းစပ်အသုံးပြုနိုင်သောကြောင့် စိုက်ပျိုးရေးတွင် ဒရုန်းများ၏ အသုံးချဧရိယာအများအပြား တည်ရှိနေပါသည်။ ၊ သဘာဝဘေးအန္တရာယ်လျှော့ချရေး၊ ကြိုတင်သတိပေးစနစ်များ၊ တောရိုင်းတိရစ္ဆာန်နှင့် သစ်တောထိန်းသိမ်းမှု အနည်းငယ် (Negash et al., 2019)။ အလားတူပင်၊ သီးနှံနှင့် ကြီးထွားမှုစောင့်ကြည့်ခြင်း၊ အထွက်နှုန်းခန့်မှန်းချက်၊ ရေဖိအားအကဲဖြတ်ခြင်းနှင့် ပေါင်းပင်များ၊ ပိုးမွှားများနှင့် ရောဂါရှာဖွေခြင်းအပါအဝင် စိုက်ပျိုးရေးဆိုင်ရာ လုပ်ငန်းအများအပြားတွင် ဒရုန်းများကို အသုံးချနိုင်သည် (Inoue, 2020; Panday, Pratihast, et al., 2020)။ ၎င်းတို့၏ အာရုံခံအချက်အလက်များအပေါ် အခြေခံ၍ စောင့်ကြည့်ခြင်း၊ ခန့်မှန်းခြင်းနှင့် ထောက်လှမ်းခြင်း ရည်ရွယ်ချက်များအတွက် ဒရုန်းများကိုသာမက တိကျသောရေသွင်းခြင်းနှင့် တိကျသောပေါင်းပင်များ၊ ပိုးမွှားများနှင့် ရောဂါစီမံခန့်ခွဲမှုအတွက်လည်း အသုံးပြုနိုင်သည်။ တစ်နည်းဆိုရသော် ဒရုန်းများသည် သဘာဝပတ်ဝန်းကျင်ဆိုင်ရာ အချက်အလက်များကို အခြေခံ၍ ရေနှင့် ပိုးသတ်ဆေးများကို တိကျသောပမာဏဖြင့် ဖျန်းပေးနိုင်သည်။ စိုက်ပျိုးရေးတွင် ဒရုန်းများ၏ အကျိုးကျေးဇူးများကို ဇယား 1 တွင် အကျဉ်းချုပ်ဖော်ပြထားသည်။
စိုက်ပျိုးရေးတွင် ဒရုန်းများ၏ အဓိက အကျိုးကျေးဇူးများ။
အကျိုး | အကိုးအကား(များ) |
ယာယီနှင့် spatial ကို မြှင့်တင်ပါ။ အာရုံခံဆုံးဖြတ်ချက်များ | (Gago et al.၊ 2015; Niu et al.၊ 2020; Srivastava et al ။ , 2020) |
တိကျသော စိုက်ပျိုးရေးကို လွယ်ကူချောမွေ့စေပါသည်။ | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al.၊ 2017) |
အမျိုးအစားခွဲခြားခြင်းနှင့် ကင်းထောက်ခြင်း။ ကောက်ပဲသီးနှံများ | (Inoue၊ 2020; Kalischuk et al.၊ 2019; Lopez- ´ Granados et al.၊ 2016; Maimaitijiang et al.၊ 2017; Melville et al.၊ 2019; Moharana & Dutta၊ 2016) |
ဓာတ်မြေသြဇာအသုံးပြုမှု | (L. Deng et al., 2018; Guan et al., 2019) |
မိုးခေါင်ရေရှားမှုစောင့်ကြည့် | (Fawcett et al.၊ 2020; Panday၊ Pratihast၊ et al.၊ 2020; Su et al.၊ 2018) |
ဇီဝလောင်စာ ခန့်မှန်းချက် | (Bendig et al.၊ 2014) |
အထွက်နှုန်းခန့်မှန်းချက် | (Inoue၊ 2020; Panday၊ Shrestha၊ et al.၊ 2020; Tao et al ။ , 2020) |
ဘေးအန္တရာယ်လျော့ပါးရေး | (Negash et al.၊ 2019) |
တောရိုင်းတိရစ္ဆာန်များ ထိန်းသိမ်းရေးနှင့် သစ်တော | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
ရေဖိအားအကဲဖြတ်ခြင်း။ | (Inoue၊ 2020; J. Su, Coombes, et al., 2018; L. Zhang et al.၊ 2019) |
ပိုးမွှားများ၊ ပေါင်းပင်များနှင့် ရောဂါများ ထုတ်ဖေါ်ခြင်း | (Gaˇsparovi'c et al.၊ 2020; Inoue၊ 2020; J. Su၊ Liu၊ et al.၊ 2018; X. Zhang et al.၊ 2019) |
တစ်ဖက်မှာလည်း ဒရုန်းတွေဟာ ကန့်သတ်ချက်တွေနဲ့ ရင်ဆိုင်နေရပါတယ်။ Pilot ပါဝင်မှု၊ အင်ဂျင်ပါဝါ၊ တည်ငြိမ်မှုနှင့် ယုံကြည်စိတ်ချရမှု၊ payload ကြောင့် အာရုံခံကိရိယာများ၏ အရည်အသွေး
အလေးချိန်ကန့်သတ်ချက်များ၊ အကောင်အထည်ဖော်မှုကုန်ကျစရိတ်နှင့် လေကြောင်းဆိုင်ရာ စည်းမျဉ်းများ ပါဝင်သည်။ (C. Zhang & Kovacs, 2012)။ အားနည်းချက်တွေကို နှိုင်းယှဥ်ပါ။
ဇယား 2 ပါ မိုဘိုင်းအဝေးထိန်း အာရုံခံနည်းပညာသုံးမျိုး၏။ မြေဆီလွှာအာရုံခံကိရိယာများကဲ့သို့သော အခြားသော အဝေးထိန်း အာရုံခံနည်းပညာများသည် ဤလေ့လာမှု၏ အာရုံစိုက်မှုထက် ကျော်လွန်ပါသည်။
မိုဘိုင်းအဝေးထိန်း အာရုံခံနည်းပညာအမျိုးမျိုး၏ ချို့ယွင်းချက်များ။
အဝေးမှအာရုံခံခြင်း နည်းပညာများ | ချို့ယွင်းချက် | ကိုးကား |
ဒရုန်း (UAV) | လေယာဉ်မှူးပါဝင်မှု၊ ပုံများ' အရည်အသွေး (ပျမ်းမျှ); အကောင်အထည်ဖော်မှုကုန်ကျစရိတ် (ပျမ်းမျှ); တည်ငြိမ်မှု၊ တိမ်းညွတ်မှုနှင့် ယုံကြည်စိတ်ချရမှု; စံသတ်မှတ်မှု; အင်ဂျင်ပါဝါ; ကန့်သတ်ပါဝါ အရင်းအမြစ်များ (ဘက်ထရီသက်တမ်း); ကန့်သတ်ပျံသန်းချိန်၊ ယာဉ်တိုက်မှု နှင့် ဆိုက်ဘာတိုက်ခိုက်မှုများ၊ ကန့်သတ် ဝန်အလေးချိန်; ကြီးမားသောဒေတာအတွဲများ နှင့် အကန့်အသတ်ရှိသော အချက်အလက် စီမံဆောင်ရွက်ပေးခြင်း။ စွမ်းရည်များ စည်းမျဉ်းစည်းကမ်းမရှိခြင်း၊ ကျွမ်းကျင်မှုမရှိခြင်း၊ ဝင်ခွင့်မြင့်မားခြင်း။ ဝင်ခွင့်အတွက် အတားအဆီးများ စိုက်ပျိုးရေးဒရုန်းများ၊ | (Bacco et al., 2018; Dawaliby et al.၊ 2020; Hardin & Hardin၊ 2010; Hardin & ဂျင်ဆင်၊ 2011; Lagkas et al.၊ 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al.၊ 2018, 2018; Nebiker et al., 2008; ပူရီ et al.၊ 2017; Velusamy et al.၊ 2022; C. Zhang & Kovacs၊ 2012) |
ဂြိုဟ်တု | အချိန်အခါအလိုက် ဂြိုလ်တုလွှမ်းခြုံမှု၊ အကန့်အသတ်ရှိသော ရောင်စဉ်တန်း ရုပ်ထွက်၊ မြင်နိုင်စွမ်းဆိုင်ရာ ပြဿနာများအတွက် အားနည်းချက် (ဥပမာ တိမ်တိုက်များ); မရရှိနိုင်ပါ။ နှင့်နိမ့်သောလွှဲပြောင်းမြန်နှုန်း; orientation နှင့် vignetting တန်ဖိုးကြီးသော spatial data များကို သက်ရောက်မှုရှိသည်။ စုဆောင်းမှု; နှေးကွေးသောဒေတာပေးပို့ခြင်း။ အသုံးပြုသူများ ကုန်ဆုံးရန် အချိန် | (Aboutalebi et al.၊ 2019; Cen et al.၊ 2019; Chen et al.၊ 2019; Nansen & Elliott၊ 2016; ပန်ဒေး၊ ပရာတီဟက်၊ et al.၊ 2020; စိုင်းဗိနက် et al ။ , 2019) |
လေယာဉ်ပျံ | မြင့်မားသောမွေးစားစရိတ်; ရှုပ်ထွေးသောဖွဲ့စည်းမှု; ပြုပြင်ထိန်းသိမ်းမှုကုန်ကျစရိတ်; ယုံကြည်စိတ်ချရမှု မရှိခြင်း။ နိင်ငံ၊ဂျီသြမေတြီ ရုပ်ပုံများ; ပုံမှန်မဟုတ်သောဒေတာ ဝယ်ယူမှု; ပြောင်းလွယ်ပြင်လွယ်မရှိခြင်း၊ လူအသေအပျောက် မတော်တဆမှုများ၊ အာရုံခံကိရိယာဒေတာ တုန်ခါမှုများကြောင့် ပြောင်းလဲမှုများ၊ Georeferencing ပြဿနာများ | (Armstrong et al., 2011; Atkinson et al.၊ 2018; Barbedo & Koenigkan၊ 2018; Kovalev နှင့် Voroshilova၊ 2020; Suomalainen et al.၊ 2013; Thamm et al.၊ 2013) |
စိုက်ပျိုးရေးတွင် ဘက်စုံစည်းကမ်းနှင့် ဘက်စုံသုံးနည်းပညာတစ်ရပ်အနေဖြင့် ဒရုန်းများကို ရှုထောင့်အမျိုးမျိုးမှ စူးစမ်းလေ့လာခဲ့သည်။ ဥပမာအားဖြင့်၊ ပညာရှင်များသည် စိုက်ပျိုးရေးတွင် ဒရုန်းအသုံးချမှုများကို စစ်ဆေးခဲ့သည် (Kulbacki et al., 2018; Mogili & Deepak, 2018)၊ ၎င်းတို့၏ တိကျသော စိုက်ပျိုးရေးအတွက် ၎င်းတို့၏ ပံ့ပိုးကူညီမှု (Puri et al., 2017; Tsouros et al., 2019)၊ ၎င်းတို့၏ ဖြည့်စွက်ချက်များ၊ ခေတ်မီနည်းပညာများ (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) နှင့် ၎င်းတို့၏ ရေကြောင်းသွားလာမှုနှင့် အာရုံခံစွမ်းရည်များ တိုးတက်လာနိုင်ခြေများ (Bareth et , 2015; Suomalainen et al., 2014)။ စိုက်ပျိုးရေးတွင် ဒရုန်းအသုံးချမှုဆိုင်ရာ သုတေသနသည် ပျံ့နှံ့လာသောကြောင့် (Khan et al., 2021))၊ တည်ရှိနေသော စာပေများကို အကျဉ်းချုပ်ပြီး ဒိုမိန်း၏ ဉာဏတည်ဆောက်ပုံအား ဖော်ထုတ်ရန် လိုအပ်ပါသည်။ ထို့အပြင်၊ စဉ်ဆက်မပြတ် တိုးတက်မှုများရှိသော နည်းပညာမြင့်နယ်ပယ်တစ်ခုအနေဖြင့် လက်ရှိတည်ရှိနေသောစာပေများကို အချိန်အခါအလိုက် အကျဉ်းချုပ်ပြီး အရေးကြီးသော သုတေသနကွာဟချက်များကို ဖော်ထုတ်ရန်အတွက် ဖွဲ့စည်းတည်ဆောက်ထားသော သုံးသပ်ချက်များကို ပြုလုပ်ရန် လိုအပ်ပါသည်။ ရန်
ယနေ့အထိ စိုက်ပျိုးရေးကဏ္ဍတွင် ဒရုန်းအသုံးပြုမှုနှင့်ပတ်သက်၍ သုံးသပ်ချက်အနည်းငယ်ရှိသည်။ ဥပမာအားဖြင့်၊ Mogili နှင့် Deepak (2018) သည် သီးနှံစောင့်ကြည့်ခြင်းနှင့် ပိုးသတ်ဆေးဖြန်းခြင်းအတွက် သက်ရောက်မှုများကို အကျဉ်းချုံးသုံးသပ်ထားသည်။ Inoue (2020) သည် စိုက်ပျိုးရေးတွင် အဝေးမှ အာရုံခံခြင်းတွင် ဂြိုလ်တုနှင့် ဒရုန်းအသုံးပြုမှုကို ပြန်လည်သုံးသပ်သည်။ စာရေးသူသည် စမတ်လယ်ယာစိုက်ပျိုးရေးကို အသုံးချခြင်းနှင့် ဖြစ်ရပ်လေ့လာမှုများနှင့် အကောင်းဆုံးအလေ့အကျင့်များအပေါ် အခြေခံ၍ ဂြိုလ်တုများနှင့် ဒရုန်းများ၏ ပံ့ပိုးကူညီမှုများ၏ နည်းပညာဆိုင်ရာစိန်ခေါ်မှုများကို စူးစမ်းလေ့လာပါသည်။ Tsouros et al ။ (2019) သည် မတူညီသောဒရုန်းအမျိုးအစားများနှင့် စိုက်ပျိုးရေးတွင် ၎င်းတို့၏အဓိကအသုံးချပရိုဂရမ်များကို အကျဉ်းချုပ်ဖော်ပြပြီး ဒေတာရယူခြင်းနှင့် စီမံဆောင်ရွက်သည့်နည်းလမ်းအမျိုးမျိုးကို မီးမောင်းထိုးပြသည်။ မကြာသေးမီက Aslan et al ။ (2022) သည် စိုက်ပျိုးရေးလုပ်ငန်းဆောင်တာများတွင် UAV အသုံးချမှုများကို ကျယ်ကျယ်ပြန့်ပြန့် ပြန်လည်သုံးသပ်ပြီး ဖန်လုံအိမ်ရှိ UAV အတွက် တစ်ပြိုင်နက်တည်း ဒေသသတ်မှတ်ခြင်းနှင့် မြေပုံဆွဲခြင်း၏ ဆက်စပ်မှုကို အလေးပေးဖော်ပြခဲ့သည်။ Diaz-Gonzalez et al ။ (2022) တွင် မတူညီသော စက်သင်ယူမှုနည်းပညာများနှင့် အဝေးထိန်းစနစ်အပေါ် အခြေခံ၍ သီးနှံအထွက်နှုန်းထုတ်လုပ်မှုဆိုင်ရာ လတ်တလောလေ့လာမှုများကို ပြန်လည်သုံးသပ်ခဲ့သည်။
အာရုံခံစနစ်များ။ ၎င်းတို့၏ ရှာဖွေတွေ့ရှိချက်များအရ UAV များသည် မြေဆီလွှာညွှန်းကိန်းများကို ခန့်မှန်းရန်နှင့် spatial resolution၊ information temporality နှင့် flexibility တို့တွင် ဂြိုလ်တုစနစ်များကို ပိုမိုကောင်းမွန်အောင် လုပ်ဆောင်ရန် အသုံးဝင်ကြောင်း ညွှန်ပြခဲ့သည်။ Basiri et al ။ (2022) သည် တိကျသောစိုက်ပျိုးရေးအခြေအနေတွင် Multi-rotor UAV များအတွက် လမ်းကြောင်းစီစဉ်ခြင်းဆိုင်ရာစိန်ခေါ်မှုများကိုကျော်လွှားရန် အမျိုးမျိုးသောနည်းလမ်းများနှင့် နည်းလမ်းများကို စေ့စေ့စပ်စပ်ပြန်လည်သုံးသပ်မှုပြုလုပ်ခဲ့သည်။ ထို့အပြင် Awais et al. (2022) သည် ရေအခြေအနေခန့်မှန်းရန် သီးနှံများတွင် UAV အဝေးမှ အာရုံခံခြင်းဒေတာကို အကျဉ်းချုံ့ပြီး စွန့်ပစ်စိတ်ဖိစီးမှုအက်ပလီကေးရှင်းအတွက် UAV အဝေးထိန်းအာရုံခံခြင်း၏ အလားအလာရှိသော စွမ်းရည်ကို နက်ရှိုင်းစွာပေါင်းစပ်မှုကို ပံ့ပိုးပေးပါသည်။ နောက်ဆုံးအနေနဲ့ Aquilani et al ။ (2022) သည် စားကျက်အခြေခံ မွေးမြူရေးစနစ်များတွင် ကျင့်သုံးသည့် ကြိုတင်ပြင်ဆင် စိုက်ပျိုးနည်းပညာများကို ပြန်လည်သုံးသပ်ပြီး UAVs မှ ဖွင့်ထားသော အဝေးထိန်းစနစ်သည် ဇီဝလောင်စာအကဲဖြတ်ခြင်းနှင့် နွားများစီမံခန့်ခွဲမှုအတွက် အကျိုးကျေးဇူးရှိကြောင်း တွက်ချက်ထားသည်။
ထို့အပြင် တိရစ္ဆာန်များ စောင့်ကြည့်ခြင်း၊ ခြေရာခံခြင်းနှင့် စုဆောင်းခြင်းများတွင် UAV များကို အသုံးပြုရန် ကြိုးပမ်းမှုများကို မကြာသေးမီက အစီရင်ခံခဲ့သည်။
ဤသုံးသပ်ချက်များသည် အသစ်နှင့် အရေးကြီးသော ထိုးထွင်းအမြင်များကို ပေးစွမ်းနိုင်သော်လည်း bibliometrics များကိုအခြေခံ၍ ကျယ်ကျယ်ပြန့်ပြန့်နှင့် နောက်ဆုံးပေါ်ပြန်လည်သုံးသပ်ခြင်းမျိုး မတွေ့နိုင်ပါ၊ ရှင်းရှင်းလင်းလင်း အသိပညာကွာဟချက်ကို ဖော်ပြသည့် စာပေများတွင် တွေ့ရှိနိုင်ပါသည်။ ထို့အပြင်၊ ပညာရပ်ဆိုင်ရာ ထုတ်လုပ်မှုသည် သိပ္ပံနယ်ပယ်တစ်ခုတွင် ကြီးထွားလာသောအခါ၊ ဒိုမိန်း၏ အသိပညာတည်ဆောက်ပုံကို နားလည်ရန် ပမာဏပြန်လည်သုံးသပ်ခြင်းနည်းလမ်းများကို အသုံးပြုရန် သုတေသီများအတွက် အရေးကြီးလာသည် (Rivera & Pizam၊ 2015)။ အလားတူ, Ferreira et al. (2014) တွင် သုတေသနနယ်ပယ်များ ရင့်ကျက်ပြီး အနုစိတ်ဖြစ်လာသည်နှင့်အမျှ ပညာရှင်များသည် ပံ့ပိုးမှုများအသစ်များထုတ်ဖေါ်ရန်၊ သုတေသနဆိုင်ရာ ထုံးတမ်းစဉ်လာများနှင့် ခေတ်ရေစီးကြောင်းများကို ဖမ်းဆုပ်ရန်၊ မည်သည့်အကြောင်းအရာများကို လေ့လာထားသည်ကို ဖော်ထုတ်ရန်နှင့် အသိပညာဖွဲ့စည်းပုံတွင် ကျကျနန စူးစမ်းလေ့လာရန် ပညာရှင်များက အခါအားလျော်စွာ တီထွင်ဖန်တီးထားသော အသိပညာများကို သိရှိနားလည်စေရန် ရည်ရွယ်သင့်သည်ဟု စောဒကတက်ခဲ့သည်။ နယ်ပယ်နှင့် အလားအလာရှိသော သုတေသနလမ်းညွှန်ချက်များ။ Raparelli နှင့် Bajocco (2019) သည် စိုက်ပျိုးရေးနှင့် သစ်တောများတွင် ဒရုန်းအသုံးချမှုများ၏ အသိပညာနယ်ပယ်ကို ဆန်းစစ်ရန် bibliometric ခွဲခြမ်းစိတ်ဖြာမှုကို ပြုလုပ်ခဲ့သော်လည်း ၎င်းတို့၏ လေ့လာမှုသည် 1995 နှင့် 2017 ခုနှစ်အတွင်း ထုတ်ဝေခဲ့သော ပညာရှင်သုတေသနကိုသာ ထည့်သွင်းစဉ်းစားသည်၊ ၎င်းသည် လျင်မြန်စွာရွေ့လျားနေသောဧရိယာ၏ ရွေ့လျားမှုကို ထင်ဟပ်ခြင်းမရှိပါ။ ထို့အပြင် စာရေးဆရာများသည် နယ်ပယ်တွင် သြဇာအရှိဆုံး ပံ့ပိုးကူညီမှုများကို ဖော်ထုတ်ရန်၊ စာပေများကို စုစည်းကာ ပူးတွဲကိုးကားချက် ခွဲခြမ်းစိတ်ဖြာမှုဖြင့် ဉာဏဖွဲ့စည်းပုံကို အကဲဖြတ်ရန် မကြိုးစားခဲ့ပေ။ ရလဒ်အနေဖြင့်၊ လက်ရှိ သုတေသန၏ အာရုံစူးစိုက်မှု၊ ခေတ်ရေစီးကြောင်းနှင့် ဟော့စပေါ့များကို ဖော်ထုတ်ရန် စာပေကို အကျဉ်းချုံ့ရန် လိုအပ်ပါသည်။
ဤအသိပညာကွာဟချက်ကို ဖြည့်ဆည်းရန်၊ ကျွန်ုပ်တို့သည် ဒရုန်းများနှင့် စိုက်ပျိုးရေးကဏ္ဍတို့ဆုံရာတွင် လက်ရှိ သုတေသနအခြေအနေကို စစ်ဆေးရန်အတွက် အရေအတွက်ဆိုင်ရာ နည်းစနစ်နှင့် တိကျသော bibliometric နည်းလမ်းများကို အသုံးချပါသည်။ လက်ရှိလေ့လာမှုသည် စိုက်ပျိုးရေးတွင် အလွန်လိုအပ်နေသည့် နည်းပညာတစ်ရပ်ကို ဆန်းစစ်ခြင်းဖြင့် ရှိရင်းစွဲစာပေအတွက် များစွာအထောက်အကူဖြစ်စေကြောင်း ကျွန်ုပ်တို့ စောဒကတက်သည်မှာ ဤကဏ္ဍတွင် ကဏ္ဍများစွာကို ပြောင်းလဲရန် ကြီးမားသောအလားအလာကို ပံ့ပိုးပေးသောကြောင့် ဖြစ်ပါသည်။ စိုက်ပျိုးရေးဆိုင်ရာ ဒရုန်းများ၏ bibliometric ပိုင်းခြားစိတ်ဖြာမှုတစ်ခုအတွက် လိုအပ်မှုသည် စိုက်ပျိုးရေးကဏ္ဍအတွင်း ပြန့်ကျဲနေသော ဒရုန်းများအကြောင်း ပြန့်ကျဲနေသော အသိပညာများကို ပို၍ပင် ခံစားလာရသည်။ အလားတူ၊ စိုက်ပျိုးရေးဒရုန်းများနှင့် ပတ်သက်သည့် စာပေများကို ဤသုတေသနနယ်ပယ်၏ အခြေခံအုတ်မြစ်ကို တည်ဆောက်ပေးသည့် သြဇာအရှိဆုံး လေ့လာမှုများကို ထည့်သွင်းစဉ်းစားကာ စနစ်တကျ အစုလိုက်အပြုံလိုက် ပြုလုပ်ရန် လိုအပ်ပါသည်။ ခွဲခြမ်းစိတ်ဖြာမှုတွင် အကျိုးကျေးဇူးများသည် စာပေတွင် ကိုယ်စားပြုသည့် အဓိက သုတေသနဆိုင်ရာ အကြောင်းအရာများကို ရှင်းလင်းချက်လည်း ပါဝင်သည်။ နည်းပညာ၏ အသွင်ကူးပြောင်းရေးဆိုင်ရာ အလားအလာများကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့်၊ နက်ရှိုင်းသော ကွန်ရက်ခွဲခြမ်းစိတ်ဖြာမှုတစ်ခုသည် ဩဇာကြီးမားသော လက်ရာများကို ဆုံးဖြတ်ကာ စိုက်ပျိုးရေးအတွက် ဒရုန်းများ၏ အလားအလာနှင့်ပတ်သက်သော အကြောင်းအရာများကို ထုတ်ဖော်ခြင်းဖြင့် ဆန်းသစ်သော ထိုးထွင်းသိမြင်မှုကို ရရှိစေသည်ဟု ကျွန်ုပ်တို့ အခိုင်အမာ ယုံကြည်ပါသည်။
ထို့ကြောင့် ကျွန်ုပ်တို့သည် အောက်ပါ သုတေသန ရည်မှန်းချက်များ အောင်မြင်ရန် ကြိုးပမ်းသည် ။
- စိုက်ပျိုးရေးနယ်ပယ်တွင် ဒရုန်းအသုံးပြုမှုများအတွက် ထင်ရှားသောပံ့ပိုးကူညီမှုများဖြင့် သြဇာကြီးမားသောစာပေများကို ဖော်ထုတ်ခြင်း။
- စာပေများကို အစုလိုက်အပြုံလိုက် စုစည်းခြင်း၊ သုတေသနပြုခြင်းများကို ဖော်ထုတ်ခြင်းနှင့် ပူးတွဲကိုးကားချက် ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် အခေါ်အဝေါ်တူညီမှုကို အခြေခံ၍ ပင်မ 'ဉာဏဖွဲ့စည်းပုံ' လေ့လာမှုများကို ပုံဖော်ခြင်း။
- နယ်ပယ်အသီးသီးရှိ စာပေများကြားတွင် အချိန်နှင့်အမျှ ချိတ်ဆက်မှုများနှင့် ကိုးကားခြင်းကွန်ရက်များ၏ ဆင့်ကဲဖြစ်စဉ်ကို နားလည်ခြင်းနှင့် အနာဂတ် သုတေသနလမ်းညွှန်ချက်များနှင့် ပူနွေးသောအကြောင်းအရာများကို ဖော်ထုတ်ခြင်း။
ကျန်စာရွက်ကို အောက်ပါအတိုင်း ဖွဲ့စည်းထားပါသည်။ အပိုင်း 2 သည် နည်းစနစ်နှင့် ဒေတာစုဆောင်းခြင်း အဆင့်များကို အကျဉ်းချုပ်ဖော်ပြထားပါသည်။ အပိုင်း ၃ သည် ခွဲခြမ်းစိတ်ဖြာမှုရလဒ်များကို ပေးဆောင်သည်။ နှင့် အပိုင်း 3 သည် တွေ့ရှိချက်များကို ဆွေးနွေးပြီး သုတေသနပံ့ပိုးမှုများ၊ သက်ရောက်မှုများနှင့် အနာဂတ်လမ်းညွှန်ချက်များဖြင့် နိဂုံးချုပ်ထားသည်။
နည်းစနစ်
ဤလက်ရှိ သုတေသနလေ့လာမှုတွင်၊ စိုက်ပျိုးရေးတွင် ဒရုန်းအသုံးပြုမှုများကို လေ့လာရန် bibliometric ခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ပါသည်။ ဤပမာဏဆိုင်ရာ ချဉ်းကပ်မှုသည် အသိပညာဒိုမိန်း၏ ဉာဏဖွဲ့စည်းပုံ (Arora & Chakraborty၊ 2021) နှင့် ဤနည်းလမ်းကိုအသုံးပြုခြင်းဖြင့် စုံစမ်းစစ်ဆေးနိုင်သည့် လက်ရှိအခြေအနေ၊ ပူနွေးသောအကြောင်းအရာများနှင့် အနာဂတ်သုတေသနလမ်းညွှန်ချက်များကို ဖော်ပြသည် (Kapoor et al., 2018; Mishra et al. 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020)။ ယေဘူယျအားဖြင့်၊ bibliometric ပိုင်းခြားစိတ်ဖြာမှုတစ်ခုသည် လျှို့ဝှက်ထားသော ရေးသားဆက်သွယ်မှုပုံစံများကို အကျဉ်းချုပ် ဖော်ထုတ်ရန်နှင့် ကိန်းဂဏန်းနှင့်သင်္ချာနည်းလမ်းများအပေါ်အခြေခံ၍ စည်းကမ်း၏ဆင့်ကဲဖြစ်စဉ်ကို ဆန်းစစ်ကာ ၎င်းသည် ကြီးမားသောဒေတာအတွဲများနှင့်သက်ဆိုင်သည် (Pritchard၊ 1969; Small, 1999; Tahai & Rigsby ၊ ၁၉၉၈)။ bibliometrics များကိုအသုံးပြုခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် ဒိုမိန်းကို ပံ့ပိုးပေးသည့် တူညီမှုအပေါ်အခြေခံသော လက်ရှိပါရာဒိုင်းများနှင့် သုတေသန foci ကို ပိုမိုကောင်းမွန်စွာနားလည်ရန် လိုလားပါသည် (Thelwall, 1998)။ Bibliometrics သည် နည်းစနစ်၏ ရည်ရွယ်ချက် အရေအတွက် အင်အားဖြင့် ကျောထောက်နောက်ခံပြုထားသော ထိုးထွင်းသိမြင်မှုအသစ်များ (Casillas & Acedo, 2008)။ ပညာရှင်အများအပြားသည် စိုက်ပျိုးရေး၊ အဝေးမှ အာရုံခံခြင်းနှင့် ဒစ်ဂျစ်တယ်အသွင်ပြောင်းခြင်း အပါအဝင် ဆက်စပ်နယ်ပယ်များတွင် bibliometric လေ့လာမှုများကို ယခင်က ပြုလုပ်ခဲ့ပြီး (Armenta-Medina et al., 2007; Bouzembrak et al., 2020; A. Rejeb, Treiblmaier, et al., 2019; W. & Queiroz၊ 2021; Wang et al., 2021)။
ကိုးကားသုံးသပ်ချက်
ကိုးကားခြင်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာခြင်းသည် ပေးထားသော သုတေသနနယ်ပယ်တွင် အမျိုးမျိုးသော ထိုးထွင်းသိမြင်မှုကို ဖော်ပြသည်။ ပထမဦးစွာ၊ ၎င်းသည် ပေးထားသော သုတေသနနယ်ပယ်ကို ပံ့ပိုးပေးပြီး သိသာထင်ရှားသော အကျိုးသက်ရောက်မှုကို ဖြစ်စေသော သြဇာအရှိဆုံး စာရေးဆရာများနှင့် စာပေများကို ဖော်ပြရန် ကူညီပေးသည် (Gundolf & Filser, 2013)။ ဒုတိယအချက်မှာ အသိပညာစီးဆင်းမှုနှင့် စာရေးဆရာများကြား ဆက်သွယ်မှု ချိတ်ဆက်မှုများကို ဖော်ထုတ်နိုင်သည်။ နောက်ဆုံးတွင်၊ ကိုးကားခြင်းနှင့် ကိုးကားခြင်းအလုပ်များကြားရှိ လင့်ခ်များကို ခြေရာခံခြင်းဖြင့်၊ အချိန်နှင့်အမျှ အသိပညာဒိုမိန်းတစ်ခု၏ ပြောင်းလဲမှုများနှင့် ဆင့်ကဲပြောင်းလဲမှုများကို စူးစမ်းလေ့လာနိုင်သည် (Pournader
et al.၊ 2020)။ ထုတ်ဝေမှုတစ်ခု၏ မြင့်မားသောကိုးကားချက်နံပါတ်များသည် သုတေသနဒိုမိန်းအတွက် ၎င်း၏ဆက်စပ်မှုနှင့် ကြီးမားသောပံ့ပိုးမှုများကို ရောင်ပြန်ဟပ်သည် (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998)။ ထုတ်ဝေမှုများ၏ ကိုးကားခြင်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုသည်လည်း သက်ဆိုင်ရာလက်ရာများကို ခွဲခြားသိရှိနိုင်ပြီး ၎င်းတို့၏ကျော်ကြားမှုနှင့် တိုးတက်မှုကို အချိန်နှင့်အမျှ ခြေရာခံရန်လည်း ကူညီပေးပါသည်။
စာရွက်စာတမ်း ပူးတွဲကိုးကားချက် ခွဲခြမ်းစိတ်ဖြာခြင်း။
ပူးတွဲကိုးကားချက်ခွဲခြမ်းစိတ်ဖြာခြင်းသည် စာပေများကြားရှိ ဆက်ဆံရေးများကို စူးစမ်းရှာဖွေရန်နှင့် နယ်ပယ်တစ်ခု၏ ဉာဏဖွဲ့စည်းပုံအား သရုပ်ဖော်ရန် အဖိုးတန်နည်းလမ်းဖြစ်သည် (Nerur et al., 2008)။ တစ်နည်းဆိုရသော်၊ အများဆုံး ကိုးကားထားသော စာပေများနှင့် ၎င်းတို့၏ ဆက်စပ်မှုများကို ဖော်ထုတ်ခြင်းဖြင့်၊ နည်းလမ်းသည် ထုတ်ဝေမှုများကို အစုအဖွဲ့တစ်ခုမှ ထုတ်ဝေမှုများတွင် တူညီသော အယူအဆများ ပုံမှန်မျှဝေပေးသည့် ကွဲပြားသော သုတေသနအစုအဝေးများအဖြစ် ထုတ်ဝေမှုများကို ခွဲခြားသတ်မှတ်သည် (McCain, 1990; Small, 1973)။ ထုတ်ဝေမှုများ၏ တွေ့ရှိချက်များသည် ဆင်တူယိုးမှားဖြစ်ကြောင်း ဖော်ပြရန် အရေးကြီးပါသည်။
စည်းလုံးညီညွတ်ပြီး အချင်းချင်း သဘောတူ၊ ထုတ်ဝေမှုများသည် အကြောင်းအရာဆင်တူခြင်းကြောင့် အစုအဝေးတွင် တူညီသော်လည်း ၎င်းတို့သည် ဆန့်ကျင်ဘက်အမြင်များ ရှိနိုင်သည်။
အချက်အလက်စုဆောင်းခြင်းနှင့်ခွဲခြမ်းစိတ်ဖြာ
White and Griffith (1981) မှ အဆိုပြုထားသော နည်းစနစ်ကို လိုက်နာပြီး စိုက်ပျိုးရေးတွင် ဒရုန်းအသုံးချမှုဆိုင်ရာ သုတေသနနယ်ပယ်တစ်ခုလုံးကို လွှမ်းခြုံနိုင်ရန် ဂျာနယ်ဆောင်းပါးများကို ကျယ်ကျယ်ပြန့်ပြန့် ရှာဖွေခဲ့ရာ အောက်ပါအဆင့်ငါးဆင့်ကို လိုက်နာဆောင်ရွက်ခဲ့ပါသည်။
- ပထမအဆင့်မှာ ဒေတာစုဆောင်းခြင်း ဖြစ်သည်။ Scopus သည် စံချိန်စံညွှန်းရလဒ်များနှင့်အတူ အပြည့်စုံဆုံးနှင့် ယုံကြည်စိတ်ချရဆုံးဒေတာဘေ့စ်များထဲမှတစ်ခုအဖြစ် ရွေးချယ်ခံခဲ့ရသည်။ စိုက်ပျိုးရေးတွင် ဒရုန်းအပလီကေးရှင်းအားလုံးနှင့် သက်ဆိုင်သည့် ပုံနှိပ်ထုတ်ဝေမှုများ၏ မက်တာဒေတာကို ပြန်လည်ရယူခဲ့သည်။ ထို့နောက် ကျွန်ုပ်တို့သည် ရွေးချယ်ထားသော ဆောင်းပါးများကို ခွဲခြမ်းစိတ်ဖြာပြီး ခေါင်းစဉ်မဟုတ်သော ဆောင်းပါးများကို ခွဲခြမ်းစိတ်ဖြာမှုမှ ဖယ်ရှားခဲ့သည်။
- ကျွန်ုပ်တို့သည် စာပေများကို ခွဲခြမ်းစိတ်ဖြာပြီး သုတေသနနယ်ပယ်တွင် အသုံးပြုသည့် အရေးကြီးဆုံးသော့ချက်စာလုံးများကို ဖော်ထုတ်ခဲ့သည်။
- ကိုးကားချက်ခွဲခြမ်းစိတ်ဖြာမှုကို အသုံးပြု၍ အရင်းခံကိုးကားမှုပုံစံများကိုဖော်ပြရန် စာရေးဆရာများနှင့် စာရွက်စာတမ်းများကြား ချိတ်ဆက်မှုကို ကျွန်ုပ်တို့ ရှာဖွေခဲ့သည်။ စိုက်ပျိုးရေးမောင်းသူမဲ့လေယာဉ်များ၏နယ်ပယ်တွင် အရေးပါသောပံ့ပိုးမှုများဖြင့် သြဇာအရှိဆုံးစာရေးဆရာများနှင့် စာပေများကိုလည်း ကျွန်ုပ်တို့ဖော်ထုတ်ခဲ့သည်။
- အလားတူ ထုတ်ဝေမှုများကို အစုအဝေးများအဖြစ် အုပ်စုဖွဲ့ရန် ပူးတွဲကိုးကားချက် ခွဲခြမ်းစိတ်ဖြာမှုကို ပြုလုပ်ခဲ့ပါသည်။
- နောက်ဆုံးတွင်၊ ကျွန်ုပ်တို့သည် ပူးပေါင်းဆောင်ရွက်မှုကွန်ရက်ကို သရုပ်ဖော်ရန်အတွက် နိုင်ငံများ၊ အဖွဲ့အစည်းများနှင့် ဂျာနယ်များအကြား ချိတ်ဆက်မှုနှင့် ချိတ်ဆက်မှုများကို ပိုင်းခြားစိတ်ဖြာထားပါသည်။
သင့်လျော်သော ရှာဖွေမှုဝေါဟာရများကို ဖော်ထုတ်ခြင်း။
ဒေတာစုစည်းမှုအတွက် အောက်ပါရှာဖွေရေးစာကြောင်းများကို ကျွန်ုပ်တို့အသုံးပြုခဲ့သည်- (ဒရုန်း* သို့မဟုတ် "မောင်းသူမဲ့လေယာဉ်" သို့မဟုတ် uav* သို့မဟုတ် "မောင်းသူမဲ့လေယာဉ်ပျံစနစ်” OR uas သို့မဟုတ် “အဝေးမှ မောင်းနှင်သော လေယာဉ်”) နှင့် (စိုက်ပျိုးရေး သို့မဟုတ် စိုက်ပျိုးရေး သို့မဟုတ် လယ်ယာ သို့မဟုတ် လယ်သမား) အဆိုပါရှာဖွေမှုကို 2021 ခုနှစ် စက်တင်ဘာလတွင် ပြုလုပ်ခဲ့ပါသည်။ ဒရုန်းများတွင် UAV၊ UAS နှင့် အဝေးထိန်းစနစ်သုံး လေယာဉ်များ (Sah et al., 2021) အပါအဝင် ဒီဇိုင်းများစွာ ပါဝင်သည်။ Abdollahi et al ၏ လေ့လာမှုအပေါ် အခြေခံ၍ စိုက်ပျိုးရေးနှင့် ပတ်သက်သည့် သီးခြား ရှာဖွေမှု ဝေါဟာရများကို ဖော်ထုတ်ခဲ့သည်။ (၂၀၂၁)။ ရှင်းရှင်းလင်းလင်းနှင့် ပွင့်လင်းမြင်သာမှုရှိစေရန်အတွက်၊ ကျွန်ုပ်တို့အသုံးပြုခဲ့သည့် မေးခွန်းအတိအကျကို နောက်ဆက်တွဲ 2021 တွင် ပေးထားပါသည်။ ဒေတာရှင်းလင်းခြင်းလုပ်ငန်းစဉ်ပြီးနောက်၊ ကိုးကားချက်နှင့် ပူးတွဲကိုးကားမှုခွဲခြမ်းစိတ်ဖြာမှုများအတွက် ဘုံတူရိယာဖြစ်သည့် BibExcel တွင် နောက်ပိုင်းတွင် ထည့်သွင်းထားသော စာသားဖိုင်ကို ဖန်တီးခဲ့သည်။ ဤကိရိယာသည် အခြားဆော့ဖ်ဝဲလ်များနှင့် ရိုးရှင်းသော အပြန်အလှန်တုံ့ပြန်မှုကိုလည်း ပေးစွမ်းပြီး ဒေတာကိုင်တွယ်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းတွင် သိသိသာသာ လွတ်လပ်မှုအတိုင်းအတာကို ပေးဆောင်သည်။ VOSviewer ဗားရှင်း 1 ကို တွေ့ရှိချက်များကို မြင်ယောင်စေပြီး bibliometric ကွန်ရက်များကို ထုတ်လုပ်ရန် အသုံးပြုခဲ့သည် (Eck & Waltman, 1.6.16)။ VOSviewer သည် အထူးသဖြင့် bibliometric မြေပုံများကို ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် အလိုလိုသိမြင်နိုင်သော ပုံရိပ်များစွာကို ပေးဆောင်သည် (Geng et al., 2009)။ ထို့အပြင်၊ ၎င်းသည် ရလဒ်များကို ပိုမိုကောင်းမွန်စွာ နားလည်ရန် အထောက်အကူဖြစ်စေသော ရိုးရှင်းသော အမြင်အာရုံရလဒ်များကို ပေးဆောင်ရာတွင် ကူညီပေးသည် (Abdollahi et al., 2020)။ အထက်တွင်ဖော်ပြထားသည့်အတိုင်း ရှာဖွေရေးစာကြောင်းများကို အသုံးပြုခြင်းဖြင့် သက်ဆိုင်ရာစာပေအားလုံးကို စုဆောင်းသိမ်းဆည်းထားပါသည်။ ပထမရှာဖွေမှုရလဒ်များသည် စာရွက်စာတမ်းစုစုပေါင်း 2021 ကိုရရှိခဲ့သည်။ ရွေးချယ်ထားသောနမူနာ၏ အရည်အသွေးကို သေချာစေရန်၊ သုတေသနတွင် ရွယ်တူသုံးသပ်ထားသော ဂျာနယ်ဆောင်းပါးများကိုသာ ထည့်သွင်းစဉ်းစားခဲ့ပြီး စာအုပ်များ၊ အခန်းများ၊ ဆွေးနွေးပွဲများနှင့် အယ်ဒီတာမှတ်စုများကဲ့သို့သော အခြားစာရွက်စာတမ်းအမျိုးအစားများကို ချန်လှပ်ထားခဲ့သည်။ စိစစ်မှုလုပ်ငန်းစဉ်အတွင်း၊ မသက်ဆိုင်သော (ဆိုလိုသည်မှာ ဤလုပ်ငန်း၏ ဘောင်ကျော်လွန်ခြင်း)၊ မလိုအပ်သော (ဆိုလိုသည်မှာ နှစ်ထပ်ကိန်းညွှန်းခြင်းမှ အစပြုသော ထပ်တူများ) နှင့် အင်္ဂလိပ်စကားပြောမဟုတ်သော စာပေများကို စီစစ်ခဲ့သည်။ ဤလုပ်ငန်းစဉ်သည် နောက်ဆုံးခွဲခြမ်းစိတ်ဖြာမှုတွင် စာရွက်စာတမ်းပေါင်း 5,085 ပါဝင်ခဲ့သည်။
တွေ့ရှိချက်များနှင့် ဆွေးနွေးမှုများ
စတင်ရန်၊ စိုက်ပျိုးရေးဒရုန်းများဆိုင်ရာ လက်ရှိစာပေတွင် ထုတ်ဝေမှုအထွက်နှုန်းတိုးတက်မှုများကို ပိုင်းခြားစိတ်ဖြာပါသည်။ ပညာရပ်ဆိုင်ရာ သုတေသနများ၏ ယာယီခွဲဝေမှုကို ပုံ ၁ တွင်ပြသထားသည်။ ကျွန်ုပ်တို့သည် ၂၀၁၁ ခုနှစ်မှစ၍ ထုတ်ဝေမှုများ (အကြိမ် ၃၀) မှ လျင်မြန်စွာ တိုးပွားလာသည်ကို တွေ့ရပါသည်။ ထို့ကြောင့်၊ ကျွန်ုပ်တို့သည် ခွဲခြမ်းစိတ်ဖြာမှုကာလကို မတူညီသော အဆင့်နှစ်ဆင့်အဖြစ် ပိုင်းခြားရန် ဆုံးဖြတ်ခဲ့သည်။ အကြမ်းဖျင်းအားဖြင့် နှစ်စဉ် စာတမ်း ခုနစ်စောင် ထုတ်ဝေခဲ့သည့် ၁၉၉၀ နှင့် ၂၀၁၀ ကြားကာလကို ကျွန်ုပ်တို့ ရည်ညွှန်းပါသည်။ စိုက်ပျိုးမွေးမြူရေးတွင် ဒရုန်းအသုံးပြုမှုများအား သုတေသနပြုခဲ့ရာ ဤကာလအတွင်း ကိန်းဂဏန်းများ တိုးမြင့်လာသည်ကို တွေ့ရှိရသောကြောင့် 1 ခုနှစ်လွန်ကာလကို တိုးတက်မှုအဆင့်ဟု ခေါ်တွင်ခဲ့သည်။ 2011 ခုနှစ်နောက်ပိုင်းတွင် ထုတ်ဝေသူဦးရေ တိုးလာခြင်းသည် သုတေသီများအကြား စိတ်ဝင်စားမှု တိုးလာကြောင်း အတည်ပြုပြီး ဒရုန်းများကို အဝေးမှ အာရုံခံခြင်းနှင့် တိကျသော စိုက်ပျိုးရေးတွင် အသုံးပြုခဲ့သည် (Deng et al., 30; Maes & Steppe, 1990; Messina & Modica, 2010၊ ) အတိအကျအားဖြင့်၊ ထုတ်ဝေမှုအရေအတွက်သည် 2010 ခုနှစ်တွင် 2010 ခုမှ 2018 ခုနှစ်တွင် 2019 ခုအထိ မြင့်တက်လာပြီး 2020 ခုနှစ်တွင် 108 ခုအထိ မြင့်တက်ခဲ့သည်။ စုစုပေါင်း ဆောင်းပါး 2013 ခုကို 498 ခုနှစ် ဇန်နဝါရီလနှင့် စက်တင်ဘာလလယ်ပိုင်းများအတွင်း ထုတ်ဝေခဲ့သည်။ နောက်ပိုင်းတွင်၊ ကျွန်ုပ်တို့သည် တိုးတက်မှုအဆင့်တွင် ကျွန်ုပ်တို့၏ ခွဲခြမ်းစိတ်ဖြာမှုကို ပိုမိုအာရုံစိုက်ရန် ရွေးချယ်ခဲ့သည်။ ဤကာလသည် စိုက်ပျိုးရေးဒရုန်းများ၏ လတ်တလောနှင့် အရေးကြီးသော ပရိယာယ်များကို ထင်ဟပ်နေသောကြောင့်ဖြစ်သည်။
သော့ချက်စာလုံးများ ခွဲခြမ်းစိတ်ဖြာခြင်း။
ထုတ်ဝေမှုတစ်ခုအတွက် စာရေးသူရွေးချယ်သောသော့ချက်စာလုံးများသည် စာတမ်းကို ကိုယ်စားပြုပုံနှင့် သိပ္ပံဆိုင်ရာအသိုင်းအဝိုင်းအတွင်း မည်သို့ဆက်သွယ်မှုအပေါ်တွင် အရေးကြီးသောအကျိုးသက်ရောက်မှုရှိသည်။ ၎င်းတို့သည် သုတေသန၏ အဓိကကျသော ဘာသာရပ်များကို ဖော်ထုတ်ပြီး ကြီးထွားရန် သို့မဟုတ် ကျရှုံးရန် အလားအလာကို ဆုံးဖြတ်သည် (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015)။ ပိုမိုကျယ်ပြန့်သော သုတေသနလမ်းကြောင်းများနှင့် လမ်းညွှန်ချက်များကိုဖော်ပြရန် သော့ချက်စာလုံးများခွဲခြမ်းစိတ်ဖြာခြင်းကိရိယာသည် ဒိုမိန်းတစ်ခုအတွင်း ဆက်စပ်ထုတ်ဝေမှုများအားလုံး၏သော့ချက်စာလုံးများစုစည်းမှုကို ရည်ညွှန်းသည် (Dixit & Jakhar, 2021)။ လက်ရှိလေ့လာမှုတွင်၊ ကျွန်ုပ်တို့သည် စုစည်းထားသောသော့ချက်စာလုံးများကို နှစ်စုံ (ဆိုလိုသည်မှာ၊ 2010 နှင့် 2011-2021 ခုနှစ်အထိ) ရေပန်းအစားဆုံးအကြောင်းအရာများကို လေ့လာစူးစမ်းရန်။ ထိုသို့လုပ်ဆောင်ခြင်းဖြင့်၊ အတွဲနှစ်ခုစလုံးတွင် အရေးကြီးသောသော့ချက်စာလုံးများကို ခြေရာခံနိုင်ပြီး လိုအပ်သောဒေတာအားလုံးကို ဖမ်းယူထားကြောင်း အာမခံပါသည်။ အတွဲတစ်ခုစီအတွက်၊ ဇယား 3 တွင် ထိပ်တန်းသော့ချက်စာလုံးဆယ်ခုကို ဖော်ပြထားပါသည်။ "ဒရုန်း" နှင့် "ဒရုန်းများ" သို့မဟုတ် အလားတူ "အရာဝတ္ထုများ၏ အင်တာနက်" နှင့် "IoT" ကဲ့သို့သော အဓိပ္ပါယ်တူသောသော့ချက်စကားလုံးများကို ပေါင်းစည်းခြင်းဖြင့် ကျွန်ုပ်တို့သည် ရှေ့နောက်မညီမှုများကို ဖယ်ရှားပေးပါသည်။
ဇယား 3 သည် အချိန်ကာလနှစ်ခုလုံးတွင် "မောင်းသူမဲ့လေယာဉ်" နှင့် "မောင်းသူမဲ့လေကြောင်းစနစ်" နှင့် နှိုင်းယှဉ်ပါက "မောင်းသူမဲ့လေယာဉ်" သည် ပိုမိုမကြာခဏအသုံးပြုသောသော့ချက်စကားလုံးဖြစ်ကြောင်း ဇယားတွင်ဖော်ပြထားသည်။ ထို့အပြင်၊ "အဝေးမှအာရုံခံခြင်း" "တိကျမှန်ကန်သောစိုက်ပျိုးရေး" နှင့် "စိုက်ပျိုးရေး" တို့သည် ကာလနှစ်ခုလုံးတွင် အဆင့်သတ်မှတ်ခံရပါသည်။ ပထမကာလတွင် “တိကျသောစိုက်ပျိုးရေး” သည် ပဉ္စမအဆင့်ရှိပြီး ဒုတိယကာလတွင် မောင်းသူမဲ့လေယာဉ်များသည် စောင့်ကြည့်မှုပြုလုပ်နိုင်သောကြောင့် တိကျသောစိုက်ပျိုးမွေးမြူရေးကိုရရှိရန် ပို၍အရေးကြီးလာသည်ကို သရုပ်ဖော်သည်။
ထောက်လှမ်းခြင်း၊ ခန့်မှန်းခြင်းအလေ့အကျင့်များသည် အခြားအဝေးမှ အာရုံခံခြင်းနှင့် မြေပြင်အခြေခံစနစ်များနှင့် နှိုင်းယှဉ်လျှင် ပိုမိုမြန်ဆန်၊ စျေးသက်သာပြီး လုပ်ဆောင်ရန် ပိုမိုလွယ်ကူပါသည်။ ထို့အပြင် လိုအပ်သည့်အခါတွင် တိကျသောထည့်သွင်းမှုပမာဏ (ဥပမာ၊ ရေ သို့မဟုတ် ပိုးသတ်ဆေး) ကို ဖြန်းနိုင်သည် (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020)။
အသုံးအများဆုံးသော့ချက်စာလုံးများစာရင်း။
ဘှဲ့ | 1990-2010 | နံပါတ် ကွိ | 2011-2021 | နံပါတ် ကွိ |
1 | မောင်းသူမဲ့လေကြောင်း မော်တော်ယာဉ် | 28 | မောင်းသူမဲ့ ဝေဟင်ယာဉ် | 1628 |
2 | remote sensing | 7 | စေ့စပ်သေချာခြင်း လယ်ယာစိုက်ပျိုးရေး | 489 |
3 | လယ်ယာစိုက်ပျိုးရေး | 4 | remote sensing | 399 |
4 | လေကြောင်းချီ | 4 | မောင်းသူမဲ့လေယာဉ် | 374 |
5 | စေ့စပ်သေချာခြင်း လယ်ယာစိုက်ပျိုးရေး | 4 | မောင်းသူမဲ့ ဝေဟင်စနစ် | 271 |
6 | မောင်းသူမဲ့လေကြောင်း | 4 | လယ်ယာစိုက်ပျိုးရေး | 177 |
7 | ရောင်စုံရောင်စုံ အာရုံခံကိရိယာ | 3 | နက်ရှိုင်းသောသင်ယူမှု | 151 |
8 | အာရုံကြောအတု ကွန်ရက်များ | 2 | စက်ယန္တရား သင်ယူမှု | 149 |
9 | ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရလေယာဉ် | 2 | သဘာဝပေါက်ပင် အညွှန်းကိန်း | 142 |
10 | ကော်ဖီ | 2 | အင်တာနက် အမှုအရာ | 124 |
နောက်ထပ်စိတ်ဝင်စားစရာကောင်းတာက ဖြည့်စွက်နည်းပညာတွေ ရှိနေတာပါ။ ပထမအဆင့်တွင်၊ "Hyperspectral Sensor" နှင့် "artificial neural networks" (ANN) သည် ထိပ်တန်းသော့ချက်စာလုံးဆယ်လုံးတွင် ပါဝင်ပါသည်။ Hyperspectral ပုံရိပ်သည် လှိုင်းအလျားအမျိုးမျိုးတွင် ပုံအများအပြားကို စုဆောင်းခြင်းဖြင့် ရိုးရာပုံရိပ်ကို တော်လှန်ခဲ့သည်။ ထိုသို့လုပ်ဆောင်ရာတွင်၊ အာရုံခံကိရိယာများသည် ဘက်စုံပုံရိပ်ဖော်ခြင်း၊ spectroscopy နှင့် RGB ရုပ်ပုံများနှင့် နှိုင်းယှဉ်ပါက ပိုမိုကောင်းမွန်သော spatial နှင့် spectral အချက်အလက်များကို တစ်ပြိုင်နက် စုဆောင်းနိုင်သည် (Adao ˜ et al.,
2017)။ ပထမအဆင့်တွင် "ANN" ပေါ်ပေါက်ပြီး ဒုတိယအဆင့်တွင် "နက်နဲသောသင်ယူခြင်း" (DL) နှင့် "စက်သင်ယူခြင်း" (ML) တို့သည် ထုတ်ဝေသည့်အလုပ်အများစုသည် ဒရုန်းအတွက် AI နည်းပညာများ၏ အလားအလာကို စစ်ဆေးခြင်းအပေါ် အာရုံစိုက်ထားကြောင်း ဆိုလိုသည်မှာ၊ စိုက်ပျိုးရေးအခြေခံ။ ဒရုန်းများသည် အလိုအလျောက် ပျံသန်းနိုင်စွမ်းရှိသော်လည်း စက်ပစ္စည်းဆိုင်ရာ ဉာဏ်ရည်နိမ့်ပါးမှုဟု အဓိပ္ပာယ်သက်ရောက်သည့် လေယာဉ်မှူးတစ်ဦး၏ ပါဝင်ပတ်သက်မှု လိုအပ်နေသေးသည်။ သို့သော်လည်း ပိုမိုကောင်းမွန်သော အခြေအနေဆိုင်ရာ အသိအမြင်နှင့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့် ဆုံးဖြတ်ချက်ကို ပံ့ပိုးပေးနိုင်သည့် AI နည်းပညာများ တိုးတက်လာမှုကြောင့် ဤပြဿနာကို ဖြေရှင်းနိုင်မည်ဖြစ်သည်။ AI နှင့်အတူ တပ်ဆင်ထားသော ဒရုန်းများသည် လမ်းကြောင်းပြစဉ်အတွင်း တိုက်မိခြင်းကို ရှောင်ရှားနိုင်ပြီး မြေဆီလွှာနှင့် သီးနှံစီမံခန့်ခွဲမှုကို မြှင့်တင်နိုင်သည် (Inoue၊ 2020)၊ လူသားများအတွက် လုပ်အားနှင့် စိတ်ဖိစီးမှုကို လျှော့ချနိုင်သည် (BK Sharma et al., 2019)။
၎င်းတို့၏ လိုက်လျောညီထွေရှိမှုနှင့် များပြားလှသော ဒေတာများကို လိုင်းမဟုတ်သော ဒေတာများကို ကိုင်တွယ်နိုင်စွမ်းကြောင့်၊ AI နည်းပညာများသည် ဒရုန်းများနှင့် အခြားအဝေးမှ အာရုံခံစနစ်များနှင့် မြေပြင်အခြေစိုက် စနစ်များမှ ပေးပို့လာသော ဒေတာများကို ခွဲခြမ်းစိတ်ဖြာရန် သင့်လျော်သောနည်းလမ်းများဖြစ်သည် (Ali et al., 2015; Inoue၊ 2020)။ ထို့အပြင်၊ ဒုတိယကာလတွင် “IoT” ရှိနေခြင်းသည် စိုက်ပျိုးရေးတွင် ၎င်း၏ ပေါ်ထွန်းလာသော အခန်းကဏ္ဍကို ညွှန်ပြနေသည်။ IoT သည် ဒရုန်းများ၊ ML၊ DL၊ WSNs နှင့် big data များအပါအဝင် အခြားသောနည်းပညာများကို အပြန်အလှန်ချိတ်ဆက်ခြင်းဖြင့် စိုက်ပျိုးရေးကို တော်လှန်နေပါသည်။ IoT အကောင်အထည်ဖော်ခြင်း၏ အဓိကအကျိုးကျေးဇူးများထဲမှတစ်ခုမှာ လုပ်ငန်းတာဝန်အမျိုးမျိုး (ဒေတာရယူခြင်း၊ ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် စီမံဆောင်ရွက်ခြင်း၊ ဆုံးဖြတ်ချက်ချခြင်းနှင့် အကောင်အထည်ဖော်ခြင်း) ကို အချိန်နှင့်တပြေးညီ ထိထိရောက်ရောက်နှင့် ပေါင်းစပ်ဆောင်ရွက်နိုင်ခြင်းဖြစ်သည် (Elijah et al., 2018; Feng et al. 2019; Muangprathub et al., 2019)။ ထို့အပြင်၊ ဒရုန်းများသည် အသီးအရွက်များ၏ သန်စွမ်းမှုနှင့် အသီးအရွက်ဂုဏ်သတ္တိများကို တွက်ချက်ရန်အတွက် လိုအပ်သော အချက်အလက်များကို ဖမ်းယူရန်အတွက် ထိရောက်သော ကိရိယာများအဖြစ် ယူဆသည် (Candiago et al., 2015)။ ပုံ 2a နှင့် 2b သည် အချိန်ကာလနှစ်ခုလုံးအတွက် သော့ချက်စကားလုံးတွဲဖက်ဖြစ်ပေါ်မှုကွန်ရက်များကို သရုပ်ဖော်သည်။
သြဇာရှိသော စာရေးဆရာများ
ဤကဏ္ဍတွင်၊ ကျွန်ုပ်တို့သည် သြဇာကြီးသော စာရေးဆရာများကို ဆုံးဖြတ်ပြီး စာရေးသူကိုးကားချက်ကွန်ရက်များသည် လက်ရှိစာပေကို မြင်သာအောင် စုစည်းနိုင်ပုံကို ဆန်းစစ်ပါ။ ပုံ 3 သည် ကိုးကားချက်အများဆုံးရှိသော သုတေသီအားလုံး၏ အချိန်နှင့်တစ်ပြေးညီ ထပ်ဆင့်မှုကို ပြသသည်။ အရောင်စကေးသည် စာရေးဆရာများ၏ ကိုးကားချက်များ၏ နှစ်အလိုက် ကွဲပြားမှုကို ရောင်ပြန်ဟပ်သည်။ ကျွန်ုပ်တို့သည် အနည်းဆုံးကိုးကားချက် 50 နှင့် ပုံနှိပ်ထုတ်ဝေမှု ဆယ်ခုကို အသုံးပြု၍ စိုက်ပျိုးရေးဒရုန်းများဆိုင်ရာ လေ့လာမှုများကို ထုတ်ဝေသည့် သုတေသီများ၏ ကိုးကားဖွဲ့စည်းပုံကို ဆန်းစစ်ပါသည်။ ထဲက
စာရေးဆရာ ၁၂,၈၉၁ ဦး၊ ၁၁၅ ဦးသာ ဤအခြေအနေကို ကြုံတွေ့ခဲ့ရသည်။ ဇယား 12,891 သည် ကိုးကားမှုအများဆုံးအရေအတွက်ဖြင့် စီထားသော ထိပ်တန်းသြဇာရှိစာရေးဆရာ ၁၀ ဦးကို စာရင်းပြုစုထားသည်။ Lopez- Granados F. သည် ကိုးကားချက် 115 ခုဖြင့် စာရင်းကို ဦးဆောင်နေပြီး Zarco-Tejada PJ က ကိုးကားချက် 4 ခုဖြင့် ဦးဆောင်နေသည်။
အများဆုံးကိုးကားရေးသားသူများစာရင်း။
အဆင့် | စာရေးသူ | ကားအညွှန်း |
1 | Lopez-Granados ´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | တောရက်စ် အန်ချက်ဇ် ဂျေ | 1,576 |
5 | ဖာရက်စ် အီး | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
တစ်ဦးချင်း ထုတ်ဝေမှုများနှင့် ပတ်သက်လာလျှင် Zhang နှင့် Kovacs ၏ (2012) ဆောင်းပါးသည် Precision Agriculture တွင် ထုတ်ဝေသည့် အကိုးအကား အများဆုံး လေ့လာမှု ဖြစ်သည်။ ဤနေရာတွင် စာရေးသူများသည် တိကျသောစိုက်ပျိုးရေးတွင် UAS ၏အသုံးချမှုကို ပြန်လည်သုံးသပ်ခဲ့သည်။ ၎င်းတို့၏ သုတေသန တွေ့ရှိချက်များ အရ လယ်သမားများအား ယုံကြည်စိတ်ချရသော အဆုံးထုတ်ကုန်များ ပေးစွမ်းရန် ပလက်ဖောင်း ဒီဇိုင်း၊ ထုတ်လုပ်မှု၊ ပုံသဏ္ဌာန် စံနှုန်းသတ်မှတ်ခြင်း နှင့် သတင်းအချက်အလက် ပြန်လည်ရယူခြင်း လုပ်ငန်းစဉ်ကို မြှင့်တင်ရန် လိုအပ်ကြောင်း အကြံပြုအပ်ပါသည်။ ထို့အပြင်၊ အထူးသဖြင့် လယ်ကွင်းစီမံခြင်း၊ ရုပ်ပုံဖမ်းယူခြင်းအပြင် ဒေတာအဓိပ္ပာယ်ပြန်ဆိုခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းတို့တွင် လယ်သမားအား ပိုမိုပြင်းထန်စွာ ထိတွေ့ဆက်ဆံရန် အကြံပြုထားသည်။ အရေးကြီးသည်မှာ၊ ဤလေ့လာမှုသည် UAV ၏အရေးပါမှုကို လယ်ကွင်းမြေပုံဆွဲခြင်း၊ သန်စွမ်းမှုမြေပုံထုတ်ခြင်း၊ ဓာတုပါဝင်မှုတိုင်းတာခြင်း၊ အသီးအရွက်များ ဖိစီးမှုစောင့်ကြည့်ခြင်းနှင့် အပင်ကြီးထွားမှုအပေါ် ဓာတ်မြေသြဇာများ၏ အကျိုးသက်ရောက်မှုများကို အကဲဖြတ်ခြင်းတွင် ပထမဆုံးသော လေ့လာမှုတစ်ခုဖြစ်သည်။ နည်းပညာနှင့်ပတ်သက်သည့် စိန်ခေါ်မှုများတွင် တားမြစ်ထားသောကုန်ကျစရိတ်များ၊ အာရုံခံနိုင်စွမ်း၊ ပလပ်ဖောင်းတည်ငြိမ်မှုနှင့် ယုံကြည်စိတ်ချရမှု၊ စံချိန်စံညွှန်းသတ်မှတ်ခြင်း မရှိခြင်းနှင့် ဒေတာပမာဏအများအပြားကို ခွဲခြမ်းစိတ်ဖြာရန် တသမတ်တည်းလုပ်ဆောင်မှုတို့ ပါဝင်ပါသည်။
ကိုးကားသုံးသပ်ချက်
ကိုးကားချက်ခွဲခြမ်းစိတ်ဖြာခြင်းသည် ဆောင်းပါးများ၏ လွှမ်းမိုးမှုကို လေ့လာခြင်းကို ကိုယ်စားပြုသည်၊ စီးဆင်းမှုများ (ဥပမာ- ကိုးကားမှုဘက်လိုက်မှု၊ မိမိကိုယ်ကို ကိုးကားခြင်း) သည် သက်ရောက်မှုအကဲဖြတ်မှုအတွက် စံတူရိယာများထဲမှတစ်ခုဟု ယူဆသည် (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al.၊ 2010)။ ကိုးကားချက်များသည် သီးခြားအကြောင်းအရာတစ်ခုအတွက် စာပေအတွက် စာတမ်းများ၏ အရေးပါမှုနှင့် တက်ကြွမှုကိုလည်း ထင်ဟပ်စေသည် (R. Sharma et al., 2022)။ စိုက်ပျိုးရေးဒရုန်းများပေါ်တွင် သြဇာအရှိဆုံး လေ့လာမှုများကို ဆုံးဖြတ်ရန်နှင့် အကြောင်းအရာများကို အကျဉ်းချုံ့ရန် ကိုးကားမှု ခွဲခြမ်းစိတ်ဖြာမှုကို ကျွန်ုပ်တို့ ပြုလုပ်ခဲ့ပါသည်။ ဇယား 5 သည် 1990-2010 နှင့် 2011-2021 ကာလများအတွက် သြဇာအရှိဆုံး စာတမ်း ၁၅ ခု၏ စာရင်းကို ဖော်ပြပါသည်။ Berni et al ၏ဆောင်းပါးများ။ (2009)b နှင့် Austin (2010) သည် 1990 နှင့် 2010 အတွင်း ကိုးကားမှုအများဆုံးဖြစ်ပြီး 831 နှင့် 498 အသီးသီးရှိသည်။ Berni et al ။ (2009)b သည် စျေးနှုန်းသက်သာသော အပူနှင့် ကျဉ်းမြောင်းသော ဘက်စုံပုံရိပ်အာရုံခံ အာရုံခံကိရိယာများဖြင့် တပ်ဆင်ထားသော ရဟတ်ယာဉ်အခြေခံ UAV မှတစ်ဆင့် အရေအတွက်အဝေးထိန်းခြင်းဆိုင်ရာ ထုတ်ကုန်များ ဖွံ့ဖြိုးတိုးတက်ရန် အလားအလာကို သရုပ်ဖော်ထားသည်။ သမားရိုးကျ လူလိုက်ပါသော ဝေဟင်မှ အာရုံခံကိရိယာများနှင့် နှိုင်းယှဉ်ပါက စိုက်ပျိုးရေးအတွက် ကုန်ကျစရိတ်သက်သာသော UAV စနစ်သည် သီးနှံများ၏ ဇီဝရုပ်ပိုင်းဆိုင်ရာ ကန့်သတ်ချက်များ၏ နှိုင်းယှဉ်ခန့်မှန်းချက်များကို ရရှိနိုင်သော်လည်း ပိုမိုကောင်းမွန်ခြင်းမရှိပါ။ တတ်နိုင်လောက်သော ကုန်ကျစရိတ်နှင့် လုပ်ငန်းလည်ပတ်မှု ပြောင်းလွယ်ပြင်လွယ်၊ မြင့်မားသော ရောင်စဉ်တန်းများ၊ အာကာသနှင့် ယာယီဖြေရှင်းချက်များနှင့်အတူ၊ ဆည်မြောင်းအချိန်ဇယားရေးဆွဲခြင်းနှင့် တိကျစွာစိုက်ပျိုးခြင်းအပါအဝင် အချိန်-အရေးပါသော စီမံခန့်ခွဲမှုလိုအပ်သော အပလီကေးရှင်းများစွာအတွက် သင့်လျော်သော UAV များကို တင်ဆက်ပေးပါသည်။ Berni et al မှစာတမ်း။ (2009)b သည် စိုက်ပျိုးရေးအသုံးအဆောင်များအတွက် လိုအပ်သော ချိန်ညှိမှုယန္တရားများနှင့်အတူ မောင်းသူမဲ့ rotary-wing platform နှင့် ဒစ်ဂျစ်တယ်နှင့် အပူအာရုံခံကိရိယာများကို ထိရောက်စွာပေါင်းစပ်ထားသောကြောင့် အထူးပင်ကိုးကားထားပါသည်။ ဒုတိယအကိုးအကားအများဆုံးထုတ်ဝေမှုမှာ Austin (2010) မှရေးသားသော စာအုပ်ဖြစ်ပြီး UAV များကို ဒီဇိုင်း၊ ဖွံ့ဖြိုးတိုးတက်မှုနှင့် အသုံးချမှုဆိုင်ရာရှုထောင့်များမှ ဆွေးနွေးခဲ့သည်။ စိုက်ပျိုးရေးတွင် UAV များသည် သီးနှံအရောင်ပြောင်းခြင်း၊ သီးနှံကြဲခြင်းနှင့် ပက်ဖြန်းပေးခြင်းတို့ကို ဆောင်ရွက်ပေးခြင်း၊ နွားများကို စောင့်ကြည့်ခြင်းနှင့် မောင်းနှင်ခြင်းတို့ဖြင့် ရောဂါများကို စောစီးစွာသိရှိနိုင်ခြင်းဖြင့် သီးနှံစောင့်ကြည့်ခြင်းကို ပံ့ပိုးပေးပါသည်။
Sullivan et al ၏လေ့လာမှုများ။ (၂၀၀၇)၊ Lumme et al။ (၂၀၀၈) နှင့် Gokto ¨ ǧan et al. (2007) သည် ထိပ်တန်း ကိုးကားမှု အများဆုံး ဆောင်းပါး ဆယ့်ငါးခု စာရင်းကို အပြီးသတ်ခဲ့သည်။ ဤဆောင်းပါးများသည် စိုက်ပျိုးရေးကို ပံ့ပိုးရန်အတွက် UAV အခြေခံစနစ်များ ဖွံ့ဖြိုးတိုးတက်မှုကို သရုပ်ဖော်ထားသည်။ ၎င်းတို့သည် သီးနှံစောင့်ကြည့်ခြင်းနှင့် စကင်န်ဖတ်ခြင်း၊ ပေါင်းပင်စောင့်ကြည့်ခြင်းနှင့် စီမံခန့်ခွဲခြင်းနှင့် ဆုံးဖြတ်ချက်ပံ့ပိုးခြင်းကဲ့သို့သော ပြဿနာအမျိုးမျိုးအတွက် ဖြေရှင်းနည်းများကို ပေးဆောင်သည်။ ၎င်းတို့သည် UAV ၏နမူနာစွမ်းဆောင်ရည်ကို တိုးမြှင့်ရန်နှင့် တိကျထိရောက်သော အကြံဉာဏ်များဖန်တီးရာတွင် လယ်သမားများအား အထောက်အကူဖြစ်စေရန် အကြံပြုဆွေးနွေးသည်။
စိုက်ပျိုးနည်းဗျူဟာများ။ စာတမ်းနှစ်စောင်ကို Berni (Berni et al., 2009b; Berni et al., 2009a) က စိုက်ပျိုးရေးဒရုန်းနှင့်ပတ်သက်သည့် သုတေသနပြုမှုအပေါ် သူ၏ သိသာထင်ရှားသော အကျိုးသက်ရောက်မှုကို အလေးပေးဖော်ပြခဲ့သည်။ Zarco-Tejada et al မှစာတမ်း။ (2014) သည် သစ်ပင်အမြင့်ပမာဏသတ်မှတ်ခြင်းတွင် ကုန်ကျစရိတ်နည်းသော UAV ရုပ်ပုံများကို အသုံးပြုရန်လိုအပ်ကြောင်း သရုပ်ပြရန် ရှေ့ဆောင်လေ့လာမှုများထဲမှ တစ်ခုဖြစ်သည်။
အကိုးအကားအများဆုံး စာစောင်များစာရင်း။
ဘှဲ့ | 1990 မှစ. 2010 မှ | 2011 မှစ. 2021 မှ | ||
စာရွက်စာတမ်း | ဆင့်ခေါ်ချက် | စာရွက်စာတမ်း | ဆင့်ခေါ်ချက် | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs၊ 2012) | 967 |
2 | (အော်စတင်၊ ၂၀၁၀) | 498 | (Nex & Remondino၊ 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & Wood၊ 2015) | 552 |
4 | (SR Herwitz et al.၊ 2004) | 285 | (Hossein Motlagh et al.၊ 2016) | 391 |
5 | (CCD Lelong et al.၊ 2008) | 272 | (Shakhatreh et al.၊ 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al.၊ 2017) | 373 |
7 | (Grenzdorffer ¨ et al.၊ 2008) | 198 | (Bendig et al.၊ 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al.၊ 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (ကြော်ငြာ˜ ao et al.၊ 2017) | 335 |
10 | (Schmale III et al.၊ 2008) | 119 | (Honkavaara et al.၊ 2013) | 331 |
11 | (Abd-Elrahman et al.၊ 2005) | 79 | (Candiago et al.၊ 2015) | 327 |
12 | (Techy et al.၊ 2010) | 69 | (Xiang & Tian၊ 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al.၊ 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al.၊ 2015) | 275 |
15 | (Gokto ¨ ǧan et al.၊ 2010) | 40 | (Aasen et al., 2015a) | 269 |
ဒုတိယကာလ (2011-2021) တွင် Zhang and Kovacs (2012) နှင့် Nex နှင့် Remondino (2014) တို့၏ သုတေသနပြုချက်များသည် မကြာခဏ ကိုးကားဖော်ပြသော စာပေများဖြစ်ခဲ့သည်။ Zhang နှင့် Kovacs (2012) သည် တိကျသောစိုက်ပျိုးရေးတွင် ပထဝီဝင်အချက်အလက်စနစ်များ၊ GPS နှင့် အဝေးမှအာရုံခံခြင်းကဲ့သို့သော ပထဝီဝင်ဆိုင်ရာနည်းပညာများနှင့် အာရုံခံကိရိယာများကို အကောင်အထည်ဖော်ခြင်းမှ အကျိုးအမြတ်ရရှိနိုင်သည်ဟု ငြင်းခုံကြသည်။ တိကျသောစိုက်ပျိုးရေးတွင် ဂိမ်းပြောင်းလဲမှုတစ်ခုအနေဖြင့်၊ ဒရုန်းများကို မွေးစားခြင်းသည် အဝေးမှ အာရုံခံနိုင်မှု၊ ဝေဟင်ကြည့်ရှုမှုကို ရိုးရှင်းလွယ်ကူစေကာ သီးနှံကြီးထွားမှုဒေတာ၊ မြေဆီလွှာအခြေအနေနှင့် မှုတ်ထုတ်သည့်ဧရိယာများတွင် ခေတ်သစ်တစ်ခုကို ညွှန်ပြခဲ့သည်။ Zhang and Kovacs (2012) ၏ သုံးသပ်ချက်သည် ပလက်ဖောင်းနှင့် ကင်မရာ ကန့်သတ်ချက်များ၊ ဒေတာ စီမံဆောင်ရွက်ရေး စိန်ခေါ်မှုများ၊ လယ်သမား ထိတွေ့ဆက်ဆံမှုနှင့် လေကြောင်း စည်းမျဉ်းများ ကဲ့သို့သော ပတ်ဝန်းကျင် စောင့်ကြည့်ခြင်းနှင့် တိကျသော စိုက်ပျိုးရေးတွင် ဤစက်ပစ္စည်းများ၏ လက်ရှိအသုံးပြုမှုနှင့် စိန်ခေါ်မှုများကို ထုတ်ဖော်ခြင်းဖြင့် ထိုးထွင်းသိမြင်နိုင်စေသည့် ဟောပြောမှုတစ်ခု ဖြစ်ပါသည်။ . ဒုတိယ
Nex and Remondino (2014) မှ ကိုးကားထားသော လေ့လာမှုအများစုသည် မြေကြီးပုံများကို ရိုက်ကူးခြင်း၊ လုပ်ဆောင်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းတို့အတွက် UAV များ၏ အနုပညာအခြေအနေကို ပြန်လည်သုံးသပ်ခဲ့သည်။
၎င်းတို့၏လုပ်ငန်းသည် UAV ပလပ်ဖောင်းများ၊ အက်ပ်လီကေးရှင်းများနှင့် အသုံးပြုမှုကိစ္စရပ်များစွာ၏ ခြုံငုံသုံးသပ်ချက်ကိုလည်း UAV ရုပ်ပုံလုပ်ဆောင်ခြင်းတွင် နောက်ဆုံးပေါ်တိုးတက်မှုများကို ပြသထားသည်။ စိုက်ပျိုးရေးတွင် လယ်သမားများသည် ကုန်ကျစရိတ်နှင့် အချိန်ကုန်သက်သာစေရန် ထိရောက်သော ဆုံးဖြတ်ချက်များချရန် UAV များကို အသုံးပြုနိုင်ပြီး ပျက်စီးဆုံးရှုံးမှုမှတ်တမ်းကို လျင်မြန်ပြီး တိကျစွာရရှိကာ ဖြစ်နိုင်သည့်ပြဿနာများကို ကြိုတင်ခန့်မှန်းနိုင်သည်။ သမားရိုးကျ ဝေဟင်ပလပ်ဖောင်းများနှင့် ဆန့်ကျင်ဘက်အနေဖြင့် UAV များသည် လုပ်ငန်းလည်ပတ်မှုကုန်ကျစရိတ်များကို ဖြတ်တောက်နိုင်ပြီး ခက်ခဲသောနေရာများတွင် ဝင်ရောက်နိုင်သည့်အန္တရာယ်ကို လျှော့ချနိုင်ပြီး မြင့်မားသောတိကျမှုအလားအလာကို ထိန်းသိမ်းထားဆဲဖြစ်သည်။ ၎င်းတို့၏စာတမ်းသည် အထူးသဖြင့် တိကျမှုနှင့် ကြည်လင်ပြတ်သားမှုဆိုင်ရာ UAV များ၏ အားသာချက်များကို အကျဉ်းချုပ်ဖော်ပြထားသည်။
2011 နှင့် 2021 ခုနှစ်အတွင်း ကျန်ရှိသော ကိုးကားဖော်ပြချက် 2014 စောင်အနက်မှ ပုံရိပ်ဖော်မစ်ရှင်များတွင် ဒရုန်းအပလီကေးရှင်းများနှင့် ချိတ်ဆက်ထားသော သုတေသနလုပ်ငန်းများတွင် ပိုမိုအာရုံစိုက်မှုကို သတိပြုမိသည် (Bendig et al., 2017; Ma et al., 2014; Zarco-Tejada et al., 2015) ၊ တိကျသောစိုက်ပျိုးရေး (Candiago et al., 2013; Honkavaara et al., 2015a), တိကျသော viticulture (Matese et al., 2015), ရေဖိစီးမှုအကဲဖြတ်ခြင်း (Gago et al., 2015) နှင့် အသီးအရွက်များ စောင့်ကြည့်ခြင်း (Aasen et al. ၊ XNUMXa)။ အစောပိုင်းနှစ်များတွင် သုတေသီများက အာရုံစိုက်ခဲ့သည်။
စိုက်ပျိုးရေးအတွက် ကုန်ကျစရိတ်သက်သာ၊ ပေါ့ပါးပြီး တိကျသော UAV-based စနစ်များ တီထွင်ခြင်းအတွက် နောက်ထပ်၊ မကြာသေးမီက သုတေသနသည် စိုက်ပျိုးရေးနှင့် ကွင်းဆင်းလေ့လာခြင်းအတွက် UAV အပလီကေးရှင်းများ၏ သုံးသပ်ချက်များကို ပိုမိုအာရုံစိုက်ခဲ့သည်။ အနှစ်ချုပ်အားဖြင့်၊ ဤခွဲခြမ်းစိတ်ဖြာချက်သည် သြဇာကြီးမားသောစာပေများသည် UAV များ၏ လက်ရှိသိပ္ပံနှင့်နည်းပညာဆိုင်ရာ အခြေအနေကို အကဲဖြတ်ရန်နှင့် တိကျသောစိုက်ပျိုးရေးဆိုင်ရာ UAV စနစ်များကို တီထွင်ရန်အတွက် ကြိုတင်လေ့လာမှုများနှင့်ပတ်သက်၍ သုံးသပ်ချက်အများစုကို ပေးထားကြောင်း ဖော်ပြသည်။ စိတ်ဝင်စားစရာကောင်းတာက၊ လက်တွေ့ကျတဲ့ လေ့လာမှုတွေကို မတွေ့ခဲ့ရပါဘူး။
သိသာထင်ရှားသော အသိပညာကွာဟချက်ဖြင့် ဖွဲ့စည်းထားသည့် ဤအကြောင်းအရာနှင့် ပတ်သက်၍ နောက်ထပ်သုတေသနပြုရန် တောင်းဆိုသည့် နည်းလမ်းများ သို့မဟုတ် သရုပ်ဖော်မှုဆိုင်ရာ ဖြစ်ရပ်လေ့လာမှုများ။
ပူးတွဲကိုးကားသုံးသပ်ချက်
Gmür (2006) အရ၊ ပူးတွဲကိုးကားချက်ခွဲခြမ်းစိတ်ဖြာချက်သည် အလားတူစာပေများကို ခွဲခြားသတ်မှတ်ပြီး ၎င်းတို့ကို အစုအဝေးအဖြစ် သတ်မှတ်သည်။ အစုအဖွဲ့တစ်ခုအား ဂရုတစိုက်စစ်ဆေးခြင်းသည် စာပေများကြားတွင် ဘုံသုတေသနနယ်ပယ်တစ်ခုကို ဖော်ပြနိုင်သည်။ ဆက်စပ်ဘာသာရပ်နယ်ပယ်များကို သရုပ်ဖော်ရန်နှင့် စာပေများ၏ ဉာဏ်ရည်ဉာဏ်သွေးပုံစံများကို သိရှိနိုင်ရန် စိုက်ပျိုးရေးဒရုန်းများနှင့် သက်ဆိုင်သည့် စာပေများ၏ ပူးတွဲကိုးကားချက်ကို ကျွန်ုပ်တို့ စုံစမ်းစစ်ဆေးပါသည်။ ယင်းနှင့်ပတ်သက်၍ Small (1973) မှ သြဇာအရှိဆုံးနှင့် ဟောပြောမှုဆိုင်ရာ သုတေသနကို လေ့လာရန် cocitation analysis ကို အသုံးပြုရန် အကြံပြုထားသည်။
စည်းကမ်းတစ်ခုအတွင်း။ ဟောပြောမှုအများဆုံး ဆောင်းပါးများ (Goyal & Kumar၊ 2021) ကို ကန့်သတ်ရန်၊ ဆောင်းပါး 25 ခု သို့မဟုတ် ထို့ထက်ပိုသော ကွဲပြားသော ထုတ်ဝေမှုများ၏ ကိုးကားမှုစာရင်းတွင် ဆောင်းပါးနှစ်ခုကို ပူးတွဲကိုးကားခြင်းအဆင့် 25 ကို သတ်မှတ်ပေးထားပါသည်။ အစုအဖွဲ့ကို အနိမ့်ဆုံး အစုအရွယ်အစား 1 ဖြင့်လည်း လုပ်ဆောင်ခဲ့ပြီး သေးငယ်သော အစုအဝေးများကို ပိုကြီးသောအစုများနှင့် ပေါင်းစည်းရန် မည်သည့်နည်းလမ်းမှ မပါဘဲ လုပ်ဆောင်ခဲ့သည်။ ရလဒ်အနေဖြင့် လေ့လာမှုများ၏ တူညီမှုနှင့် ၎င်းတို့၏ ဉာဏ်ရည်ဉာဏ်သွေး တည်ဆောက်မှုအပေါ် အခြေခံ၍ အစုအဖွဲ့ခြောက်ခုကို ထုတ်ပေးခဲ့သည်။ ဇယား 6 သည် အစုအဖွဲ့တစ်ခုစီရှိ စာစောင်များ ဖြန့်ဖြူးမှုကို ပြသသည်။
အစုအဝေး 1- ဤအစုအဝေးတွင် ထုတ်ဝေသည့် စာရွက်စာတမ်း ဆယ့်ရှစ်ခုပါရှိသည်၊ ဤအစုအဝေးရှိ ထုတ်ဝေမှုများတွင် သဘာဝပတ်ဝန်းကျင် စောင့်ကြည့်ခြင်း၊ သီးနှံစီမံခန့်ခွဲမှုနှင့် ပေါင်းပင်စီမံခန့်ခွဲမှုအတွက် ဒရုန်းများ၏ အခန်းကဏ္ဍကို ဆွေးနွေးတင်ပြထားပါသည်။ ဥပမာ Manfreda et al ။ (2018) သည် သဘာဝစိုက်ပျိုးရေးဂေဟစနစ်စောင့်ကြည့်ရေးတွင် UAV ၏ လက်ရှိသုတေသနနှင့် အကောင်အထည်ဖော်ဆောင်ရွက်ချက်များကို ခြုံငုံသုံးသပ်ပြီး နည်းပညာသည် သဘာဝပတ်ဝန်းကျင်စောင့်ကြည့်ခြင်းကို သိသိသာသာမြှင့်တင်ရန်နှင့် လျှော့ချရန် ကြီးမားသောအလားအလာများကို ပေးဆောင်သည်ဟု စောဒကတက်သည်။
ကွင်းဆင်းကြည့်ရှုခြင်းနှင့် သမားရိုးကျလေထုနှင့် အာကာသတွင်းရှိ အဝေးထိန်းအာရုံခံခြင်းကြားရှိ ကွာဟချက်။ ၎င်းကို တတ်နိုင်သောနည်းဖြင့် ကြီးမားသော ဧရိယာများဆီသို့ တိုးတက်ကောင်းမွန်သော ယာယီပြန်လည်ထုတ်ယူမှုနှင့် အာကာသဆိုင်ရာ ထိုးထွင်းသိမြင်မှုများအတွက် စွမ်းရည်အသစ်များကို ပေးဆောင်ခြင်းဖြင့် လုပ်ဆောင်နိုင်ပါသည်။ UAV များသည် ပတ်ဝန်းကျင်ကို အဆက်မပြတ် အာရုံခံစားနိုင်ပြီး ရရှိလာသော ဒေတာများကို ရောဂါကင်းမဲ့ခြင်း သို့မဟုတ် ရေထောက်လှမ်းမှု မရှိခြင်းကဲ့သို့သော နောက်ဆုံးပြဿနာများကို သိရှိနိုင်ရန် အာရုံခံကိရိယာများကို ထိန်းချုပ်သည့် အသိဉာဏ်ရှိသော ဗဟိုချုပ်ကိုင်မှု/ ဗဟိုချုပ်ကိုင်မှုရှိသော အရာများထံ ပေးပို့နိုင်သည် (Padua ´ et al., 2017)။ Adao ˜ et al ။ (2017) တွင် UAV များသည် ရေအခြေအနေ၊ ဇီဝလောင်စာခန့်မှန်းချက်နှင့် သန်စွမ်းမှုအကဲဖြတ်ခြင်းဆိုင်ရာ များပြားလှသော ဒေတာပမာဏကို ဖမ်းယူခြင်းဖြင့် အပင်များ၏ အခြေအနေများကို အကဲဖြတ်ရန်အတွက် စံပြဖြစ်ပါကြောင်း (2015) ခုနှစ်တွင် အကြံပြုအပ်ပါသည်။ အဝေးမှ အာရုံခံဒေတာများကို အချိန်နှင့်တစ်ပြေးညီ ဖမ်းယူနိုင်စေရန်အတွက် UAV တပ်ဆင်ထားသော အာရုံခံကိရိယာများကို သင့်လျော်သောပတ်ဝန်းကျင်အခြေအနေများတွင် ချက်ခြင်းအသုံးပြုနိုင်သည် (Von Bueren et al., 2015)။ UAVs များအားဖြင့် လယ်သမားများသည် အိမ်တွင်းစိုက်ပျိုးရေးပတ်ဝန်းကျင် (ဥပမာ- ဖန်လုံအိမ်များ) ၏ သုံးဖက်မြင်နေရာရှိ မည်သည့်နေရာမှ လက်တွေ့ကျကျ တိုင်းတာမှုများ ရယူခြင်းဖြင့် အိမ်တွင်းစိုက်ပျိုးရေး လှုပ်ရှားမှုများကို လုပ်ဆောင်နိုင်သည် (ဥပမာ- ဖန်လုံအိမ်များ)၊ ထို့ကြောင့် ဒေသန္တရရာသီဥတု ထိန်းချုပ်ရေးနှင့် အပင်စောင့်ကြည့်ရေး (Roldan ´ et al ။၊ XNUMX)။ တိကျမှု၏ဆက်စပ်မှု
စိုက်ပျိုးရေး၊ သီးနှံစီမံခန့်ခွဲမှုဆိုင်ရာ ဆုံးဖြတ်ချက်များသည် သင့်လျော်သော ယာယီနှင့် spatial resolution ဖြင့် တိကျပြီး ယုံကြည်စိတ်ချရသော သီးနှံအချက်အလက်များ လိုအပ်သည် (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019)။ ဤအကြောင်းကြောင့်, Agüera Vega et al ။ (2015) တွင် စိုက်ပျိုးရာသီအတွင်း နေကြာသီးနှံပုံများကို ရယူရန် UAV တပ်ဆင်ထားသော ဘက်စုံအာရုံခံစနစ်အား အသုံးပြုခဲ့သည်။ အလားတူ Huang et al ။ UAV များကိုအခြေခံ၍ အဝေးမှ အာရုံခံခြင်းသည် စုဆောင်းထားသော ရောင်စဉ်တန်းဒေတာမှ ကောက်ပဲသီးနှံများနှင့် မြေဆီလွှာများကို တိုင်းတာရာတွင် လွယ်ကူချောမွေ့စေနိုင်ကြောင်း (၂၀၀၉) သတိပြုပါ။ Verger et al ။ (2009) တွင် ဂျုံနှင့် မုဒုံသီးနှံများကို အဓိကထား၍ တိကျသောစိုက်ပျိုးရေးအသုံးချမှုတွင် UAV ရောင်ပြန်ဟပ်မှုတိုင်းတာခြင်းမှ အစိမ်းရောင်ဧရိယာအညွှန်းကိန်း (GAI) ကို ခန့်မှန်းခြင်းနှင့် စမ်းသပ်ခြင်းနည်းပညာကို တီထွင်ခဲ့သည်။ ထို့ကြောင့်၊ ဒရုန်းများသည် မကြာခဏ ပြန်လည်ကြည့်ရှုမှုများနှင့် မြင့်မားသော spatial resolution ဖြင့် သီးနှံပြည်နယ်အချက်အလက်ကို ပြန်လည်ရယူရန်အတွက် ဖြစ်နိုင်ခြေအသစ်များ (Dong et al., 2014; Garzonio et al., 2019; H. Zheng et al., 2017)။
စိုက်ပျိုးရေးမောင်းသူမဲ့လေယာဉ်များပေါ်တွင် သြဇာကြီးမားသော စာပေများကို အစုလိုက်အပြုံလိုက် ပြုလုပ်ခြင်း။
စပျစ်သီးပြွတ် | ကျယ်ပြန့်သော အပြင်အဆင် | ကိုးကား |
1 | ပတ်ဝန်းကျင် စောင့်ကြည့်ရေး၊ သီးနှံ စီမံခန့်ခွဲမှု၊ ပေါင်းပင်စီမံခန့်ခွဲမှု | (ကြော်ငြာ˜ ao et al.၊ 2017; Agüera Vega et al., 2015; de Castro et al.၊ 2018; Gomez-Cand ´on´ et al., 2014; YB Huang et al.၊ 2013; Khanal et al.၊ 2017; Lopez-Granados, ´ 2011; Manfreda et al.၊ 2018; P´ adua et al.၊ 2017; Pena ˜ et al., 2013; P'erez-Ortiz et al., 2015; Rasmussen et al.၊ 2013၊ 2016; တောရက်စ် anchez et al., 2014; တောရက်စ်-ဆန်းချက်ဇ်၊ လော့ပက်ဇ်-ဂရန်နာဒို့စ်၊ Pena၊ ˜ 2015; Verger et al.၊ 2014; ဗွန် Bueren et al.၊ 2015; C. Zhang & Kovacs၊ 2012) |
2 | အဝေးမှ phenotyping၊ အထွက်နှုန်း ခန့်မှန်းချက်၊ သီးနှံမျက်နှာပြင်ပုံစံ၊ အပင်များရေတွက်ခြင်း။ | (Bendig et al.၊ 2013၊ 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter၊ 2017; ဟဂ္ဂဟတ္တလက် et al.၊ 2016; Holman et al.၊ 2016; Jin et al.၊ 2017; W. Li et al.၊ 2016; Maimaitijiang et al.၊ 2017; Sankaran et al., 2015; Schirrmann et al.၊ 2016; Shi et al.၊ 2016; Yue et al.၊ 2017; X Zhou et al.၊ 2017) |
3 | ရေအတွက် အပူဓါတ်၊ ဘက်စုံပုံရိပ်ဖော်ခြင်း။ | (Baluja et al., 2012; Berni et al.၊ 2009b; Berni et al., 2009a ; Candiago et al., 2015; Gago et al.၊ 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al.၊ 2019; Matese et al.၊ 2015; Ribeiro-Gomes et al.၊ 2017; Santesteban et al.၊ 2017; Uto et al.၊ 2013) |
4 | Hypersectral ပုံရိပ်၊ ရောင်စဉ်တန်း ပုံရိပ် | (Aasen et al., 2015a; Bareth et al.၊ 2015; Hakala et al., 2013; Honkavaara et al., 2013a; လူစီယာ et al., 2014; Saari et al., 2011; Suomalainen et al.၊ 2014) |
5 | 3D-mapping အက်ပ်များ | (Jim'enez-Brenes et al., 2017; Nex & Remondino၊ 2014; Salamí et al.၊ 2014; တောရက်စ် အန်ချက်ဇ်၊ လိုပက်ဇ် Granados, Serrano, et al., 2015; Zahawi et al.၊ 2015; Zarco-Tejada et al ။ , 2014) |
6 | စိုက်ပျိုးရေးစောင့်ကြည့်ခြင်း။ | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al.၊ 2008; Primicerio et al., 2012; Xiang & Tian၊ 2011) |
ထို့အပြင် ဒရုန်းများသည် ပေါင်းပင်မြေပုံအပါအဝင် စိုက်ပျိုးရေးတွင် စိန်ခေါ်သည့်အလုပ်များအတွက် အသုံးဝင်သည်။ စက်ပစ္စည်းများဖြင့် ရိုက်ကူးထားသော ပုံများသည် လယ်ကွင်းများတွင် ပေါင်းပင်များကို အစောပိုင်းရှာဖွေတွေ့ရှိခြင်းအတွက် ၎င်းတို့၏အသုံးဝင်မှုကို သက်သေပြခဲ့သည် (de Castro et al., 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados´ et al., 2016; Rozenberg et al., 2021)။ ဤကိစ္စအတွက်, de Castro et al. UAV ရုပ်ပုံနှင့် အရာဝတ္ထု-အခြေခံပုံ ခွဲခြမ်းစိတ်ဖြာခြင်း (OBIA) ပေါင်းစပ်မှုသည် ရာသီကြိုမြက်ခင်းပြင်သီးနှံများတွင် အလိုအလျောက်ရှာဖွေတွေ့ရှိခြင်းဆိုင်ရာ ပြဿနာကို ကျွမ်းကျင်သူများအား ကျော်လွှားနိုင်စေခဲ့ကြောင်း (2018) တွင် အကြံပြုထားသည်။ အလားတူပင် Pena ˜ et al. (2013) တွင် UAV မှ အလွန်မြင့်မားသော spatial resolution ပုံရိပ်များကို OBIA လုပ်ထုံးလုပ်နည်းနှင့် တွဲ၍ အသုံးပြုခြင်းသည် ရာသီအလိုက် ပေါင်းပင်ထိန်းချုပ်ရေး အစီအမံများ အကောင်အထည်ဖော်ရာတွင် စီမံချက်ရေးဆွဲရာတွင် အသုံးပြုနိုင်သည့် အစောပိုင်းပြောင်းသီးနှံများတွင် ပေါင်းပင်မြေပုံများ ထုတ်လုပ်နိုင်စေကြောင်း ထောက်ပြပါသည်။ ဂြိုလ်တုနှင့် သမားရိုးကျ ဝေဟင်မှ ပုံရိပ်များ စွမ်းရည်ထက် ကျော်လွန်သော အလုပ်။ ရုပ်ပုံအမျိုးအစားခွဲခြားခြင်း သို့မဟုတ် အရာဝတ္တုရှာဖွေခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များနှင့် နှိုင်းယှဉ်ပါက ပေါင်းပင်မြေပုံထုတ်ခြင်းလုပ်ငန်း (J. Deng et al., 2020) တွင် အဓိပ္ပါယ်ရှိသော အပိုင်းခွဲခြင်းနည်းပညာများသည် လယ်သမားများအား လယ်ကွင်းအခြေအနေများကို သိရှိနိုင်စေရန်၊ ဆုံးရှုံးမှုများလျော့ပါးစေရန်နှင့် စိုက်ပျိုးရာသီတစ်လျှောက် အထွက်နှုန်းများတိုးတက်စေသည် (Ramesh et al.၊ 2020)။ နက်ရှိုင်းစွာ သင်ယူမှုအခြေခံသော အတွေးအမြင်အပိုင်းခွဲခြင်းသည် ကြည်လင်ပြတ်သားသည့် ဝေဟင်ပုံများမှ အသီးအရွက်များဖုံးလွှမ်းမှုကို တိကျသောတိုင်းတာမှုကိုလည်း ပေးစွမ်းနိုင်သည် (Ramesh et al., 2020; A. Zheng et al., 2022)။ အလားအလာရှိသော်လည်း အဝေး
အာရုံခံ pixel အမျိုးအစားခွဲခြားခြင်း၊ အခေါ်အဝေါ်ခွဲခြားခြင်းနည်းပညာများသည် သိသာထင်ရှားသောတွက်ချက်မှုနှင့် သိသိသာသာမြင့်မားသော GPU memory လိုအပ်သည် (J. Deng et al., 2020)။
စက်သင်ယူမှုနှင့် UAV ကိုအခြေခံ၍ P'erez-Ortiz et al. (2015) တွင် လယ်သမားများ အစောပိုင်းမှ ပေါ်ပေါက်လာသော ပေါင်းပင်ထိန်းချုပ်မှုအား ချမှတ်သောအခါ နေရာအလိုက် ပေါင်းပင်ထိန်းချုပ်ရေး မဟာဗျူဟာများ ပံ့ပိုးပေးရန်အတွက် ပေါင်းပင်မြေပုံရေးဆွဲခြင်းနည်းလမ်းကို အကြံပြုခဲ့သည်။ နောက်ဆုံးအနေနဲ့ Rasmussen et al ။ (2013) တွင် ဒရုန်းများသည် ကြီးမားသော spatial resolution ပြောင်းလွယ်ပြင်လွယ်ဖြင့် စျေးမကြီးသော အာရုံခံနိုင်စွမ်းကို ပေးဆောင်ကြောင်း မီးမောင်းထိုးပြထားသည်။ ယေဘုယျအားဖြင့်၊ ဤအစုအဝေးရှိ ထုတ်ဝေမှုများသည် အဝေးမှ အာရုံခံခြင်း၊ သီးနှံစောင့်ကြည့်ခြင်းနှင့် ပေါင်းပင်မြေပုံထုတ်ခြင်းကို ပံ့ပိုးရန် UAV များ၏ အလားအလာများကို စူးစမ်းလေ့လာခြင်းအပေါ် အာရုံစိုက်ပါသည်။ သဘာဝပတ်ဝန်းကျင်စောင့်ကြည့်ခြင်း၊ သီးနှံစီမံခန့်ခွဲမှုနှင့် ပေါင်းပင်မြေပုံထုတ်ခြင်းတွင် ဒရုန်းအသုံးပြုမှုများသည် မည်ကဲ့သို့ ရေရှည်တည်တံ့သော စိုက်ပျိုးရေးကို ပိုမိုရရှိစေမည်နည်း (Chamuah & Singh၊ 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) နှင့် သီးနှံအာမခံ အပလီကေးရှင်းများတွင် ဤနည်းပညာ၏ အုပ်ချုပ်မှုဆိုင်ရာ ပြဿနာများကို ဖြေရှင်းပါ (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021)။ သုတေသီများသည် စီမံဆောင်ရွက်ထားသော ဒေတာ၏ အဆုံးစွန်သော အရည်အသွေးကို မြှင့်တင်ရန် ထိရောက်သော လုပ်ဆောင်မှုနည်းစနစ်များဖြင့် UAV စုဆောင်းထားသော တိုင်းတာမှုများကို တရားဝင်အောင် အာရုံစိုက်သင့်သည် (Manfreda et al., 2018)။ ထို့အပြင်၊ ဒစ်ဂျစ်တယ်ပုံများတွင် ပေါင်းပင်များကိုပြသသည့် pixels များကို အသိအမှတ်ပြုရန်နှင့် UAV ပေါင်းပင်မြေပုံရေးဆွဲစဉ်အတွင်း မသက်ဆိုင်သောနောက်ခံကိုဖယ်ရှားသည့် pixels များကို အသိအမှတ်ပြုသည့် သင့်လျော်သော အယ်လဂိုရီသမ်များ ဖွံ့ဖြိုးတိုးတက်ရန် လိုအပ်သည် (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. 2018၊ 2020; Lopez- ´ Granados et al., 2016)။ အပင်အသိအမှတ်ပြုခြင်း၊ အရွက်အမျိုးအစားခွဲခြင်းနှင့် ရောဂါမြေပုံထုတ်ခြင်းတွင် အဓိပ္ပါယ်ရှိသော အပိုင်းခွဲခြင်းနည်းပညာများကို လက်ခံကျင့်သုံးခြင်းဆိုင်ရာ သုတေသနပြုမှုကို ကြိုဆိုပါသည် (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020)။
အစုအဝေး 2။ ဤအစုအဝေးရှိ စာစောင်များသည် စိုက်ပျိုးရေးဒရုန်းများ၏ ကဏ္ဍများစွာကို အာရုံစိုက်ထားသည်။ ဝေးလံခေါင်သီသော phenotyping နှင့်ဆက်စပ်သော Sankaran et al။ (2015) သည် လယ်ကွင်းအတွင်း ကောက်ပဲသီးနှံများကို လျင်မြန်စွာ ပုံရိုက်ခြင်းအတွက် UAV ဖြင့် အမြင့်ပေ၊ ကြည်လင်ပြတ်သားသော ဝေဟင်ပုံရိပ်များကို အသုံးပြုခြင်း၏ အလားအလာကို ပြန်လည်သုံးသပ်ခဲ့ပြီး ၎င်းတို့သည် မြေပြင်အခြေစိုက် အာရုံခံပလက်ဖောင်းများနှင့် နှိုင်းယှဉ်ပါက လုံလောက်သော အာရုံခံကိရိယာများပါရှိသော UAV လေးများသည် အားသာချက်များစွာကို ပေးစွမ်းနိုင်သည်ဟု ငြင်းခုံကြသည်။ နယ်ပယ်သို့ပိုမိုလွယ်ကူစွာဝင်ရောက်နိုင်ခြင်း၊ မြင့်မားသောပုံရိပ်ပြတ်သားမှုဒေတာ၊ ထိရောက်သောဒေတာစုဆောင်းခြင်းကဲ့သို့သော၊
နယ်ပယ်တိုးတက်မှုအခြေအနေများကို လျင်မြန်စွာ အကဲဖြတ်ခြင်းနှင့် လုပ်ငန်းလည်ပတ်မှုကုန်ကျစရိတ်နည်းပါးခြင်း။ သို့သော်လည်း၊ နယ်ပယ် phenotyping အတွက် UAV ၏ ထိရောက်သော အသုံးချမှုသည် အခြေခံကျသော ဒြပ်စင်နှစ်ခုဖြစ်သည့် UAV အင်္ဂါရပ်များ (ဥပမာ၊ ဘေးကင်းရေး၊ တည်ငြိမ်မှု၊ နေရာချထားမှု၊ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်) နှင့် အာရုံခံဝိသေသလက္ခဏာများ (ဥပမာ၊ ကြည်လင်ပြတ်သားမှု၊ အလေးချိန်၊ ရောင်စဉ်တန်းလှိုင်းအလျား၊ အကွက်၊ အမြင်)။ Haghighattalab et al ။ (2016) တွင် UAV ရုပ်ပုံမှ ကွက်လပ်အဆင့်ဒေတာကို ရယူရန်နှင့် မွေးမြူခြင်းလုပ်ငန်းစဉ်ကို အရှိန်မြှင့်ရန်အတွက် semi-automated imageprocessing ပိုက်လိုင်းကို အဆိုပြုခဲ့သည်။ Holman et al ။ (2016) မှာ မြင့်မြင့်ထွင်တယ်။
throughput field phenotyping system နှင့် UAV သည် အရည်အသွေး၊ တောက်ပသော၊ field-based phenotypic data များကို စုဆောင်းနိုင်ပြီး ကိရိယာသည် ကြီးမားသောဧရိယာများနှင့် မတူညီသောနယ်ပယ်နေရာများတစ်လျှောက်တွင် ထိရောက်မှုရှိသည်ကို မီးမောင်းထိုးပြထားသည်။
အထွက်နှုန်း ခန့်မှန်းချက်သည် မယုံနိုင်လောက်အောင် အရေးကြီးသော အချက်အလက်တစ်ခုဖြစ်ပြီး၊ အထူးသဖြင့် အချိန်မီရရှိနိုင်သည့်အခါ၊ UAV များအတွက် နယ်ပယ်တိုင်းတာမှုများအားလုံးကို ပံ့ပိုးပေးပြီး အရည်အသွေးမြင့်ဒေတာကို ထိထိရောက်ရောက်ရယူရန် အလားအလာရှိသည် (Daakir et al., 2017; Demir et al., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012)။ ယင်းနှင့်ပတ်သက်၍ Jin et al. (2017) သည် ပေါ်ပေါက်လာသည့်အဆင့်တွင် ဂျုံအပင်သိပ်သည်းဆကို ခန့်မှန်းရန်အတွက် နည်းလမ်းတစ်ခုကို တီထွင်ရန်နှင့် အကဲဖြတ်ရန်အတွက် အလွန်နိမ့်သောအမြင့်တွင် UAVs မှရရှိသော မြင့်မားသော resolution ပုံရိပ်ကို အခွင့်ကောင်းယူခဲ့သည်။ စာရေးသူများအဆိုအရ UAV များသည် ကင်မရာများတပ်ဆင်ထားသော Rover စနစ်များ၏ ကန့်သတ်ချက်များကို ကျော်လွှားပြီး ကောက်ပဲသီးနှံများအတွင်း အပင်သိပ်သည်းဆကို ခန့်မှန်းရန် ထိုးဖောက်မဟုတ်သောနည်းလမ်းကို ကိုယ်စားပြုကာ လယ်သမားများအား လယ်ကွင်းပုံစံရိုက်ခြင်းအတွက် လိုအပ်သော မြင့်မားသော သွင်းအားစုကို ရရှိစေမည်ဖြစ်သည်။ Li et al ။ (2016) တွင် မျက်နှာပြင်အမြင့်နှင့် မြေပြင်အထက် ဇီဝလောင်စာများအပါအဝင် ပြောင်းဖူးဘောင်များကို ခန့်မှန်းရန် UAV-based စနစ်ဖြင့် အလွန်မြင့်မားသော ကြည်လင်ပြတ်သားမှုရှိသော ရာနှင့်ချီသော စတီရီယိုပုံများကို စုဆောင်းခဲ့သည်။ နောက်ဆုံးတော့ Yue et al ။ UAVs မှသတ်မှတ်ထားသော သီးနှံအမြင့်သည် မြေပြင်ဇီဝလောင်စာ (AGB) ခန့်မှန်းချက်ကို မြှင့်တင်နိုင်ကြောင်း (2017)တွင် တွေ့ရှိခဲ့သည်။
သီးနှံကြီးထွားမှုကို စောင့်ကြည့်ရန် ချဉ်းကပ်မှုမှာ သီးနှံမျက်နှာပြင်ပုံစံများကို တီထွင်ခြင်း၏ စိတ်ကူးဖြစ်သည် (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021)။ လေ့လာမှုများစွာသည် အပင်များ၏အမြင့်ကိုဖမ်းယူရန်နှင့် ၎င်းတို့၏ကြီးထွားမှုကိုစောင့်ကြည့်ရန်အတွက် UAV မှရိုက်ကူးထားသောပုံများ၏ဖြစ်နိုင်ခြေကို မီးမောင်းထိုးပြထားသည်။ ဥပမာ၊ Bendig et al။ (2013) တွင် UAV ကို အသုံးပြု၍ 0.05 m ထက်နည်းသော ရုပ်ထွက်အလွန်မြင့်မားသော ဘက်စုံသီးနှံမျက်နှာပြင်မော်ဒယ်များ ဖွံ့ဖြိုးတိုးတက်မှုကို ဖော်ပြခဲ့သည်။ ကောက်ပဲသီးနှံများကို သိရှိနိုင်စေရန် ရည်ရွယ်ပါသည်။
ကြီးထွားမှု ကွဲပြားမှုနှင့် ၎င်း၏ သီးနှံကုသမှု၊ စိုက်ပျိုးမှုနှင့် စိတ်ဖိစီးမှုအပေါ် မှီခိုမှု။ Bendig et al ။ (2014) တွင် UAV များသည် သီးနှံမျက်နှာပြင်မော်ဒယ်များမှ ထုတ်နုတ်ထားသော အပင်အမြင့်ပေါ်မူတည်၍ လတ်ဆတ်သော ဇီဝလောင်စာများကို ခန့်မှန်းရန် UAVs ကိုအသုံးပြုပြီး ဝေဟင်ပေါ်ရှိ ပလပ်ဖောင်းများနှင့် ကုန်းမြေလေဆာစကင်န်ဖတ်ခြင်းကဲ့သို့ပင် UAVs မှ မြင့်မားသော ရုပ်ထွက်ပုံများသည် မတူညီသော ကြီးထွားမှုအတွက် အပင်အမြင့်ပုံစံထုတ်ခြင်း၏ တိကျမှုကို သိသာထင်ရှားစွာ တိုးမြင့်စေနိုင်ကြောင်း တွေ့ရှိခဲ့သည်။ အဆင့်များ။ တူညီသောသွေးပြန်ကြောတွင် Geipel et al ။ (2014) တွင် ရုပ်ပုံများရယူရန် UAV များကို အသုံးပြုခဲ့သည်။
စပါးအထွက်နှုန်းခန့်မှန်းချက်အတွက် ဒေတာအတွဲများသည် အစောပိုင်းမှ လယ်ပိုင်းအထိ ကြီးထွားမှုအဆင့်သုံးဆင့်တွင် ဒေတာအတွဲများဖြစ်ပြီး ဝေဟင်ပုံနှင့် သီးနှံမျက်နှာပြင်ပုံစံများကို အခြေခံ၍ ရောင်စဉ်တန်းနှင့် သီးနှံမျက်နှာပြင်ပုံစံများကို အခြေခံ၍ ပေါင်းစပ်ခြင်းသည် ရာသီလယ်ပြောင်းအထွက်နှုန်းကို ခန့်မှန်းရန်အတွက် သင့်လျော်သောနည်းလမ်းဖြစ်ကြောင်း ကောက်ချက်ချခဲ့သည်။ နောက်ဆုံးတွင်၊ Gnadinger ¨ နှင့် Schmidhalter (2017) သည် UAV ၏ အသုံးဝင်ပုံများကို တိကျစွာ phenotyping တွင် စစ်ဆေးခဲ့ပြီး ဤနည်းပညာကို အသုံးပြုခြင်းသည် လယ်ယာစီမံခန့်ခွဲမှုကို မြှင့်တင်နိုင်ပြီး မွေးမြူရေးနှင့် စိုက်ပျိုးရေးဆိုင်ရာ ရည်ရွယ်ချက်များအတွက် ကွင်းဆင်းစမ်းသပ်မှုများကို လုပ်ဆောင်နိုင်ကြောင်း မီးမောင်းထိုးပြခဲ့သည်။ ယေဘုယျအားဖြင့်၊ cluster 2 ရှိ ထုတ်ဝေမှုများသည် အဝေးမှ UAV များ၏ အဓိကအားသာချက်များကို အာရုံစိုက်ထားကြောင်း ကျွန်ုပ်တို့သတိပြုမိပါသည်။
phenotyping၊ အထွက်နှုန်း ခန့်မှန်းချက်၊ သီးနှံမျက်နှာပြင်ပုံစံ နှင့် အပင်ရေတွက်ခြင်း။ အဝေးမှအာရုံခံသောဒေတာ၏လုပ်ဆောင်မှုကို အလိုအလျောက်လုပ်ဆောင်နိုင်ပြီး အကောင်းဆုံးလုပ်ဆောင်နိုင်သည့်အဝေးမှ phenotyping အတွက် နည်းလမ်းအသစ်များကို တီထွင်ခြင်းဖြင့် အနာဂတ်လေ့လာမှုများက ပိုမိုနက်ရှိုင်းစွာတူးဖော်နိုင်သည် (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ။၊ ၂၀၂၁)။ ထို့အပြင်၊ UAV များတွင်တပ်ဆင်ထားသော IoT အာရုံခံကိရိယာများ၏စွမ်းဆောင်ရည်နှင့် ၎င်းတို့၏ကုန်ကျစရိတ်၊ လုပ်အားနှင့် အထွက်နှုန်းခန့်မှန်းချက်၏တိကျမှုတို့အကြား အပေးအယူကို သုတေသနပြုရန် လိုအပ်ပါသည်။
အနာဂတ် (Ju & Son၊ 2018a၊ 2018b; Xie & Yang၊ 2020; Yue et al., 2018)။ အဆုံးစွန်အားဖြင့် ယုံကြည်စိတ်ချရသော သတင်းအချက်အလက်များကို ထုတ်ပေးနိုင်သော၊ စိုက်ပျိုးရေးထုတ်လုပ်မှုတွင် ထိရောက်မှုအမြင့်မားဆုံးနှင့် လယ်သမားများ၏ လက်စွဲရေတွက်ခြင်းလုပ်ငန်းကို လျှော့ချနိုင်သည့် ထိရောက်သော ရုပ်ပုံပြင်ဆင်ခြင်းနည်းလမ်းများကို ဖွံ့ဖြိုးတိုးတက်ရန် လိုအပ်သည် (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo၊ 2020; C. Zhang et al., 2020)။
အစုအဝေး 3. ဤအစုအဝေးရှိ ပုံနှိပ်ထုတ်ဝေမှုများသည် UAV ပလပ်ဖောင်းများတွင် အသုံးပြုသည့် စိုက်ပျိုးရေးအရင်းအမြစ်များကို အဝေးမှ အာရုံခံနိုင်စေရန် ပုံရိပ်ဖော်စနစ်အမျိုးမျိုးကို ဆွေးနွေးထားသည်။ ယင်းနှင့်ပတ်သက်၍၊ အပူဓာတ်ပုံရိပ်သည် သီးနှံပျက်စီးမှုကို ကာကွယ်ရန်နှင့် မိုးခေါင်မှုဆိုင်ရာ ဖိစီးမှုကို စောစီးစွာသိရှိနိုင်စေရန် မျက်နှာပြင်အပူချိန်ကို စောင့်ကြည့်နိုင်စေသည် (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom၊ 2021)။ Baluja et al ။ (2012) တွင် multispectral နှင့် thermal cameras များကို အသုံးပြုကြောင်း အခိုင်အမာ ပြောကြားခဲ့သည်။
UAV သည် သုတေသီများအား မြင့်မားသော ကြည်လင်ပြတ်သားသော ပုံများရရှိရန်နှင့် စပျစ်နွယ်ပင်၏ ရေအခြေအနေ အကဲဖြတ်ရန် လုပ်ဆောင်နိုင်ခဲ့သည်။ အဝေးမှ အာရုံခံဒေတာကို အသုံးပြု၍ ဆန်းသစ်သော ရေအချိန်ဇယားဆွဲခြင်းပုံစံများကို တီထွင်ရန်အတွက် ၎င်းသည် အသုံးဝင်နိုင်သည် (Baluja et al., 2012)။ အကြောင်းမူကား၊
UAV များ၏ ကန့်သတ်ဝန်ဆောင်နိုင်စွမ်း၊ Ribeiro-Gomes et al။ (2017) သည် အပင်များရှိ ရေဖိအားကို ဆုံးဖြတ်ရန်အတွက် UAVS တွင် အအေးခံထားသော အပူကင်မရာများကို ပေါင်းစပ်ထည့်သွင်းထားသောကြောင့် အဆိုပါ UAV အမျိုးအစားများသည် သမားရိုးကျ ဂြိုလ်တုအခြေခံအဝေးထိန်းစနစ်ဖြင့် အာရုံခံနိုင်စွမ်းနှင့် အအေးခံအပူကင်မရာများတပ်ဆင်ထားသော UAV များထက် ပိုမိုထိရောက်ပြီး အသက်ဝင်စေပါသည်။ စာရေးသူများအဆိုအရ အအေးခံထားသောအပူကင်မရာများသည် အအေးခံထားသောကင်မရာများထက် ပေါ့ပါးပြီး သင့်လျော်သော ချိန်ညှိမှုလိုအပ်သည်။ Gonzalez-Dugo et al ။ (2014) တွင် အပူဓါတ်ပုံသည် ရေအခြေအနေအကဲဖြတ်ရန်နှင့် လိမ္မော်ခြံများအတွင်းနှင့် ဥယျာဉ်အတွင်းရှိ ရေဖိအားကို တွက်ချက်ရန်အတွက် သီးနှံပင်ရေဖိအားညွှန်းကိန်းများ၏ တည်နေရာပြမြေပုံများကို ထိရောက်စွာထုတ်ပေးကြောင်း ပြသခဲ့သည်။ Gonzalez-Dugo et al ။ (2013) နှင့် Santesteban et al. (2017) တွင် စီးပွားဖြစ်ဥယျာဉ်ခြံနှင့် စပျစ်ခြံတစ်ခြံ၏ ရေအခြေအနေကွဲပြားမှုကို ခန့်မှန်းရန် မြင့်မားသော ရုပ်ထွက်အရည်အသွေးရှိသော UAV အပူပုံရိပ်ကို အသုံးပြုမှုကို စုံစမ်းစစ်ဆေးခဲ့သည်။
ဘက်စုံပုံရိပ်ဖော်ခြင်းသည် ရိုးရာ RGB (အနီ၊ အစိမ်းနှင့် အပြာ) ပုံများနှင့် နှိုင်းယှဉ်လျှင် ကြီးမားသောဒေတာကို ပေးစွမ်းနိုင်သည် (Ad˜ ao et al., 2017; Navia et al., 2016)။ ဤရောင်စဉ်တန်းဒေတာသည် အမျိုးအစားခွဲခြင်း၊ မြေပုံဆွဲခြင်း၊ ကြိုတင်ခန့်မှန်းခြင်း၊ ခန့်မှန်းခြင်းနှင့် ထောက်လှမ်းခြင်းဆိုင်ရာ ရည်ရွယ်ချက်များ (Berni et al., 2009b) တွင် ကူညီပေးနိုင်ပါသည်။ Candiago et al အရ သိရသည်။ (2015)၊ UAV အခြေပြု ဘက်စုံပုံရိပ်ဖော်ခြင်းသည် ယုံကြည်စိတ်ချရသော နှင့် ထိရောက်သော အရင်းအမြစ်တစ်ခုအဖြစ် သီးနှံအကဲဖြတ်ခြင်းနှင့် တိကျသော စိုက်ပျိုးရေးအတွက် ကြီးမားစွာ အထောက်အကူဖြစ်စေနိုင်သည်။ ထို့အတူ၊
Khaliq et al ။ (2019) တွင် ဂြိုလ်တုနှင့် UAV အခြေပြု ဘက်စုံပုံရိပ်ဖော်ခြင်းအကြား နှိုင်းယှဉ်မှုတစ်ခု ပြုလုပ်ခဲ့သည်။ UAV အခြေပြုပုံများသည် စပျစ်ခြံကွဲလွဲမှုအပြင် ကောက်ပဲပင်များကို ကိုယ်စားပြုသည့် အားမာန်မြေပုံများကို ဖော်ပြရာတွင် ပိုမိုတိကျစေပါသည်။ အတိုချုပ်အားဖြင့်၊ ဤအစုအဝေးရှိ ဆောင်းပါးများသည် စိုက်ပျိုးရေး UAV များတွင် အပူနှင့် ဘက်စုံပုံရိပ်အာရုံခံကိရိယာများ ပေါင်းစပ်ထည့်သွင်းခြင်းကို ဆွေးနွေးထားသည်။ ထို့ကြောင့်၊ AI နှင့် အပူနှင့် ရောင်စုံပုံရိပ်ဖော်ခြင်းတို့ကို မည်ကဲ့သို့ ပေါင်းစပ်နိုင်သည်ကို နားလည်ရန် နောက်ထပ် သုတေသနပြုရန် လိုအပ်ပါသည်။
အပင်စိတ်ဖိစီးမှုကို ရှာဖွေရန် နည်းစနစ်များ (ဥပမာ- နက်ရှိုင်းစွာ သင်ယူမှု) (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021)။ ထိုသို့သောထိုးထွင်းသိမြင်မှုများသည် ပိုမိုထိရောက်ပြီး တိကျမှန်ကန်သောရှာဖွေတွေ့ရှိမှုအပြင် အပင်ကြီးထွားမှု၊ ဖိစီးမှုနှင့် ဇီဝဗေဒဆိုင်ရာတို့ကို စောင့်ကြည့်စစ်ဆေးခြင်းတို့ကို အထောက်အကူဖြစ်စေမည် (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020)။
အစုအဝေး 4. ဤအစုအဝေးတွင် စိုက်ပျိုးရေးအလေ့အကျင့်များကို ပံ့ပိုးပေးရာတွင် ရောင်စဉ်တန်းပုံရိပ်ဖော်ခြင်းနှင့် ရောင်စဉ်တန်းပုံရိပ်ဖော်ခြင်း၏ အရေးပါသောအခန်းကဏ္ဍမှ လှည့်ပတ်နေသော စာတမ်းခုနစ်ခုပါရှိသည်။ Hyperspectral ပုံရိပ်ဖော်ခြင်းသည် ကမ္ဘာမြေကြီးစနစ်၏ အရေအတွက် အကဲဖြတ်မှုကို အထောက်အကူဖြစ်စေသည့် အဝေးမှ အာရုံခံသည့်နည်းလမ်းအဖြစ် တည်ထောင်ထားသည် (Schaepman et al., 2009)။ ပိုမိုတိကျစေရန်၊ ၎င်းသည် မျက်နှာပြင်ပစ္စည်းများကို ဖော်ထုတ်နိုင်ခြင်း၊ (ဆွေမျိုး) ပြင်းအား ပမာဏနှင့်၊ မျက်နှာပြင် အစိတ်အပိုင်း အချိုးအစားများကို တာဝန်ပေးခြင်း
ရောစပ်ပစ်ဆယ်များအတွင်း (Kirsch et al., 2018; Zhao et al., 2022)။ တစ်နည်းဆိုရသော်၊ hyperspectral စနစ်များမှ ပံ့ပိုးပေးသော ရောင်စဉ်တန်းမြင့် ကြည်လင်ပြတ်သားမှုသည် သက်သတ်လွတ်ဂုဏ်သတ္တိများ သို့မဟုတ် အရွက်ရေပါဝင်မှု ကဲ့သို့သော အမျိုးမျိုးသော ကန့်သတ်ဘောင်များကို ပိုမိုတိကျစွာ ခန့်မှန်းနိုင်စေသည် (Suomalainen et al., 2014)။ ဤအစုအဝေးရှိ သုတေသီများသည် ထိုစနစ်များ၏ ရှုထောင့်အမျိုးမျိုးကို စူးစမ်းလေ့လာခဲ့ကြသည်။ အခြားသူများတွင် Aasen et al ။ (2015b) သည် ပေါ့ပါးမှုမှ သုံးဖက်မြင် ဟိုက်ပါစပထရယ် အချက်အလက်ကို ရယူရန်အတွက် ထူးခြားသောချဉ်းကပ်မှုကို ကမ်းလှမ်းခဲ့သည်
အပင်များကို စောင့်ကြည့်ရန်အတွက် UAV တွင် အသုံးပြုသည့် လျှပ်တစ်ပြက်ကင်မရာများ။ Lucieer et al ။ (2014) တွင် ဆန်းသစ်ထားသော hyperspectral UAS ၏ ဒီဇိုင်း၊ ဖွံ့ဖြိုးတိုးတက်မှုနှင့် ဝေဟင်ဆိုင်ရာ လုပ်ဆောင်ချက်များအပြင် ၎င်းနှင့်အတူ စုဆောင်းထားသော ပုံဒေတာကို ချိန်ညှိခြင်း၊ ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် အနက်ဖွင့်ခြင်းတို့ကို ဆွေးနွေးခဲ့သည်။ နောက်ဆုံးအနေနဲ့ Honkavaara et al ။ (2013b) သည် FabryPerot interferometer-based spectral ပုံများအတွက် ကျယ်ကျယ်ပြန့်ပြန့်လုပ်ဆောင်ခြင်းနည်းလမ်းကို တီထွင်ခဲ့ပြီး တိကျသော စိုက်ပျိုးရေးအတွက် ဇီဝဒြပ်ထုခန့်မှန်းသည့်လုပ်ငန်းစဉ်တွင် ၎င်း၏အသုံးပြုမှုကို ပြသခဲ့သည်။ ဤလက်ရှိအစုအဝေးအတွက် အလားအလာရှိသော အနာဂတ်လမ်းကြောင်းများတွင် အာရုံခံနည်းပညာများဆိုင်ရာ နည်းပညာတိုးတက်မှုများ လိုအပ်ကြောင်း အလေးပေးဖော်ပြခြင်း ပါ၀င်သည် (Aasen et al., 2015b) နှင့် ဖြည့်စွက်နည်းပညာများ၊ အထူးသဖြင့် ကြီးမားသောဒေတာနှင့် ခွဲခြမ်းစိတ်ဖြာမှု (Ang & Seng, 2021; Radoglou) -Grammatikis et al.၊ 2020; Shakoor et al., 2019)။ နောက်ပိုင်းတွင် အဓိကအားဖြင့် စမတ်လယ်ယာစိုက်ပျိုးရေးတွင် အကောင်အထည်ဖော်သည့် အာရုံခံကိရိယာအမျိုးမျိုးမှ ထုတ်ပေးသည့် ကြီးထွားလာသောဒေတာမှ အဓိကအားထားနေရသည် (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021)။
Cluster 5. ဤအစုအဝေးရှိ ထုတ်ဝေမှုများသည် ဒရုန်းများကို အခြေခံသည့် 3Dmapping အပလီကေးရှင်းများကို စစ်ဆေးခဲ့သည်။ 3D မြေပုံဆွဲခြင်းအတွက် ဒရုန်းများကို အသုံးပြုခြင်းသည် ရှုပ်ထွေးသော ကွင်းဆင်းလေ့လာမှုများကို သက်သာစေပြီး ထိရောက်မှု သိသိသာသာ တိုးလာစေသည် (Torres-Sanchez ´ et al., 2015)။ အစုအဖွဲ့ရှိ ဆောင်းပါးငါးခုသည် အဓိကအားဖြင့် အပင်စောင့်ကြည့်ခြင်းဆိုင်ရာ အပလီကေးရှင်းများပေါ်တွင် အဓိကအာရုံစိုက်ထားသည်။ ဥပမာအားဖြင့်၊ ခေါင်မိုးဧရိယာ၊ သစ်ပင်အမြင့်နှင့် သရဖူထုထည်အကြောင်း သုံးဖက်မြင်ဒေတာကို ရယူရန် Torres-Sanchez´ et al။ (2015) တွင် ဒစ်ဂျစ်တယ် မျက်နှာပြင် မော်ဒယ်များ ထုတ်လုပ်ရန် UAV နည်းပညာကို အသုံးပြုပြီး အရာဝတ္ထု-အခြေခံ ပုံရိပ်ပိုင်းခြားစိတ်ဖြာမှု (OBIA) ချဉ်းကပ်မှုများ။ ထို့အပြင် Zarco-Tejada et al. (2014) UAV နည်းပညာနှင့် သုံးဖက်မြင်ဓာတ်ပုံ-ပြန်လည်တည်ဆောက်ရေးနည်းလမ်းများကို ပေါင်းစပ်ခြင်းဖြင့် သစ်ပင်အမြင့်ကို အရေအတွက် တိုင်းတာသည်။ Jim'enez-Brenes Lopez-Granados, 'De Castro, et al. (2017) တွင် UAV နည်းပညာကို အဆင့်မြင့် OBIA နည်းစနစ်ဖြင့် ပေါင်းစပ်ခြင်းဖြင့် သံလွင်ပင်ဒါဇင်ပေါင်းများစွာကို ဘက်စုံ၊ 3D စောင့်ကြည့်ခြင်းအတွက် လုပ်ငန်းစဉ်အသစ်ကို သရုပ်ပြခဲ့သည်။ ဤအစုအဝေးရှိ အနာဂတ်လုပ်ငန်းများအတွက် စိတ်ဝင်စားဖွယ်လမ်းကြောင်းများ တွင် လက်ရှိတိုးတက်ကောင်းမွန်ခြင်း ပါဝင်သည်။
OBIA (de Castro et al., 2014, 2017; Ventura et al. ကဲ့သို့) နည်းစနစ်များ (Zarco-Tejada et al., 2016)၊ 2018) နှင့် ဓာတ်ပုံပြန်လည်တည်ဆောက်ခြင်း သို့မဟုတ် ဆန်းသစ်သောနည်းလမ်းများ (Díaz-Varela et al., 2020; Torres-S´ anchez et al., 2018)။
အစုအဝေး 6. ဤအစုအဝေးသည် စိုက်ပျိုးရေးစောင့်ကြည့်ရေးတွင် ဒရုန်းများ၏ အခန်းကဏ္ဍကို ဆွေးနွေးထားသည်။ UAV များသည် ဂြိုလ်တုနှင့် လေယာဉ်ပုံရိပ်ဖော်ခြင်း၏ ချို့ယွင်းချက်များကို ဖြည့်စွက်ပြီး ကျော်လွှားနိုင်သည်။ ဥပမာအားဖြင့်၊ ၎င်းတို့သည် လောင်စာဆီနည်းသော သို့မဟုတ် စမ်းသပ်ခြင်းဆိုင်ရာ စိန်ခေါ်မှုများဖြင့် အချိန်နှင့်တပြေးညီ ပုံရိပ်ဖော်ခြင်းအနီးတွင် မြင့်မားသော ရုပ်ထွက်ကို ပေးစွမ်းနိုင်ပြီး၊ ဆုံးဖြတ်ချက်ချရာတွင် အဆက်မပြတ်နှင့် အချိန်နှင့်တပြေးညီ စောင့်ကြည့်ခြင်းနှင့် တိုးတက်မှုများကို ဖြစ်ပေါ်စေသည် (S. Herwitz et al., 2004)။ UAVs ၏ နောက်ထပ်သော့ချက်ဖြစ်သော ပံ့ပိုးကူညီမှုမှာ ၎င်းတို့၏ မြင့်မားသော ပုံရိပ်ပြတ်သားမှုအဖြစ် တိကျသောစိုက်ပျိုးရေး သို့မဟုတ် ဆိုက်-သီးသန့်စိုက်ပျိုးခြင်းအတွက် ဆိုက်-သီးသန့်ဒေတာကို ပံ့ပိုးပေးနိုင်သည်၊ အမျိုးမျိုးသောကန့်သတ်ချက်များဆိုင်ရာအသေးစိတ်အချက်အလက်များသည် လယ်သမားများအား မြေယာကို တစ်သားတည်းဖြစ်အောင် ပိုင်းခြားပြီး လိုက်လျောညီထွေဆက်ဆံနိုင်စေသည် (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012)။ ထိုသို့သော UAV အခြေပြု စိုက်ပျိုးရေးဆိုင်ရာ စောင့်ကြည့်ထောက်လှမ်းခြင်းသည် စားနပ်ရိက္ခာဖူလုံမှု စောင့်ကြည့်ခြင်းနှင့် ဆုံးဖြတ်ချက်ချခြင်းကို ပံ့ပိုးပေးနိုင်သည် (SR Herwitz et al., 2004)။ စိုက်ပျိုးရေးစောင့်ကြည့်ခြင်းဆိုင်ရာ သုတေသနကို တိုးတက်စေရန်အတွက် အာရုံခံကိရိယာများ၊ UAV များနှင့် အခြားဆက်စပ်နည်းပညာများ တိုးတက်မှုသာမက ၎င်းတို့၏ ဆက်သွယ်ရေးနှင့် ဒေတာလွှဲပြောင်းမှုနည်းလမ်းများ လိုအပ်သည် (Ewing et al., 2020; Shuai et al., 2019)၊ အမျိုးမျိုးသော ဒရုန်းများနှင့် ပေါင်းစပ်ခြင်းလည်း လိုအပ်ပါသည်။ စောင့်ကြည့်ခြင်း၊ စိုက်ပျိုးရေးစောင့်ကြည့်ခြင်းနှင့် ဆုံးဖြတ်ချက်ချခြင်းကဲ့သို့သော စမတ်စိုက်ပျိုးရေးဆိုင်ရာ မတူညီသောလုပ်ငန်းတာဝန်များကို အကောင်းဆုံးဖြစ်အောင်လုပ်ရန်အတွက် နည်းပညာများသည် အလားအလာမြင့်မားသော သုတေသနဧရိယာဖြစ်သည် (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018)။ ဤကိစ္စနှင့်စပ်လျဉ်း၍ IoT၊ WSNs နှင့် ဒေတာကြီးများသည် စိတ်ဝင်စားစရာကောင်းသော ဖြည့်စွက်စွမ်းရည်များကို ပေးဆောင်သည် (van der Merwe et al., 2020)။ အကောင်အထည်ဖော်မှုကုန်ကျစရိတ်များ၊ ကုန်ကျစရိတ်သက်သာစေခြင်း၊ စွမ်းအင်ထိရောက်မှုနှင့် ဒေတာလုံခြုံရေးတို့သည် ထိုကဲ့သို့သောပေါင်းစပ်မှုအတွက် သုတေသနမပြုလုပ်ရသေးသည့်နယ်ပယ်များထဲတွင် ပါဝင်သည် (Masroor et al., 2021)။
နိုင်ငံများနှင့် ပညာရေးဆိုင်ရာ အဖွဲ့အစည်းများ
နောက်ဆုံးအဆင့်တွင် မူရင်းနိုင်ငံနှင့် စာရေးဆရာများ၏ ပညာရေးဆိုင်ရာ ဆက်နွယ်မှုများကို စုံစမ်းစစ်ဆေးခြင်း ပါဝင်သည်။ ဤခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် စိုက်ပျိုးရေးတွင် ဒရုန်းများအသုံးပြုရာတွင် အထောက်အကူဖြစ်စေသော ပညာရှင်များ၏ ပထဝီဝင်ဆိုင်ရာ ဖြန့်ဖြူးမှုကို ပိုမိုကောင်းမွန်စွာ နားလည်နိုင်ရန် ရည်ရွယ်ပါသည်။ နိုင်ငံများနှင့် ပညာရေးဆိုင်ရာ အဖွဲ့အစည်းများ၏ ကွဲပြားမှုများကို သတိပြုမိရန်မှာ မှတ်သားဖွယ်ဖြစ်ပါသည်။ နိုင်ငံတစ်ခု၏ရှုထောင့်မှကြည့်လျှင် အမေရိကန်၊ တရုတ်၊ အိန္ဒိယနှင့် အီတလီတို့သည် ပုံနှိပ်ထုတ်ဝေမှုအရေအတွက် (ဇယား 7) အရ စာရင်း၏ထိပ်ဆုံးတွင်ရှိသည်။ ယခုလက်ရှိ
စိုက်ပျိုးရေးမောင်းသူမဲ့လေယာဉ်များဆိုင်ရာ သုတေသနကို မြောက်အမေရိကနှင့် အာရှနိုင်ငံများတွင် အဓိကဗဟိုပြုပြီး အဓိကအားဖြင့် ၎င်းတို့၏ တိကျသော စိုက်ပျိုးရေးဆိုင်ရာအသုံးချမှုများတွင် မြင့်မားစွာပါဝင်မှုကြောင့်ဖြစ်သည်။ ဥပမာအားဖြင့်၊ USA တွင် စိုက်ပျိုးရေးမောင်းသူမဲ့လေယာဉ်များ၏ စျေးကွက်သည် 841.9 ခုနှစ်တွင် အမေရိကန်ဒေါ်လာ 2020 သန်းရှိမည်ဟု ခန့်မှန်းရပြီး ကမ္ဘာ့စျေးကွက်ဝေစု၏ 30% ခန့် (ReportLinker, 2021)။ ကမ္ဘာ့အကြီးဆုံးစီးပွားရေးနိုင်ငံအဖြစ် အဆင့်သတ်မှတ်ခံရသော တရုတ်နိုင်ငံသည် 2.6 ခုနှစ်တွင် ခန့်မှန်းခြေစျေးကွက်အရွယ်အစားဒေါ်လာ 2027 ဘီလီယံအထိရောက်ရှိရန်ခန့်မှန်းထားသည်။ ဤနိုင်ငံသည် စိုက်ပျိုးထုတ်လုပ်မှုဆိုင်ရာပြဿနာများကိုကျော်လွှားကာ ပိုမိုကောင်းမွန်သောအထွက်နှုန်း၊ လုပ်သားလျှော့ချရေးနှင့် ထုတ်လုပ်မှုသွင်းအားစုများရရှိရန် စိုက်ပျိုးရေးဒရုန်းများအတွက် ဆွဲဆောင်လျက်ရှိသည်။ သို့သော်လည်း တရုတ်နိုင်ငံတွင် နည်းပညာကို မွေးစားခြင်းသည် လူဦးရေ ပမာဏနှင့် ရှိရင်းစွဲ သီးနှံစီမံခန့်ခွဲမှု အလေ့အကျင့်များကို တီထွင်ဆန်းသစ်ရန်နှင့် တိုးတက်ရန် လိုအပ်ခြင်းစသည့် အချက်များကြောင့်လည်း တွန်းအားပေးပါသည်။
ထိပ်တန်းအကျိုးအမြတ်အများဆုံးနိုင်ငံများနှင့် ပံ့ပိုးပေးသော တက္ကသိုလ်/အဖွဲ့အစည်းများ
စိုက်ပျိုးရေးဒရုန်းနှင့်ပတ်သက်သော သုတေသန။
ဘှဲ့ | နိုင်ငံများ |
1 | အေမရိကန္ျပည္ေထာင္စု |
2 | တရုတ်နိုင်ငံ |
3 | အိႏၵိယ |
4 | အီတလီ |
5 | စပိန် |
6 | ဂျာမနီ |
7 | ဘရာဇီး |
8 | ၾသစေတးလ် |
9 | ဂျပန် |
10 | ယူနိုက်တက်ကင်းဒမ်း |
ဘှဲ့ | တက္ကသိုလ်/အဖွဲ့အစည်းများ |
1 | တရုတ်သိပ္ပံအကယ်ဒမီ |
2 | တရုတ်ပြည်သူ့သမ္မတနိုင်ငံ စိုက်ပျိုးရေးဝန်ကြီးဌာန |
3 | သိပ္ပံနည်းကျစုံစမ်းစစ်ဆေးရေး၏ Superior ကောင်စီ |
4 | တက္ကဆက် A & M တက္ကသိုလ် |
5 | တရုတ်စိုက်ပျိုးရေးတက္ကသိုလ် |
6 | USDA စိုက်ပျိုးရေးသုတေသနလုပ်ငန်း |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue တက္ကသိုလ် |
9 | Consiglio Nazionale Dell Ricerche |
10 | တောင်တရုတ်စိုက်ပျိုးရေးတက္ကသိုလ် |
တက္ကသိုလ်နှင့် အဖွဲ့အစည်းဆိုင်ရာ ရှုထောင့်မှကြည့်လျှင် တရုတ်သိပ္ပံအကယ်ဒမီသည် ပုံနှိပ်ထုတ်ဝေမှုအရေအတွက်အရ စာရင်းတွင် ထိပ်ဆုံးမှ ရပ်တည်နေပြီး နောက်တွင် တရုတ်ပြည်သူ့သမ္မတနိုင်ငံ စိုက်ပျိုးရေးဝန်ကြီးဌာနနှင့် Consejo Superior de Investigaciones Científicas တို့ဖြစ်သည်။ တရုတ်သိပ္ပံအကယ်ဒမီကို စာရေးဆရာ Liao Xiaohan နှင့် Li Jun တို့က ကိုယ်စားပြုသည်။ Han Wenting သည် တရုတ်ပြည်သူ့သမ္မတနိုင်ငံ စိုက်ပျိုးရေးဝန်ကြီးဌာနကို ကိုယ်စားပြုသည်။ Consejo Superior de Investigaciones Científicas ကို Lopez-Granados, ´ F. နှင့် Pena, ˜ Jos´e María S. USA မှ ကိုယ်စားပြုသည်၊ Texas A&M University နှင့် Purdue University ကဲ့သို့သော တက္ကသိုလ်များသည် ၎င်းတို့၏ တွေ့ရှိချက်၊
ဖော်ပြခြင်း။ ပုံနှိပ်ထုတ်ဝေမှုများနှင့် ၎င်းတို့၏ချိတ်ဆက်မှုအများဆုံးရှိသော တက္ကသိုလ်များကို ပုံ 4 တွင်ပြသထားသည်။ ထို့အပြင် ဤစာရင်းတွင် Consiglio Nazionale delle Ricerche နှင့် Consejo Superior de Investigaciones Científicas ကဲ့သို့သော အဖွဲ့အစည်းများလည်း ပါဝင်သည် .
ကျွန်ုပ်တို့၏ရွေးချယ်မှုတွင် ရရှိနိုင်သောဒေတာအားလုံးနီးပါးကို လွှမ်းခြုံထားသော ဂျာနယ်မျိုးစုံပါဝင်ပါသည်။ ဇယား 8 တွင်ပြသထားသည့်အတိုင်း၊ ဆောင်းပါး 258 ခုပါသော အဝေးမှအာရုံခံခြင်း သည် ထိပ်ဆုံးတွင် ရပ်တည်နေပြီး၊ Journal of Intelligent and Robotic Systems- Theory and Applications 126 ခုနှင့် စိုက်ပျိုးရေးတွင် ဆောင်းပါးပေါင်း 98 ခုပါသော ကွန်ပျူတာနှင့် အီလက်ထရွန်းနစ်ပစ္စည်းများ။ Remote Sensing ကို အများအားဖြင့် ဒရုန်းများ၏ အသုံးချမှုနှင့် ဖွံ့ဖြိုးတိုးတက်မှုအပေါ် အာရုံစိုက်ထားသော်လည်း စိုက်ပျိုးရေးတွင် ကွန်ပျူတာနှင့် အီလက်ထရွန်းနစ်ပစ္စည်းများသည် အဓိကအားဖြင့် ကွန်ပြူတာ ဟာ့ဒ်ဝဲ၊ ဆော့ဖ်ဝဲလ်၊ အီလက်ထရွန်နစ်ပစ္စည်းများနှင့် စိုက်ပျိုးရေးဆိုင်ရာ ထိန်းချုပ်မှုစနစ်များတွင် တိုးတက်မှုများကို အဓိက အကျုံးဝင်ပါသည်။ IEEE စက်ရုပ်များနှင့် ပုံနှိပ်ထုတ်ဝေမှု 87 ခုပါသော IEEE စက်ရုပ်များနှင့် အလိုအလျောက်လုပ်ဆောင်ပေးသည့်စာများကဲ့သို့သော ဧရိယာဖြတ်ပိုင်းဆိုင်ခွဲများသည် နယ်ပယ်အတွင်းရှိ ထိပ်တန်းဆိုင်ခွဲများဖြစ်သည်။ ထိပ်တန်းဆိုင်ခွဲ ၁၅ ခုသည် စာပေအားလုံး၏ ၂၀ ဒသမ ၄၀ ရာခိုင်နှုန်းခန့်ဖြစ်သည့် စာတမ်းပေါင်း ၉၅၉ ခုဖြင့် စာပေကို ပံ့ပိုးပေးခဲ့သည်။ ဂျာနယ်ပူးတွဲကိုးကားမှုခွဲခြမ်းစိတ်ဖြာခြင်းသည် ထုတ်ဝေမှုများကြားရှိ အရေးပါမှုနှင့် ဆင်တူမှုများကို ဆန်းစစ်နိုင်စေပါသည်။ ပူးတွဲကိုးကားချက်ခွဲခြမ်းစိတ်ဖြာချက်သည် ပုံ 34 တွင်ပြထားသည့်အတိုင်း အစုသုံးခုကိုထုတ်ပေးသည်။ အနီရောင်အစုအဝေးတွင် အဝေးမှအာရုံခံခြင်း၊ ကွန်ပျူတာနှင့် အီလက်ထရွန်းနစ်ပစ္စည်းများ စိုက်ပျိုးရေး၊ အာရုံခံကိရိယာများကဲ့သို့သော ဂျာနယ်များပါ၀င်သည်။
နှင့် International Journal of Remote Sensing ။ ဤဆိုင်ခွဲများအားလုံးသည် အဝေးမှ အာရုံခံခြင်းနှင့် တိကျသော စိုက်ပျိုးရေးကဏ္ဍများတွင် ကျော်ကြားသော ဂျာနယ်များဖြစ်သည်။ အစိမ်းရောင်အစုအဝေးတွင် Journal of Intelligent and Robotic Systems- Theory and Applications၊ IEEE Robotics and Automation Letters၊ IEEE Access နှင့် Drones ကဲ့သို့သော စက်ရုပ်များနှင့် ပတ်သက်သည့် ဂျာနယ်များ ပါရှိသည်။ ဤဆိုင်များသည် အများအားဖြင့် အလိုအလျောက်စနစ်ဆိုင်ရာ စာတမ်းများကို ထုတ်ဝေကြပြီး စိုက်ပျိုးရေးအင်ဂျင်နီယာများအတွက် အသုံးဝင်ပါသည်။ Agronomy နှင့် International Journal of Agricultural and Biological Engineering တို့ကဲ့သို့ စိုက်ပျိုးရေးနှင့် ဇီဝဗေဒဆိုင်ရာ အင်ဂျင်နီယာဆိုင်ရာ ဂျာနယ်များမှ နောက်ဆုံးအစုအဖွဲ့ကို ဖွဲ့စည်းထားသည်။
စိုက်ပျိုးရေးဒရုန်းနှင့်ပတ်သက်သော သုတေသနအတွက် ထိပ်တန်းဂျာနယ် 15 ခု။
ဘှဲ့ | ဂျာနယ် | ရေတွက် |
1 | အဝေးအာရုံခံစနစ် | 258 |
2 | ဉာဏ်ရည်ဉာဏ်သွေးနှင့် စက်ရုပ်စနစ်များဂျာနယ်- သီအိုရီနှင့် applications ကို | 126 |
3 | စိုက်ပျိုးရေးတွင် ကွန်ပျူတာနှင့် အီလက်ထရွန်းနစ် | 98 |
4 | IEEE စက်ရုပ်များနှင့် အလိုအလျောက်စနစ်ဆိုင်ရာ စာလုံးများ | 87 |
5 | sensors | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | တိကျသောစိုက်ပျိုးရေး | 41 |
8 | မောင်းသူမဲ့လေယာဉ်များ | 40 |
9 | Agronomy | 34 |
10 | IEEE အသုံးပြုခွင့် | 34 |
11 | နိုင်ငံတကာအဆင့်မြင့် စက်ရုပ်စနစ်များဂျာနယ် | 31 |
12 | နိုင်ငံတကာ စိုက်ပျိုးရေးနှင့် ဇီဝဗေဒ အင်ဂျင်နီယာဂျာနယ် | 25 |
13 | PLoS ONE | 25 |
14 | Field Robotics ဂျာနယ် | 23 |
15 | Biosystems Engineering ကို | 23 |
ကောက်ချက်
အကျဉ်းချုပ်
ဤလေ့လာမှုတွင် စိုက်ပျိုးရေးဒရုန်းများဆိုင်ရာ လက်ရှိသုတေသနကို အကျဉ်းချုံးပြီး ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ အမျိုးမျိုးသော bibliometric နည်းပညာများကို အသုံးပြုခြင်းဖြင့် စိုက်ပျိုးရေးဒရုန်းနှင့်ပတ်သက်သည့် သုတေသနပြုမှု၏ ဉာဏဖွဲ့စည်းပုံအား ပိုမိုကောင်းမွန်စွာ နားလည်သဘောပေါက်ရန် ကြိုးပမ်းခဲ့သည်။ အနှစ်ချုပ်အားဖြင့်၊ ကျွန်ုပ်တို့၏သုံးသပ်ချက်သည် စာပေရှိ အဓိကစကားလုံးများကို ဖော်ထုတ်ဆွေးနွေးခြင်း၊ ဒရုန်းနယ်ပယ်တွင် ဝေါဟာရအလားသဏ္ဍာန်တူသော အသိုက်အဝန်းများဖွဲ့စည်းစဉ်တွင် အသိပညာအစုအဝေးများကို ဖော်ထုတ်ခြင်း၊ အစောပိုင်းသုတေသနကို အကြမ်းဖျင်းဖော်ပြခြင်းနှင့် အနာဂတ်သုတေသနလမ်းညွှန်ချက်များကို အကြံပြုခြင်းဖြင့် ပံ့ပိုးကူညီမှုများစွာပေးပါသည်။ အောက်တွင်၊ စိုက်ပျိုးရေးဒရုန်းများ ဖွံ့ဖြိုးတိုးတက်ရေးနှင့် ပတ်သက်၍ သုံးသပ်ချက်၏ အဓိက တွေ့ရှိချက်များကို အကြမ်းဖျဉ်း ဖော်ပြထားပါသည်။
• စာပေတစ်ခုလုံးသည် လျင်မြန်စွာကြီးထွားလာပြီး 2012 ခုနှစ်နောက်ပိုင်းတွင် ဆောင်းပါးအရေအတွက် တိုးလာခြင်းကြောင့် ညွှန်ပြထားသည့်အတိုင်း လွန်ခဲ့သည့်ဆယ်စုနှစ်များအတွင်း လျင်မြန်စွာကြီးထွားလာခဲ့သည်။ ဤအသိပညာနယ်ပယ်သည် ရင့်ကျက်မှုမပြည့်မီသေးသော်လည်း (Barrientos et al., 2011; Maes & Steppe၊ 2019)၊ မေးခွန်းပေါင်းများစွာ အဖြေမရသေးပါ။ ဥပမာအားဖြင့်၊ မိုးလုံလေလုံ လယ်ယာစိုက်ပျိုးရေးတွင် ဒရုန်းများ၏ အသုံးဝင်ပုံသည် ငြင်းခုံရန် ဖွင့်ထားဆဲဖြစ်သည် (Aslan et al., 2022; Krul et al., 2021; Rold' an et al., 2015)။ နယ်ပယ်မြင်ကွင်းများ၏ ရှုပ်ထွေးမှုနှင့် မတူညီသောပုံရိပ်အခြေအနေများ (ဥပမာ၊ အရိပ်များနှင့် အလင်းရောင်များ) သည် ပိုမိုမြင့်မားသော ရောင်စဉ်တန်းအတွင်း ကွဲပြားမှုကို ဖြစ်စေသည် (Yao et al., 2019)။ နောက်ပိုင်း သုတေသနအဆင့်များတွင်ပင်၊ သုတေသီများသည် သီးခြားအခြေအနေများနှင့် လိုအပ်သော ပုံအရည်အသွေးအလိုက် အကောင်းဆုံးသော ပျံသန်းမှုအစီအစဉ်များကို ဆုံးဖြတ်ရန် စိန်ခေါ်ခံခဲ့ရသည် (Soares et al., 2021; Tu et al.,
2020) ။
• စိုက်ပျိုးရေးဒရုန်းများ၏ ဒီဇိုင်းတွင် စက်သင်ယူမှုနှင့် နက်ရှိုင်းစွာသင်ယူခြင်းကဲ့သို့သော ထိရောက်သော UAV စနစ်များကို တီထွင်ခြင်းမှ တိုးတက်ကောင်းမွန်လာသည်ကို ကျွန်ုပ်တို့ သတိပြုမိပါသည် (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. 2020; Mazzia et al., 2020; Tetila et al., 2020)။
• စိုက်ပျိုးရေးဒရုန်းများအပေါ် သုတေသနပြုခြင်းသည် ပတ်ဝန်းကျင်စောင့်ကြည့်ခြင်း၊ သီးနှံစီမံခန့်ခွဲမှုနှင့် ပေါင်းပင်စီမံခန့်ခွဲမှု (အစု 1) အပြင် အဝေးထိန်းစနစ်နှင့် အထွက်နှုန်းခန့်မှန်းခြင်း (အစု 2) တွင် နည်းပညာ၏ အလားအလာများကို စူးစမ်းလေ့လာခြင်းဖြင့် အဝေးမှအာရုံခံနိုင်စွမ်းကို အဓိကထားဆွေးနွေးခဲ့သည်။ စိုက်ပျိုးရေးမောင်းသူမဲ့လေယာဉ်များနှင့်ပတ်သက်၍ သြဇာကြီးမားသောလေ့လာမှုအစုအဝေးတွင် Austin (2010), Berni et al. (2009)a၊ Herwitz et al. (2004)၊ Nex နှင့် Remondino (2014) နှင့် Zhang and Kovacs (2012)။ ဤလေ့လာမှုများသည် စိုက်ပျိုးရေးကဏ္ဍတွင် ဒရုန်းနှင့်ပတ်သက်သည့် သုတေသန၏ သဘောတရားအခြေခံကို ဖော်ထုတ်ခဲ့သည်။
• နည်းစနစ်နှင့်ပတ်သက်ပြီး ယခုအချိန်အထိပြုလုပ်ခဲ့သော သုတေသနအများစုသည် စနစ်ဒီဇိုင်း၊ အယူအဆဆိုင်ရာ သို့မဟုတ် ပြန်လည်သုံးသပ်မှုအခြေခံလေ့လာမှုများ (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al) ဖြင့် ဖွဲ့စည်းထားသည်ကို ကျွန်ုပ်တို့ တွေ့ရှိခဲ့သည်။ 2015; Yao et al.၊ 2019)။ စိုက်ပျိုးရေးဒရုန်းများကို စုံစမ်းစစ်ဆေးရာတွင် လုပ်ဆောင်ရာတွင် လက်တွေ့ကျသော၊ အရည်အသွေးနှင့် ဖြစ်ရပ်-လေ့လာမှု-အခြေခံနည်းလမ်းများ မရှိခြင်းကိုလည်း ကျွန်ုပ်တို့သတိပြုမိပါသည်။
• မကြာသေးမီက၊ တိကျသောစိုက်ပျိုးမွေးမြူရေး၊ AI နည်းပညာများ၊ တိကျသောပိုးမွှားစိုက်ပျိုးမှုနှင့် ရေဖိအားအကဲဖြတ်ခြင်းဆိုင်ရာ အကြောင်းအရာများသည် သိသိသာသာအာရုံစိုက်လာပါသည် (Espinoza et al., 2017; Gomez-Cand ´on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro၊ 2018၊ 2021; Z. Zhou et al., 2021)။ 1990-2010 နှင့် 2011-2021 တို့တွင် သီးခြားခေတ်နှစ်ခုရှိ သုတေသနအစုအဖွဲ့များအား ဂရုတစိုက်စစ်ဆေးခြင်းသည် ဒိုမိန်း၏ဉာဏဖွဲ့စည်းပုံ၏တိုးတက်မှုကိုဖော်ပြသည်။ 1990 ခုနှစ်မှ 2010 ခုနှစ်များအတွင်း UAV ၏ ဒီဇိုင်း၊ ဖွံ့ဖြိုးတိုးတက်မှုနှင့် အကောင်အထည်ဖော်မှုဆိုင်ရာ ဆွေးနွေးမှုမှ သိသာထင်ရှားသော ဒရုန်းများ၏ ဗဟိုအယူအဆများနှင့် ဒရုန်းများ၏ သဘောတရားများကို ပေါင်းစပ်ဖွဲ့စည်းခဲ့သည်။ ဒုတိယခေတ်တွင်၊ သုတေသနသည် စိုက်ပျိုးရေးတွင် UAV အသုံးပြုမှုကိစ္စများကို ပေါင်းစပ်ရန် ကြိုးပမ်းမှုတွင် ယခင်လေ့လာမှုများကို တိုးချဲ့လုပ်ဆောင်သည်။ ပုံရိပ်ဖော်ခြင်းလုပ်ငန်းများနှင့် တိကျသောစိုက်ပျိုးရေးဆိုင်ရာ ဒရုန်းအသုံးချမှုများကို ဆွေးနွေးသည့် လေ့လာမှုများစွာကိုလည်း ကျွန်ုပ်တို့တွေ့ရှိခဲ့သည်။
ဘှဲ့ | ဂျာနယ် | ရေတွက် |
1 | အဝေးအာရုံခံစနစ် | 258 |
2 | ဉာဏ်ရည်ဉာဏ်သွေးနှင့် စက်ရုပ်စနစ်များဂျာနယ်- သီအိုရီနှင့် | 126 |
applications ကို | ||
3 | စိုက်ပျိုးရေးတွင် ကွန်ပျူတာနှင့် အီလက်ထရွန်းနစ် | 98 |
4 | IEEE စက်ရုပ်များနှင့် အလိုအလျောက်စနစ်ဆိုင်ရာ စာလုံးများ | 87 |
5 | sensors | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | တိကျသောစိုက်ပျိုးရေး | 41 |
8 | မောင်းသူမဲ့လေယာဉ်များ | 40 |
9 | Agronomy | 34 |
10 | IEEE အသုံးပြုခွင့် | 34 |
11 | နိုင်ငံတကာအဆင့်မြင့် စက်ရုပ်စနစ်များဂျာနယ် | 31 |
12 | နိုင်ငံတကာ စိုက်ပျိုးရေးနှင့် ဇီဝဗေဒ အင်ဂျင်နီယာဂျာနယ် | 25 |
13 | PLoS ONE | 25 |
14 | Field Robotics ဂျာနယ် | 23 |
15 | Biosystems Engineering ကို | 22 |
ဂယက်
ကျွန်ုပ်တို့၏ bibliometric ပြန်လည်သုံးသပ်ခြင်းကို ပညာရှင်များ၊ လယ်သမားများ၊ စိုက်ပျိုးရေးကျွမ်းကျင်သူများ၊ သီးနှံအတိုင်ပင်ခံများနှင့် UAV စနစ်ဒီဇိုင်နာများနှင့်အတူ ဒီဇိုင်းရေးဆွဲပြီး ဆောင်ရွက်ခဲ့ပါသည်။ စာရေးသူ၏အကောင်းဆုံးဗဟုသုတအတွက်၊ ဤသည် in-depth bibliometric ခွဲခြမ်းစိတ်ဖြာမှုကိုဆောင်ရွက်ခဲ့သော ပထမဆုံးမူရင်းပြန်လည်သုံးသပ်ချက်တစ်ခုဖြစ်သည်။
စိုက်ပျိုးရေးတွင် ဒရုန်းအသုံးပြုမှု။ ကျွန်ုပ်တို့သည် ဤအသိပညာအဖွဲ့ကို ကျယ်ကျယ်ပြန့်ပြန့် ပြန်လည်သုံးသပ်ပြီး ထုတ်ဝေမှုများ၏ ကိုးကားချက်နှင့် ပူးတွဲကိုးကားမှုဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုများကို အသုံးချခဲ့သည်။ ဒရုန်းသုတေသန၏ ဉာဏ်ရည်ဉာဏ်သွေးတည်ဆောက်ပုံကို ဖော်ပြရန် ကျွန်ုပ်တို့၏ကြိုးပမ်းမှုများသည် ပညာရှင်များအတွက် ထိုးထွင်းသိမြင်မှုအသစ်များကို ပေးဆောင်ပါသည်။ အချိန်ကြာလာသည်နှင့်အမျှ အသုံးပြုသော သော့ချက်စကားလုံးများကို ဂရုတစိုက်ပြန်လည်သုံးသပ်ခြင်းသည် ဒရုန်းနှင့်ပတ်သက်သော စာပေများရှိ ဟော့စပေါ့များနှင့် အဓိကသုတေသနပြုသည့်နေရာများကို ဖော်ပြသည်။ ထို့အပြင်၊ ကျွန်ုပ်တို့သည် နယ်ပယ်တွင် ပြီးမြောက်ခဲ့သော အထိရောက်ဆုံးသော သုတေသနလုပ်ငန်းများကို ရှာဖွေဖော်ထုတ်ရန် ကိုးကားမှုအများဆုံး လေ့လာမှုများစာရင်းကို တင်ပြပါသည်။ ဆောင်းပါးများနှင့် သော့ချက်စကားလုံးများကို ဖော်ထုတ်ခြင်းသည် အနာဂတ်လေ့လာမှုများအတွက် လမ်းကြောင်းများစွာကို ရှာဖွေဖော်ထုတ်ရန် ခိုင်မာသောအစမှတ်ကို ပေးစွမ်းနိုင်သည်။
အရေးကြီးသည်မှာ၊ ကျွန်ုပ်တို့သည် နှိုင်းယှဉ်နိုင်သော လက်ရာများကို အမျိုးအစားခွဲခြားပြီး ရလဒ်များကို အသေးစိတ်ဖော်ပြသည့် အစုအဝေးများကို ဖော်ပြခဲ့သည်။ အစုအဝေးတွင် ခွဲခြားထားသော လေ့လာမှုများသည် UAV သုတေသန၏ ဉာဏဖွဲ့စည်းပုံကို နားလည်ရန် အထောက်အကူဖြစ်စေသည်။ ထူးခြားသည်မှာ ဒရုန်းများ၏ မွေးစားခြင်းဆိုင်ရာ အကြောင်းရင်းများကို စုံစမ်းသည့် လေ့လာမှု ရှားပါးလာမှုကို ကျွန်ုပ်တို့ တွေ့ရှိခဲ့သည်။
နှင့် စိုက်ပျိုးရေးလုပ်ငန်းများတွင် အတားအဆီးများ (ဇယား 9 ကိုကြည့်ပါ)။ အနာဂတ် သုတေသီများသည် မတူညီသော မွေးမြူရေး လုပ်ငန်းများနှင့် ရာသီဥတု အခြေအနေများတွင် ဒရုန်းများ၏ မွေးစားခြင်းဆိုင်ရာ အကြောင်းရင်းများကို အကဲဖြတ်သည့် လက်တွေ့ကျသော စုံစမ်းစစ်ဆေးမှုများ ပြုလုပ်ခြင်းဖြင့် ဤအလားအလာ ကွာဟချက်ကို ဖြေရှင်းနိုင်မည်ဖြစ်သည်။ ထို့အပြင် ဒရုန်းများ၏ ထိရောက်မှုနှင့် ပတ်သက်သော ဖြစ်ရပ်လေ့လာမှုကို အခြေခံထားသော သုတေသနကို နယ်ပယ်မှ အချက်အလက်အစစ်အမှန်များဖြင့် ကျောထောက်နောက်ခံပြုသင့်သည်။ ထို့အပြင်၊ ပညာရှင်နှင့် သုတေသနတွင် လယ်သမားများနှင့် မန်နေဂျာများ ပါဝင်ခြင်းသည် ဒရုန်းသုတေသန၏ သီအိုရီနှင့် လက်တွေ့ တိုးတက်မှု နှစ်ခုစလုံးအတွက် အကျိုးကျေးဇူးရှိမည်ဖြစ်သည်။ အထင်ရှားဆုံး သုတေသီများနှင့် ၎င်းတို့၏ ပံ့ပိုးကူညီမှုများကိုလည်း ဖော်ထုတ်နိုင်ခဲ့ပြီး မကြာသေးမီက ဟောပြောမှုဆိုင်ရာ အသိပညာပေးခြင်းများသည် အနာဂတ်ပညာရေးဆိုင်ရာ ကြိုးပမ်းမှုများအတွက် လမ်းညွှန်ချက်အချို့ကို ပေးဆောင်နိုင်သောကြောင့် အဖိုးတန်လှပါသည်။
စားပွဲတင် 9
UAV မွေးစားခြင်းဆိုင်ရာ အတားအဆီးများ။
အတားအဆီး | ဖေါ်ပြချက် |
ဒေတာလုံခြုံရေး | ဆိုက်ဘာလုံခြုံရေးကို အကောင်အထည်ဖော်ရာတွင် အဓိကစိန်ခေါ်မှုတစ်ခုဖြစ်သည်။ IoT ဖြေရှင်းချက်များ (Masroor et al., 2021)။ |
အပြန်အလှန်လုပ်ဆောင်နိုင်မှုနှင့် ပေါင်းစည်းမှု | UAV၊ WSN၊ IoT စသည်ဖြင့် အမျိုးမျိုးသော နည်းပညာများ။ အချက်အလက်တွေကို ပေါင်းစပ်ပြီး ပို့လွှတ်သင့်ပါတယ်။ ရှုပ်ထွေးမှုအဆင့်ကို တိုးမြှင့်ပါ (Alsamhi et al., 2021; Popescu et al.၊ 2020; Vuran et al.၊ 2018)။ |
အကောင်အထည်ဖော်စရိတ် | အထူးသဖြင့် တောင်သူလယ်သမား ငယ်များအတွက် နှင့် သက်ဆိုင်သော ကိစ္စဖြစ်ပါသည်။ အမျိုးမျိုးသော ခေတ်မီနည်းပညာများ ပေါင်းစပ်ခြင်း ( Masroor et al.၊ 2021)။ |
အလုပ်သမားအသိပညာနှင့် ကျွမ်းကျင်မှု | UAV များကို လည်ပတ်ရန်အတွက် ကျွမ်းကျင်သော ဒရုန်းလေယာဉ်မှူးများ လိုအပ်ပါသည်။ ထို့အပြင် အမျိုးမျိုးသော ခေတ်မီသော အကောင်အထည်ဖော်မှုများ နည်းပညာများသည် ကျွမ်းကျင်လုပ်သားများ လိုအပ်သည် (YB Huang et al., 2013; Tsouros et al.၊ 2019)။ |
အင်ဂျင်ပါဝါနှင့် ပျံသန်းခြင်း။ ရှည်ကြာခြင်း | Drone များသည် နာရီအကြာကြီး လည်ပတ်၍မရပါ။ ကြီးမားသောနယ်မြေများ (Hardin & Hardin, 2010; Laliberte et al.၊ 2007) ။ |
တည်ငြိမ်မှု၊ ယုံကြည်စိတ်ချရမှု၊ တော | ဆိုးရွားသောရာသီဥတုအခြေအနေတွင် ဒရုန်းများသည် မတည်ငြိမ်ပါ။ (Hardin & Hardin, 2010; Laliberte et al., 2007)။ |
Payload ကန့်သတ်ချက် အာရုံခံကိရိယာများ၏အရည်အသွေး | ဒရုန်းများသည် အကန့်အသတ်ဖြင့်သာ သယ်ဆောင်နိုင်သည် အရည်အသွေးနိမ့် အာရုံခံကိရိယာများ တင်ဆောင်နိုင်မှု (Nebiker et al ။ , 2008) ။ |
နည်းကျအောင်ပြုလုပ်ခြင်း | ဒရုန်းတွေဟာ အန္တရာယ်ရှိနိုင်သလို ပြင်းထန်တာတွေလည်း ရှိပါတယ်။ အချို့နေရာများတွင် စည်းမျဉ်းများ (Hardin & Jensen, 2011; Laliberte & Rango၊ 2011)။ |
တောင်သူလယ်သမားများ၏ အသိပညာနှင့် စိတ်ဝင်စားမှု | အခြားသော ခေတ်မီနည်းပညာများကဲ့သို့ ဒရုန်းများ၊ အောင်မြင်အောင် အကောင်အထည်ဖော်ရာမှာ ကျွမ်းကျင်မှုတွေလည်း လိုအပ်ပါတယ်။ မသေချာမရေရာမှုများနှင့်အတူ လိုက်ပါသွားသည် (Fisher et al., 2009; Lambert et al., 2004; Stafford၊ 2000)။ |
အထွက်နှုန်းအများဆုံးရရှိရန် ရနိုင်သောအရင်းအမြစ်များကို စဉ်ဆက်မပြတ် ထိထိရောက်ရောက်အသုံးပြုရန် လိုအပ်သောကြောင့် လယ်သမားများသည် ၎င်းတို့၏လယ်ကွင်းများကို လျင်မြန်၊ တိကျပြီး ကုန်ကျစရိတ်သက်သာသောစကင်န်ဖတ်ခြင်းသေချာစေရန် ဒရုန်းများ၏အားသာချက်များကို အသုံးချနိုင်သည်။ နည်းပညာသည် လယ်သမားများအား ၎င်းတို့၏ သီးနှံများ၏ အခြေအနေနှင့် ရေအခြေအနေ၊ ရင့်မှည့်သည့်အဆင့်၊ အင်းဆက်ပိုးမွှားကျရောက်မှုနှင့် အာဟာရလိုအပ်ချက်များကို အကဲဖြတ်ရန် ပံ့ပိုးပေးနိုင်သည်။ ဒရုန်းများ၏ အဝေးမှ အာရုံခံနိုင်မှုစွမ်းရည်များသည် လယ်သမားများအား အစောပိုင်းအဆင့်တွင် ပြဿနာများကို ကြိုတင်မှန်းဆနိုင်စေရန်နှင့် သင့်လျော်သော ကြားဝင်ဆောင်ရွက်ပေးမှုများကို ချက်ခြင်းလုပ်ဆောင်ရန် အရေးကြီးသော အချက်အလက်များကို ပံ့ပိုးပေးနိုင်ပါသည်။ သို့သော်လည်း စိန်ခေါ်မှုများကို မှန်ကန်စွာ ကိုင်တွယ်ဖြေရှင်းမှသာ နည်းပညာ၏ အကျိုးကျေးဇူးများကို သိရှိနိုင်မည်ဖြစ်သည်။ အလင်း၌
ဒေတာလုံခြုံရေး၊ အာရုံခံနည်းပညာဆိုင်ရာ ပြဿနာများ (ဥပမာ၊ ယုံကြည်စိတ်ချရမှု သို့မဟုတ် တိုင်းတာမှုများ တိကျမှု)၊ ပေါင်းစပ်မှု ရှုပ်ထွေးမှုနှင့် ကြီးမားသော အကောင်အထည်ဖော်မှုကုန်ကျစရိတ်များနှင့် ပတ်သက်သည့် လက်ရှိပြဿနာများ၊ အနာဂတ်လေ့လာမှုများသည် စိုက်ပျိုးရေးဒရုန်းများနှင့် အခြားဖြတ်တောက်မှုများ ပေါင်းစပ်ခြင်း၏ နည်းပညာ၊ စီးပွားရေးနှင့် လုပ်ငန်းလည်ပတ်မှုဖြစ်နိုင်ချေတို့ကို ဆန်းစစ်ရပါမည်။ အစွန်းထွက်နည်းပညာများ။
ကန့်သတ်
ကျွန်ုပ်တို့၏လေ့လာမှုတွင် အကန့်အသတ်များစွာရှိသည်။ ပထမဦးစွာ တွေ့ရှိချက်များအား နောက်ဆုံးခွဲခြမ်းစိတ်ဖြာမှုအတွက် ရွေးချယ်ထားသော ထုတ်ဝေမှုများမှ ဆုံးဖြတ်သည်။ အထူးသဖြင့် Scopus ဒေတာဘေ့စ်တွင် အညွှန်းမတင်ထားသော စိုက်ပျိုးရေးဒရုန်းများနှင့် သက်ဆိုင်သည့် သက်ဆိုင်ရာ လေ့လာမှုအားလုံးကို ဖမ်းယူရန် ခက်ခဲသည်။ ထို့အပြင်၊ ဒေတာစုဆောင်းခြင်းလုပ်ငန်းစဉ်သည် ပါဝင်သော ရှာဖွေမှုသော့ချက်စကားလုံးများ၏ ဆက်တင်တွင်သာ ကန့်သတ်ထားသဖြင့် ပါဝင်နိုင်မည်မဟုတ်သည့်အပြင် မပြည့်စုံသောရှာဖွေတွေ့ရှိမှုများဆီသို့ ဦးတည်သွားနိုင်သည်။ ထို့ကြောင့် အနာဂတ်လေ့လာမှုများပြုလုပ်ရန် ဒေတာစုဆောင်းခြင်း၏ အရင်းခံပြဿနာကို ပိုမိုအာရုံစိုက်ရန် လိုအပ်ပါသည်။
ပိုမိုယုံကြည်စိတ်ချရသောကောက်ချက်။ အခြားကန့်သတ်ချက်မှာ ကိုးကားချက်အရေအတွက်နည်းသော ထုတ်ဝေမှုအသစ်များနှင့် ပတ်သက်သည်။ bibliometric ခွဲခြမ်းစိတ်ဖြာမှုသည် နှစ်များတစ်လျှောက် ကိုးကားချက်များ ပိုမိုရရှိလေ့ရှိသောကြောင့် အစောပိုင်းထုတ်ဝေမှုများအပေါ် ဘက်လိုက်ပါသည်။ မကြာသေးမီက လေ့လာမှုများသည် အာရုံစူးစိုက်မှုကို ဆွဲဆောင်ရန်နှင့် ကိုးကားချက်များကို စုဆောင်းရန် အချိန်အတိုင်းအတာတစ်ခု လိုအပ်သည်။ ထို့ကြောင့်၊ မကြာသေးမီက လေ့လာမှုများသည် ပါရာဒိုင်းအပြောင်းအရွှေ့ကို ဆောင်ကြဉ်းပေးသော သြဇာလွှမ်းမိုးမှုရှိသော ထိပ်တန်းအလုပ်ဆယ်ခုတွင် အဆင့်သတ်မှတ်မည်မဟုတ်ပါ။ ဤကန့်သတ်ချက်သည် စိုက်ပျိုးရေးဒရုန်းများကဲ့သို့ လျင်မြန်စွာပေါ်ထွက်လာသော သုတေသနနယ်ပယ်များကို စစ်ဆေးရာတွင် ပျံ့နှံ့နေပါသည်။ ဤအလုပ်အတွက် စာပေလေ့လာရန် Scopus နှင့် တိုင်ပင်ထားသောကြောင့် အနာဂတ်သုတေသီများသည် ကွဲပြားစွာ စဉ်းစားနိုင်သည်။
Web of Science နှင့် IEEE Xplore ကဲ့သို့သော ဒေတာဘေ့စ်များသည် မိုးကုပ်စက်ဝိုင်းကို ချဲ့ထွင်ရန်နှင့် သုတေသနဖွဲ့စည်းပုံကို မြှင့်တင်ရန်။
ဖြစ်နိုင်ချေရှိသော bibliometric လေ့လာမှုများသည် ဆန်းသစ်သောထိုးထွင်းသိမြင်မှုများကို ဖန်တီးရန်အတွက် ညီလာခံစာတမ်းများ၊ အခန်းများနှင့် စာအုပ်များကဲ့သို့သော အရေးကြီးသောအသိပညာအရင်းအမြစ်များကို ထည့်သွင်းစဉ်းစားနိုင်ပါသည်။ စိုက်ပျိုးရေးဒရုန်းများအကြောင်း ကမ္ဘာလုံးဆိုင်ရာ ပုံနှိပ်ထုတ်ဝေမှုများကို မြေပုံဆွဲပြီး စုံစမ်းစစ်ဆေးနေသော်လည်း၊ ကျွန်ုပ်တို့၏ တွေ့ရှိချက်များသည် တက္ကသိုလ်များ၏ ပညာတော်သင်ထွက်ရှိမှု၏ နောက်ကွယ်တွင် အကြောင်းရင်းများကို ဖော်ပြထားခြင်းမရှိပါ။ ယင်းက အချို့သောတက္ကသိုလ်များသည် စိုက်ပျိုးရေးနှင့်ပတ်သက်သည့် သုတေသနပြုသည့်အခါ အခြားတက္ကသိုလ်များထက် ဘာကြောင့် အကျိုးအမြတ်ပိုရကြောင်းကို အရည်အချင်းပြည့်မီစွာ ရှင်းပြခြင်းဖြင့် သုတေသနအသစ်နယ်ပယ်တစ်ခုဆီသို့ လမ်းခင်းပေးသည်။
ဒရုန်း။ ထို့အပြင်၊ သုတေသီအများအပြားက ညွှန်ပြထားသည့်အတိုင်း သဘာဝပတ်ဝန်းကျင် စောင့်ကြည့်ခြင်း၊ သီးနှံစီမံခန့်ခွဲမှုနှင့် ပေါင်းပင်များ ပုံဖော်ခြင်းစသည့် နည်းလမ်းများစွာဖြင့် စိုက်ပျိုးရေရှည်တည်တံ့ခိုင်မြဲမှုကို တိုးမြှင့်ရန် ဒရုန်းများ၏ အလားအလာကို ထိုးထွင်းသိမြင်နိုင်သည် (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al.၊ 2020; J. Su, Liu, et al., 2018b)။ ရွေးချယ်ထားသော စာတမ်းအရေအတွက် များသောကြောင့် စာသားပိုင်းခြားစိတ်ဖြာမှု မဖြစ်နိုင်သောကြောင့်၊ စာပေများကို စနစ်တကျ ဆန်းစစ်သုံးသပ်ရန် လိုအပ်ပါသည်။
သုတေသနနည်းလမ်းများနှင့် ကြိုတင်လေ့လာမှုများတွင် လယ်သမားများ၏ ပါဝင်ပတ်သက်မှုကို အသုံးပြုခဲ့သည်။ အတိုချုပ်အားဖြင့်၊ ကျွန်ုပ်တို့၏ ဒရုန်းသုတေသန၏ ခွဲခြမ်းစိတ်ဖြာမှုသည် ဤအသိပညာအဖွဲ့အစည်း၏ မမြင်နိုင်သော ချိတ်ဆက်မှုများကို ဖော်ထုတ်ပေးပါသည်။ ထို့ကြောင့် ဤသုံးသပ်ချက်သည် စာပေများကြားတွင် ဆက်စပ်မှုကို ဖော်ထုတ်နိုင်စေပြီး သုတေသနနယ်ပယ်၏ ဉာဏ်ရည်ဉာဏ်သွေးတည်ဆောက်ပုံကို စူးစမ်းရှာဖွေရန် ကူညီပေးပါသည်။ စာရေးဆရာများ၏ သော့ချက်စာလုံးများ၊ ဆက်နွယ်မှုများနှင့် နိုင်ငံများကဲ့သို့သော စာပေ၏ ရှုထောင့်အမျိုးမျိုးကြား ချိတ်ဆက်မှုများကိုလည်း သရုပ်ဖော်ထားသည်။
ယှဉ်ပြိုင်အကျိုးစီးပွား၏ကြေငြာချက်
စာရေးသူများအနေဖြင့်ဤစာတမ်းတွင်ဖော်ပြထားသောအလုပ်အပေါ်သြဇာသက်ရောက်နိုင်သည့်အပြိုင်အဆိုင်ငွေကြေးဆိုင်ရာအကျိုးစီးပွားများသို့မဟုတ်ပုဂ္ဂိုလ်ရေးဆက်နွယ်မှုများကိုမသိရှိကြောင်းကြေငြာခဲ့သည်။
နောကျဆကျတှဲ 1
TITLE-ABS-KEY (((မောင်းသူမဲ့လေယာဉ်* သို့မဟုတ် "မောင်းသူမဲ့လေယာဉ်" သို့မဟုတ် uav* သို့မဟုတ် "မောင်းသူမဲ့လေယာဉ်စနစ်” OR uas သို့မဟုတ် “အဝေးမှ မောင်းနှင်သော လေယာဉ်”) နှင့် (စိုက်ပျိုးရေး သို့မဟုတ် စိုက်ပျိုးရေး သို့မဟုတ် လယ်ယာ သို့မဟုတ် လယ်သမား))) နှင့် ((PUBYEAR၊ 2022)) နှင့် (ကန့်သတ်ချက် (ဘာသာစကား၊ "အင်္ဂလိပ်"))။
ကိုးကား
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015။ အသီးအရွက်များကို စောင့်ကြည့်ရန်အတွက် ပေါ့ပါးသော UAV လျှပ်တစ်ပြက်ကင်မရာများဖြင့် 3D hyperspectral အချက်အလက်ကို ထုတ်လုပ်ခြင်း- မှ
အရည်အသွေးအာမခံချက်သို့ ကင်မရာချိန်ညှိခြင်း။ ISPRS J. Photogramm အဝေးထိန်း အာရုံများ ၁၀၈၊ ၂၄၅-၂၅၉။ https://doi.org/108/j.isprsjprs.245။
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005။ မောင်းသူမဲ့ ဝေဟင်ယာဉ်မှ အလိုအလျောက် ငှက်ထောက်လှမ်းမှုအတွက် ပုံစံမှတ်သားမှု အယ်လဂိုရီသမ် ဖွံ့ဖြိုးတိုးတက်မှု။
စစ်တမ်း။ မြေယာအကြောင်းကြား။ သိပ္ပံပညာ။ ၆၅ (၁)၊ ၃၇–၄၅။
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. စိုက်ပျိုးရေးအတွက် ကြိုးမဲ့အာရုံခံကွန်ရက်များ- bibliometric ခွဲခြမ်းစိတ်ဖြာမှုမှ ထိုးထွင်းသိမြင်မှုများ။ ညီလေး ၁၃ (၂၁)၊
12011 ။
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., ကြည်လင်ပြတ်သားသော အလင်းပြန်ပုံရိပ်များတွင် အရိပ်ရှာဖွေခြင်းအတွက် မတူညီသောနည်းလမ်းများကို အကဲဖြတ်ခြင်းနှင့် တွက်ချက်မှုအပေါ် အရိပ်သက်ရောက်မှုကို အကဲဖြတ်ခြင်း NDVI နှင့် evapotranspiration။ ဆည်မြောင်း။ သိပ္ပံပညာ။ ၃၇ (၃)၊ ၄၀၇–၄၂၉။ https://doi.org/37/s3-407-429-10.1007။
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hyperspectral ပုံရိပ်- UAV အခြေခံ အာရုံခံကိရိယာများ၊ ဒေတာအပေါ် ပြန်လည်သုံးသပ်ချက် စီမံဆောင်ရွက်ခြင်းနှင့်
စိုက်ပျိုးရေးနှင့်သစ်တောအတွက်လျှောက်လွှာ။ Remote Sensing ၉ (၁၁)။ https://doi.org/ 9/rs11။
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015။ နေကြာသီးနှံများကို စောင့်ကြည့်ရန်အတွက် မောင်းသူမဲ့လေယဉ်ကို အသုံးပြု၍ အချိန်အတိုင်းအတာတစ်ခုအထိ ပုံရိပ်ဖော်ခြင်း။ ဇီဝဗေဒ။ Eng
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi၊ OG၊ Salubi၊ AA၊ Angbas၊ AF၊ Odigure၊ MG၊ 2017။ UAV မှ တိကျသော ဒစ်ဂျစ်တယ် အတက်အဆင်း မော်ဒယ်များ၏ မျိုးဆက်သည် ထပ်နေသည့် ပုံများ ရာခိုင်နှုန်းနည်းပါးပါသည်။ 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။ အဝေးမှ အာရုံခံဒေတာမှ ဇီဝလောင်စာနှင့် မြေဆီလွှာအစိုဓာတ်ကို ပြန်လည်ရယူခြင်းအတွက် စက်သင်ယူမှုနည်းလမ်းများကို ပြန်လည်သုံးသပ်ခြင်း။ အဝေးထိန်းအာရုံခံခြင်း 7 (12), 16398–16421။
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., B5G ကွန်ရက်များတွင် UAVs အသုံးပြုသည့်အရာများ၏ အစိမ်းရောင်အင်တာနက်- အပလီကေးရှင်းများ၏ သုံးသပ်ချက်
နှင့်ဗျူဟာများ။ ကြော်ငြာ။ ဟော့. Netw 117, 102505 https://doi.org/10.1016/j။ adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020။ သိုးမွေးမြူရေးစောင့်ကြည့်ရေးဒရုန်းများ။ 20th IEEE Mediterranean Electrotechnical Conference တွင်၊ https://doi။
org/10.1109/MELECON48756.2020.9140588။
Ampatzidis, Y., Partel, V., 2019။ ဘက်စုံပုံရိပ်ဖော်ခြင်းနှင့် ဉာဏ်ရည်တုနည်းပညာကို အသုံးပြု၍ Citrus တွင် UAV အခြေပြု high throughput phenotyping လုပ်ဆောင်ချက်။ Remote Sensing 11 (4), https://doi.org/10.3390/rs11040410။
Ampatzidis, Y., Partel, V., Costa, L., 2020။ Agroview- ဉာဏ်ရည်တုနည်းပညာသုံး တိကျသောစိုက်ပျိုးရေးအပလီကေးရှင်းများအတွက် UAV-စုဆောင်းထားသောဒေတာကို လုပ်ဆောင်ရန်၊ ခွဲခြမ်းစိတ်ဖြာရန်နှင့် မြင်သာစေရန် Cloud-based application။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ 174, 105457 https://doi. org/10.1016/j.compag.2020.105457။
Ang၊ K.-L.-M. IEEE Access 2021၊ 9–36699။ https://doi.org/36718/
ACCESS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022။ ပြန်လည်သုံးသပ်ခြင်း- စားကျက်အခြေခံ မွေးမြူရေးစနစ်များတွင် တိကျသော မွေးမြူရေးနည်းပညာများ။ တိရစ္ဆာန် ၁၆ (၁), https://doi.org/16/j.animal.1။
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., အတွက် ခေတ်မီသော သတင်းအချက်အလက်နှင့် ဆက်သွယ်ရေးနည်းပညာများဆိုင်ရာ ခေတ်ရေစီးကြောင်းများ
လယ်ယာထွက်ကုန်ထုတ်လုပ်မှု တိုးတက်စေခြင်း- bibliometric ခွဲခြမ်းစိတ်ဖြာမှု။ Agronomy 10 (12), Article 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The flying gator: occam-π ရှိ ဝေဟင်မှ စက်ရုပ်များဆီသို့။ ကွန်မြူနတီ လုပ်ငန်းစဉ်ဗိသုကာ။ 2011၊ 329–340။ https://doi။ org/10.3233/978-1-60750-774-1-329။
Arora၊ SD၊ Chakraborty၊ A.၊ 2021။ စားသုံးသူမကျေနပ်သည့်အပြုအမူ (CCB) သုတေသနပြုချက်- bibliometric ခွဲခြမ်းစိတ်ဖြာမှု။ J. Business Res. ၁၂၂၊ ၆၀–၇၄။
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022။
ပွင့်လင်းလယ်ကွင်းများနှင့် ဖန်လုံအိမ်များတွင် တိကျသော စိုက်ပျိုးရေးအတွက် UAV ဖြင့် မကြာသေးမီက လေ့လာမှုများ၏ ကျယ်ကျယ်ပြန့်ပြန့် စစ်တမ်းတစ်ခု။ Appl သိပ္ပံပညာ။ 12 (3), 1047. https://doi.org/10.3390/
app12031047။
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018)။ Field Phenotyping for the Future နှစ်စဉ်အပင်ပြန်လည်သုံးသပ်ခြင်းအွန်လိုင်းတွင် (စ။ 719-736)။ ယော
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651။
Austin, R., 2010။ မောင်းသူမဲ့ လေယာဉ်စနစ်များ- UAVS ဒီဇိုင်း၊ ဖွံ့ဖြိုးတိုးတက်မှုနှင့် အသုံးချမှု။ In- မောင်းသူမဲ့ လေယာဉ်စနစ်များ- UAVS ဒီဇိုင်း၊ ဖွံ့ဖြိုးတိုးတက်မှုနှင့်
ဖြန့်ကျက်။ John Wiley နှင့် သားတို့။ 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။ အပင်စိတ်ဖိစီးမှုတွင် UAV အခြေပြု အဝေးထိန်းစနစ်ဖြင့် အာရုံခံခြင်း ဒစ်ဂျစ်တယ်စိုက်ပျိုးရေးအလေ့အကျင့်များအတွက် ကြည်လင်ပြတ်သားမှုမြင့်မားသော အပူအာရုံခံကိရိယာကို အသုံးပြု၍ စိတ်ကူးကြည့်ပါ- မက်တာ-သုံးသပ်ချက်။ Int J. ပတ်ဝန်းကျင်။ သိပ္ပံပညာ။ နည်းပညာ။ 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။ စမတ်ကျသောစိုက်ပျိုးရေး- အခွင့်အလမ်းများ၊ စိန်ခေါ်မှုများ
နည်းပညာပေးသူများ၊ 2018 IoT Vertical နှင့်။ စိုက်ပျိုးရေးဆိုင်ရာ ထိပ်သီးအစည်းအဝေး - Tuscany (IOT Tuscany) 1-6။ https://doi.org/10.1109/IOTTUSCANY.2018.8373043။
Bah, MD, Hafiane, A., Canals, R., 2018။ UAV ရုပ်ပုံများတွင် မျဉ်းတစ်ကြောင်း ကောက်ပဲသီးနှံများတွင် ပေါင်းပင်ရှာဖွေခြင်းအတွက် ကြီးကြပ်မထားသော ဒေတာအညွှန်းတပ်ခြင်းဖြင့် နက်ရှိုင်းစွာ သင်ယူခြင်း။ Remote Sensing 10 (11), 1690။
https://doi.org/10.3390/rs10111690.
Baldi၊ S. နံနက်။ လူမှုရေး။ ဗျာ ၆၃ (၆)၊ ၈၂၉–၈၄၆။ https://doi။
org/10.2307/2657504။
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012။ အပူနှင့် ရောင်စဉ်မျိုးစုံဖြင့် စပျစ်ခြံရေ အခြေအနေ ကွဲပြားမှုကို အကဲဖြတ်ခြင်း
မောင်းသူမဲ့ လေယာဉ် (UAV) ကို အသုံးပြုထားသည့် ပုံ။ ဆည်မြောင်း။ သိပ္ပံပညာ။ (၆း၃၀)၊ ၅၁၁–၅၂၂။ https://doi.org/30/s6-511-522-10.1007။
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., မျိုးဆက်သစ် မွေးမြူရေး။ Plant Sci ပါ။ ၂၄၂၊ ၃–၁၃။ https://doi.org/242/j။
plantci.2015.07.010.
Barbedo၊ JGA၊ Koenigkan၊ LV၊ 2018။ ကျွဲနွားများကို စောင့်ကြည့်ရန် မောင်းသူမဲ့လေကြောင်းစနစ်များ အသုံးပြုခြင်းအပေါ် အမြင်များ။ Outlook Agric ၄၇ (၃)၊ ၂၁၄–၂၂၂။ https://doi.org/47/3။
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. အလေးချိန်နည်းပြီး UAV-based hyperspectral full-frame ကင်မရာများ
သီးနှံများကို စောင့်ကြည့်ခြင်းအတွက်- ခရီးဆောင် spectroradiometer တိုင်းတာမှုများနှင့် ရောင်စဉ်တန်း နှိုင်းယှဉ်မှု။ Photogrammetrie၊ Fernerkundung၊ Geoinformation 2015 (1), 69–79။
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., စိုက်ပျိုးရေးတွင် ဝေဟင် အဝေးမှ အာရုံခံခြင်း- ဧရိယာ လွှမ်းခြုံမှုအတွက် လက်တွေ့ကျသော ချဉ်းကပ်မှု
နှင့် အသေးစား ဝေဟင် စက်ရုပ်များ၏ ရေယာဉ်စုများအတွက် လမ်းကြောင်း စီစဉ်ပေးခြင်း။ ဂျေလယ်ရော့။ ၂၈ (၅)၊ ၆၆၇–၆၈၉။ https://doi.org/28/rob.5။
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022။ Multi-rotor UAV များအတွက် လမ်းကြောင်းစီစဉ်ခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များ အသုံးချမှုအပေါ် စစ်တမ်းတစ်ခု
စိုက်ပျိုးရေး။ J. Navig ၇၅ (၂)၊ ၃၆၄–၃၈၃။
Basnet, B., Bang, J., 2018။ အသိပညာအလေးပေးသော စိုက်ပျိုးရေး၏ ခေတ်မီသော အနုပညာ- အသုံးချ အာရုံခံစနစ်များနှင့် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုအပေါ် ပြန်လည်သုံးသပ်ခြင်း။ J. Sens. 2018၊ 1–13။
Bendig, J., Bolten, A., Bareth, G., 2013။ သီးနှံကြီးထွားမှု ကွဲပြားမှုကို စောင့်ကြည့်ရန် အချိန်ပိုင်းအလိုက်၊ အလွန်မြင့်မားသော ရုပ်ထွက်အရည်အသွေးရှိသော သီးနှံမျက်နှာပြင်ပုံစံများအတွက် UAV-based ပုံရိပ်ဖော်ခြင်း။ Photogrammetrie၊ Fernerkundung၊ Geoinformation 2013 (6), 551–562။ https://doi။ org/10.1127/1432-8364/2013/0200။
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014။ UAV အခြေပြု RGB ပုံရိပ်ဖော်ခြင်းမှ ဆင်းသက်လာသော သီးနှံမျက်နှာပြင်ပုံစံ (CSMs) ကို အသုံးပြု၍ မုယောစပါး၏ ဇီဝလောင်စာ ခန့်မှန်းချက်။ အဝေးထိန်းအာရုံခံခြင်း 6 (11)၊ 10395–10412။
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015။ UAV အခြေခံ အပင်အမြင့်ကို သီးနှံမျက်နှာပြင်မှ ပေါင်းစပ်ခြင်း မော်ဒယ်များ၊
မုယောစပါးတွင် ဇီဝဒြပ်ထုကို စောင့်ကြည့်ခြင်းအတွက် အနီအောက်ရောင်ခြည်ရှိသော အသီးအရွက်အညွှန်းကိန်းများအနီးတွင် မြင်နိုင်သော၊ Int J. Appl Earth Obs Geoinf ၃၉၊ ၇၉–၈၇။ https://doi.org/39/j.jag.79။
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´G., Ferreres, E., Villalobos, F., 2009a. မြင့်မားသော ရုပ်ထွက်ကို အသုံးပြု၍ သံလွင်ဥယျာဉ်များတွင် ဖုံးအုပ်လျှပ်ကူးပုံနှင့် CWSI ကို ပုံဖော်ခြင်း။
အပူအဝေး အာရုံခံပုံရိပ်။ ဝေးလံခေါင်သီသောအာရုံများ။ ၁၁၃ (၁၁)၊၂၃၈၀–၂၃၈၈။ https://doi.org/113/j.rse.11။
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Ferres, E., 2009b. မောင်းသူမဲ့ ဝေဟင်ယာဉ်မှ အသီးအရွက်များကို စောင့်ကြည့်ခြင်းအတွက် အပူလှိုင်းနှင့် ကျဉ်းမြောင်းသော ဘက်စုံအဝေးထိန်း အာရုံခံခြင်း။ IEEE Trans Geosci အဝေးထိန်းများ 47 (3), 722–738။
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019။ အစားအစာဘေးကင်းရေးဆိုင်ရာ အင်တာနက်- စာပေသုံးသပ်ချက်နှင့် bibliometric ခွဲခြမ်းစိတ်ဖြာချက်။ ခေတ်ရေစီးကြောင်းအစားအစာသိပ္ပံ။ နည်းပညာ။ ၉၄၊၅၄–၆၄။ https://doi.org/94,54/j.tifs.64။
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. စိုက်ပျိုးရေးတွင် IoT- ဥရောပတစ်ခွင်ရှိ အကြီးစားလေယာဉ်မှူးကို ဒီဇိုင်းဆွဲခြင်း။ IEEE ကွန်မြူနတီ Mag ၅၅ (၉)၊ ၂၆–၃၃။
Buters၊ TM၊ Belton၊ D.၊ Cross၊ AT၊ 2019။ မီလီမီတာ တိကျမှုဖြင့် ပျိုးပင်တစ်ဉီးချင်းစီနှင့် ပျိုးပင်အသိုင်းအဝိုင်းများကို ခြေရာခံသည့် Multi-sensor UAV ။ ဒရုန်း ၃ (၄) ၈၁။
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015။ UAV ရုပ်ပုံများမှ တိကျစွာ စိုက်ပျိုးခြင်းဆိုင်ရာ အပလီကေးရှင်းများအတွက် ကဏ္ဍစုံပုံများနှင့် အသီးအရွက်ညွှန်းကိန်းများကို အကဲဖြတ်ခြင်း။ အဝေးထိန်းအာရုံခံခြင်း 7 (4), 4026–4047။ https://doi.org/10.3390/rs70404026။
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020။ UAV မှ ဆင်းသက်လာသော wide-dynamic-range vegetation index (WDRVI) ကို အသုံးပြု၍ သကြားမုန်လာဥကြီးထွားမှုညွှန်းကိန်းများကို စောင့်ကြည့်ခြင်း
ဘက်စုံပုံရိပ်များ။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ 171, 105331 https://doi.org/10.1016/j.compag.2020.105331။
Casillas, J., Acedo, F., 2007။ မိသားစုစီးပွားရေးစာပေများ၏ ဉာဏတည်ဆောက်ပုံ၏ ဆင့်ကဲပြောင်းလဲမှု- FBR ၏ bibliometric လေ့လာမှု။ မိသားစုစီးပွားရေး ဗျာ ၂၀ (၂)၊ ၁၄၁–၁၆၂။
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. အောက်ရှိ ဇီဝဒြပ်ထု၏ တက်ကြွစွာ စောင့်ကြည့်ခြင်း
ပုံနှစ်ပုံ-ဖရိမ်လျှပ်တစ်ပြက်ကင်မရာများပါရှိသော ပေါ့ပါးသော UAV ကို အသုံးပြု၍ မတူညီသော နိုက်ထရိုဂျင် ကုသမှုများ။ စိုက်ပျိုးနည်းများ 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8 ။
Chamuah, A., Singh, R., 2019။ အရပ်ဘက် UAV မှတဆင့် အိန္ဒိယစိုက်ပျိုးရေးတွင် ရေရှည်တည်တံ့မှုကို လုံခြုံစေခြင်း- တာဝန်ယူမှုရှိသော ဆန်းသစ်တီထွင်မှုအမြင်။ SN Appl သိပ္ပံပညာ။ 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022။ အိန္ဒိယ သီးနှံအာမခံ လျှောက်လွှာများအတွက် အရပ်ဘက် မောင်းသူမဲ့ လေယာဉ် (UAV) တီထွင်ဆန်းသစ်မှုများကို တာဝန်ယူ အုပ်ချုပ်မှု။ J. တာဝန်ရှိတယ်။
နည်းပညာ။ 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025 ။
Chen, A., Orlov-Levin, V., Meron, M., 2019။ တိကျသော ဆည်မြောင်းစီမံခန့်ခွဲမှုအတွက် သီးနှံပင်များ၏ မျက်နှာပြင်ကို ကြည်လင်ပြတ်သားစွာ မြင်နိုင်သော ကြည်လင်ပြတ်သားသော ရုပ်သံလိုင်းပုံရိပ်ကို အသုံးပြုခြင်း။ စိုက်ပျိုးရေး။ ရေ
စီမံခန့်ခွဲ။ ၂၁၆၊ ၁၉၆-၂၀၅။ https://doi.org/216/j.agwat.196။
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. ပေါ့ပါးသော UAV သည် ယာဉ်ပေါ်ရှိ ဓာတ်ပုံဂရမ်မီထရီနှင့် singlefrequency GPS နေရာချထားခြင်း မက်ထရိုဗေဒအသုံးချမှုများအတွက်။ ISPRS J. Photogramm အဝေးထိန်းအာရုံများ 127၊ 115–126။ https://doi.org/10.1016/j.isprsjprs.2016.12.007။
Dawaliby, S., Aberkane, A., Bradai, A., 2020။ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရမောင်းသူမဲ့လေယာဉ်လည်ပတ်မှုစီမံခန့်ခွဲမှုအတွက် Blockchain-based IoT ပလပ်ဖောင်း။ 2nd ACM ၏ လုပ်ငန်းစဉ်များ
MobiCom သည် 5G နှင့် Beyond အတွက် Drone Assisted Wireless Communications ဆိုင်ရာ အလုပ်ရုံဆွေးနွေးပွဲ၊ pp. 31-36။ https://doi.org/10.1145/3414045.3415939။
Day, RA, Gastel, B., 1998။ သိပ္ပံနည်းကျ စာတမ်းတစ်ခုကို ဘယ်လိုရေးပြီး ထုတ်ဝေမလဲ။ Cambridge တက္ကသိုလ်စာနယ်ဇင်း။ de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. cynodon dactylon ပိုးဝင်ခြင်းကို ပုံဖော်ခြင်း တိကျသေချာသော တိရစ္ဆာန်မွေးမြူမှုအတွက် အလိုအလျောက်ဆုံးဖြတ်ချက်သစ်ပင်-OBIA လုပ်ထုံးလုပ်နည်းနှင့် UAV ရုပ်ပုံများဖြင့် သီးနှံများကို ဖုံးအုပ်ထားသည်။ Remote Sensing 12 (1), 56. https://doi.org/10.3390/rs12010056။
de Castro, AI, Torres-S' anchez, J., Pena, ˜ JM, Jim'enez-Brenes, FM, Csillik, O., Lopez- ´Granados, F., 2018။ အလိုအလျောက် ကျပန်းသစ်တော-OBIA အယ်လဂိုရီသမ် UAV ရုပ်ပုံကို အသုံးပြု၍ သီးနှံအတန်းများကြားနှင့် အတွင်းတွင် ပေါင်းပင်များ မြေပုံဆွဲခြင်း။ အဝေးထိန်းအာရုံခံခြင်း (၂) ၁၀။ https://doi.org/10/rs2။
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. UAV Imagery မှဆင်းသက်လာသော DSM ကို အသုံးပြု၍ အပင်အမြင့်ကို အလိုအလျောက် တိုင်းတာခြင်း။ လုပ်ငန်းစဉ်များ 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163။
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020။ မောင်းသူမဲ့ လေယာဉ်များကို အသုံးပြု၍ အချိန်နှင့်တပြေးညီ ပေါင်းသတ်မြေပုံဆွဲခြင်းအတွက် ပေါ့ပါးသော အဓိပ္ပါယ်ရှိသော အပိုင်းခွဲကွန်ရက်။ Appl သိပ္ပံပညာ။ 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. တိကျစွာစိုက်ပျိုးရေးအတွက် UAV-based multispectral remote sensing- မတူညီသောကင်မရာများကြား နှိုင်းယှဉ်ချက်။ ISPRS J. Photogramm အဝေးထိန်းများ 146၊ 124–136။
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022။ မြေဆီလွှာအညွှန်းကိန်းများကို ခန့်မှန်းရန်အတွက် အသုံးပြုသည့် စက်သင်ယူမှုနှင့် အဝေးမှ အာရုံခံနည်းပညာများ – ပြန်လည်သုံးသပ်ခြင်း။ Ecol Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517။
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015။ 3D ဓာတ်ပုံကို အသုံးပြု၍ သံလွင်ပင်သရဖူ ဘောင်များကို အကဲဖြတ်ရန် ကြည်လင်ပြတ်သားမှုမြင့်မားသော ဝေဟင်မှ UAV ပုံရိပ်များ
ပြန်လည်တည်ဆောက်ရေး- မွေးမြူစမ်းသပ်မှုတွင် အသုံးချခြင်း။ အဝေးထိန်းအာရုံခံခြင်း 7 (4), 4213–4232။ https://doi.org/10.3390/rs70404213။
Dixit, A., Jakhar, SK, 2021။ လေဆိပ်စွမ်းဆောင်ရည်စီမံခန့်ခွဲမှု- သုံးသပ်ချက်နှင့် bibliometric ခွဲခြမ်းစိတ်ဖြာချက်။ J. Air Transp စီမံခန့်ခွဲ။ ၉၁၊ ၁၀၂၀၁၀။
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။
ကနေဒါနိုင်ငံ၊ Ontario ရှိ သီးနှံကြီးထွားမှုနှင့် အထွက်နှုန်း၏ ကွဲပြားမှုကို ဖော်ထုတ်ရန် RapidEye ပုံရိပ်ကို အသုံးပြုခြင်း။ တိကျသော စိုက်ပျိုးရေး ၂၀ (၆)၊ ၁၂၃၁–၁၂၅၀။ https://doi.org/20/
s11119-019-09646-w။
Dutta၊ PK၊ Mitra၊ S.၊ 2021။ COVID-19 ပြီးနောက် အစားအစာထောက်ပံ့ရေးကွင်းဆက်ကို နားလည်ရန် စိုက်ပျိုးရေးမောင်းသူမဲ့လေယာဉ်များနှင့် အိုင်အိုတီအသုံးပြုမှု။ တွင်- Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), စိုက်ပျိုးရေးဆိုင်ရာ အချက်အလက်- IoT နှင့် Machine Learning ကိုအသုံးပြု၍ အလိုအလျောက်လုပ်ဆောင်ခြင်း။ Wiley၊ စစ ၆၇-၈၇။ van Eck, N., Waltman, L., 67။ ဆော့ဖ်ဝဲ စစ်တမ်း- VOSviewer၊ bibliometric mapping အတွက် ကွန်ပျူတာ ပရိုဂရမ်။ သိပ္ပံနည်းကျ ၈၄ (၂)၊ ၅၂၃–၅၃၈။ https://doi.org/87/s2009-84-2-523။
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Internet of Things (IoT) နှင့် စိုက်ပျိုးရေးဆိုင်ရာ ဒေတာခွဲခြမ်းစိတ်ဖြာချက်- အကျိုးကျေးဇူးများနှင့် စိန်ခေါ်မှုများ။
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။ စိုက်ပျိုးရေးဆိုင်ရာ အထောက်အထား အတည်ပြုခြင်း UAV နှင့် အကွက်
ခရမ်းချဉ်သီးမျိုးကွဲများအတွက် တိုင်းတာမှုများ။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ ၁၅၈၊ ၂၇၈–၂၈၃။ https://doi.org/158/j.compag.278။
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. မြင့်မားသော ပုံရိပ်ဖော်နှင့် အပူပိုင်းအာရုံခံမှု-အခြေခံ ရေဖိအားကို အကဲဖြတ်ခြင်း
မြေအောက်ရေသွင်း စပျစ်သီးများ။ Remote Sensing 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020။ မြေဆီလွှာအရောင်ပြောင်းရန်အတွက် hyperspectral remote sensing ကို အသုံးပြုခြင်း။ Remote Sensing 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312။
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson၊ K.၊ 2020။ လုပ်ငန်းလည်ပတ်မှုအခြေအနေများတွင် ဒရုန်းအခြေပြု ဘက်စုံရောင်ပြန်ဟပ်မှုနှင့် အသီးအရွက်ညွှန်းကိန်းများ၏ ဘက်စုံအကဲဖြတ်ခြင်း။ Remote Sensing ၁၂ (၃) ၅၁၄။
Feng, X., Yan, F., Liu, X., 2019။ တိကျသော စိုက်ပျိုးရေးအတွက် Internet of Things တွင် ကြိုးမဲ့ဆက်သွယ်ရေးနည်းပညာများကို လေ့လာခြင်း။ Wireless Pers ကွန်မြူနတီ ၁၀၈ (၃)၊
1785-1802 ။
Ferreira၊ MP၊ Pinto၊ CF၊ Serra၊ FR၊ 2014။ နိုင်ငံတကာစီးပွားရေးသုတေသနတွင် အရောင်းအ၀ယ်ကုန်ကျစရိတ်သီအိုရီ- ဆယ်စုနှစ်သုံးခုကျော် bibliometric လေ့လာမှုတစ်ခု။ သိပ္ပံနည်းကျ ၉၈ (၃)၊ ၁၈၉၉–၁၉၂၂။ https://doi.org/98/s3-1899-1922-10.1007။
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. သြစတြေးလျအရှေ့တောင်ပိုင်းတွင် တိကျသော စိုက်ပျိုးရေးလုပ်ငန်းများ တိုးတက်လာခြင်း။ I. အတုယူရန် ဆုတ်ယုတ်မှု နည်းစနစ်တစ်ခု
လယ်သမားများ၏ သမိုင်းဝင် စပါးအထွက်နှုန်းနှင့် ပုံမှန်ခြားနားသော အသီးအရွက်ညွှန်းကိန်းတို့ကို အသုံးပြု၍ သီးနှံအထွက်နှုန်းတွင် အချိုးအစားကွဲပြားခြင်း။ သီးနှံစားကျက် သိပ္ပံ။ ၆၀ (၉)၊ ၈၄၄–၈၅၈။
Floreano, D., Wood, RJ, 2015။ သိပ္ပံ၊ နည်းပညာနှင့် အသေးစား ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ ဒရုန်းများ၏ အနာဂတ်။ သဘာဝ 521 (7553), 460–466။ https://doi.org/10.1038/nature14542။
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021။ စမတ်စိုက်ပျိုးရေး၏ အနာဂတ်အတွက် အရာများ အင်တာနက်- ပေါ်ထွက်နေသော နည်းပညာများကို ကျယ်ကျယ်ပြန့်ပြန့် စစ်တမ်းကောက်ယူခြင်း။ IEEE CAA J. Autom Sinica ၈ (၄)၊ ၇၁၈–၇၅၂။
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. သင်္ဘောသဖန်းပင် အပိုင်းခွဲခြင်း နက်နဲသော convolutional encoder-decoder network ကိုအသုံးပြု၍ ဝေဟင်မှပုံရိပ်များ။ Remote Sensing 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015။ UAV များသည် ရေဖိအားကို အကဲဖြတ်ရန် စိန်ခေါ်မှု
ရေရှည်တည်တံ့သော စိုက်ပျိုးရေး၊ စိုက်ပျိုးရေး။ ရေစီမံခန့်ခွဲမှု။ ၁၅၃၊ ၉–၁၉။ https://doi.org/153/j။ agwat.9.
García-Tejero, IF, Rubio, AE, Vinuela, ˜ I., Hern´ andez, A., Guti´errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur´ an-Zuazo, VH, 2018. အပူဓာတ်ပုံရိပ် အပင်မှာ
ဗာဒံပင် (cv. Guara) ၏ စိုက်ပျိုးရေနည်းဗျူဟာအရ လိုငွေပြနေသော သီးနှံပင်များ၏ ရေအခြေအနေကို အကဲဖြတ်ရန် အဆင့်။ စိုက်ပျိုးရေး။ ရေစီမံခန့်ခွဲမှု။ ၂၀၈၊ ၁၇၆–၁၈၆။ https://doi.org/208/j။
agwat.2018.06.002။
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Surface reflectance and suninduced fluorescence spectroscopy တိုင်းတာမှု အသေးစား hyperspectral UAS ကို အသုံးပြု. Remote Sensing 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020။ အလိုအလျောက်နည်းလမ်း
UAV ပုံရိပ်ကို အခြေခံ၍ ဂျုံခင်းများတွင် ပေါင်းပင်များ ပုံဖော်ခြင်း။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။
Gebbers, R., Adamchuk, VI, 2010။ တိကျသော စိုက်ပျိုးရေးနှင့် စားနပ်ရိက္ခာဖူလုံမှု။ သိပ္ပံ 327 (5967), 828–831။ https://doi.org/10.1126/science.1183899။
Geipel, J., Link, J., Claupein, W., 2014။ မောင်းသူမဲ့လေယာဉ်စနစ်ဖြင့် ရရှိထားသော မောင်းသူမဲ့လေယာဉ်စနစ်ဖြင့် ရရှိထားသော စပါးအထွက်နှုန်းကို အခြေခံ၍ ရောင်စဉ်တန်းနှင့် spatial modeling ပေါင်းစပ်ထားသည်။ အဝေးထိန်းအာရုံခံခြင်း 6 (11), 10335–10355။ https://doi.org/10.3390/rs61110335။
Geng, D., Feng, Y., Zhu, Q., 2020။ အသုံးပြုသူများအတွက် ရေရှည်တည်တံ့သော ဒီဇိုင်း- စာပေပြန်လည်သုံးသပ်ခြင်းနှင့် bibliometric ခွဲခြမ်းစိတ်ဖြာခြင်း။ ပတ်ဝန်းကျင်။ သိပ္ပံပညာ။ ညစ်ညမ်းသည်။ Res. ၂၇ (၂၄)၊ ၂၉၈၂၄–၂၉၈၃၆။ https://doi။ org/27/s24-29824-29836-10.1007။
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015။ ဘက်စုံစကေးရှင်းဂြိုလ်တုနှင့် ဟိုက်ပါစပထရယ်တို့ကို ပေါင်းစပ်ခြင်းဖြင့် spectraltemporal တုံ့ပြန်မှုမျက်နှာပြင်များ၏မျိုးဆက်
တိကျသောစိုက်ပျိုးရေးအသုံးချမှုများအတွက် UAV ရုပ်ပုံ။ IEEE J. Sel ထိပ်တန်း။ Appl Earth Obs အဝေးထိန်း အာရုံများ ၈ (၆)၊ ၃၁၄၀–၃၁၄၆။ ttps://doi.org/8/JSTARS.6။
Gill၊ SS၊ Chana၊ I.၊ Buyya၊ R.၊ 2017။ cloud နှင့် ဒေတာဝန်ဆောင်မှုအဖြစ် IoT အခြေပြု စိုက်ပျိုးရေးလုပ်ငန်း- ဒစ်ဂျစ်တယ် အိန္ဒိယနိုင်ငံ၏ အစ။ J. Org နှင့် End User Comput (JOEUC) ၂၉ (၄)၊
1-23 ။
Gmür, M., 2006။ ပူးတွဲကိုးကားချက်ခွဲခြမ်းစိတ်ဖြာမှုနှင့် မမြင်နိုင်သောကောလိပ်များကို ရှာဖွေခြင်း- နည်းစနစ်ပိုင်းဆိုင်ရာ အကဲဖြတ်မှု။ သိပ္ပံနည်းကျ ၅၇ (၁)၊ ၂၇-၅၇။ https://doi.org/57/
a-1023619503005။
Gnadinger, ¨ F., Schmidhalter, U., 2017. မောင်းသူမဲ့လေကြောင်းယာဉ် (UAVs) မှ ပြောင်းပင်များ၏ ဒစ်ဂျစ်တယ် အရေအတွက်များ။ အဝေး အာရုံခံခြင်း (၆) ၉။ https://doi.org/9/rs6။
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. ရေနေ ပေါင်းပင်များ စောင့်ကြည့်ခြင်းအတွက် Rotary-wing မောင်းသူမဲ့လေ ယာဉ်တစ်စီးနှင့်
စီမံခန့်ခွဲမှု။ J. Intel စက်ရုပ်စနစ်။- သီအိုရီ။ Appl ၅၇ (၁–၄), ၄၆၇–၄၈၄။ https://doi။ org/57/s1-4-467-484။
Gomez-Cand ´on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. စပါးအတွက် တိကျသောစိုက်ပျိုးရေးရည်ရွယ်ချက်များအတွက် မောင်းသူမဲ့လေယဉ် (UAV) မှ mosaics များ၏ တိကျမှုကို အကဲဖြတ်ခြင်း။ သင်္ခေပ။ စိုက်ပျိုးရေး။ ၁၅ (၁)၊ ၄၄–၅၆။ https://doi.org/15/s1-44-56-10.1007။
Gomez-Cand ´on,´ D., Virlet, N., Labb'e, S., Jolivot, A., Regnard, J.-L., 2016။ UAV အာရုံခံ ပုံရိပ်ဖြင့် သစ်ပင်စကေးတွင် ရေဖိအားကို ကွင်းဆင်းရိုက်ခြင်း : ထိုးထွင်းသိမြင်မှုအသစ်
အပူရယူခြင်းနှင့် ချိန်ညှိခြင်း။ သင်္ခေပ။ စိုက်ပျိုးရေး။ ၁၇ (၆)၊ ၇၈၆–၈၀၀။ https://doi.org/17/s6-786-800-10.1007။
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Ferreres, E., 2014။ သီးနှံပင်ရေဖိစီးမှုညွှန်းကိန်းကို အသုံးပြုခြင်း၏ အသုံးချနိုင်မှုနှင့် ကန့်သတ်ချက်များသည် လိမ္မော်ခြံများတွင် ရေပြတ်လပ်မှုကို ညွှန်ပြသည့် ညွှန်ပြချက်တစ်ခုအဖြစ် အသုံးပြုခြင်း။ စိုက်ပျိုးရေး။ ဘို့။ ဥက္ကာပျံ။ ၁၉၈-၁၉၉၊ ၉၄-၁၀၄။ https://doi.org/198/j။ agrformet.199.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Ferreres, E., 2013။ အရည်အသွေးမြင့် UAV အပူပိုင်းပုံရိပ်ကို အသုံးပြု၍
စီးပွားဖြစ်ဥယျာဉ်ခြံအတွင်း သီးပင်စားပင်ငါးမျိုး၏ ရေအခြေအနေ ကွဲပြားမှုကို အကဲဖြတ်ပါ။ သင်္ခေပ။ စိုက်ပျိုးရေး။ ၁၄ (၆)၊ ၆၆၀–၆၇၈။ https://doi.org/14/s6-660-678-10.1007။
Goyal, K., Kumar, S., 2021။ ငွေကြေးတတ်မြောက်မှု- စနစ်တကျ ပြန်လည်သုံးသပ်ခြင်းနှင့် bibliometric ခွဲခြမ်းစိတ်ဖြာခြင်း။ Int J. စားသုံးသူလေ့လာရေး 45 (1), 80–105။ https://doi.org/10.1111/
ijcs.12605။
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008။ သစ်တောနှင့် စိုက်ပျိုးရေးတွင် ကုန်ကျစရိတ်သက်သာသော uavs များ၏ ဓါတ်ပုံရိုက်နည်း အလားအလာ။ ဓာတ်ပုံဂရမ်မီထရီ၊ အဝေးမှ အာရုံခံခြင်းနှင့် အာကာသဆိုင်ရာ သတင်းအချက်အလက်သိပ္ပံများ၏ နိုင်ငံတကာ မော်ကွန်းများ – ISPRS မော်ကွန်းတိုက် 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။ အရည်အသွေးမြင့် ဆက်စပ်မှုကို အကဲဖြတ်ခြင်း။
NDVI သည် ဓာတ်မြေသြဇာအဆင့်နှင့် UAV ငယ်များကို အသုံးပြု၍ ဆန်နှင့် ဂျုံသီးနှံများ၏ အထွက်နှုန်း၊ Remote Sensing ၁၁ (၂) ၁၁၂။
Gundolf, K., Filser, M., 2013။ စီမံခန့်ခွဲမှု သုတေသနနှင့် ဘာသာရေး- ကိုးကားချက် ခွဲခြမ်းစိတ်ဖြာချက်။ J. Bus. ကျင့်ဝတ် ၁၁၂ (၁)၊ ၁၇၇–၁၈၅။
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD သရုပ်ဖော်ပုံနှင့် spatial ကို စမ်းသပ်စစ်ဆေးခြင်း နှင့် ယာယီဖြန့်ဝေမှုများ
ပျံဝဲနေသည့် quad-rotor စိုက်ပျိုးရေး UAV ၏ လေ၀င်လေထွက်။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ 172, 105343 https://doi.org/10.1016/j.compag.2020.105343။
Haghighattalab, A., Gonz´ alez P´erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. ပိုလန်၊ ဂျေ၊ ၂၀၁၆။
ကြီးမားသော ဂျုံမျိုးပွားမှု ပျိုးခင်းများ ၏ မြင့်မားသော နှုန်းထား phenotyping အတွက် မောင်းသူမဲ့ ဝေဟင်စနစ်များ အသုံးချခြင်း။ စိုက်ပျိုးနည်းများ (၁) ၁၂။ https://doi.org/12/s1-
016-0134-6 ။
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ onen, ¨I., 2013. မတူညီသော အလင်းရောင်အခြေအနေများအောက်တွင် UAV များမှ ရောင်စဉ်တန်းပုံရိပ်များ . GG Bill R. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (အတွဲ 40၊ Issue 1W2, pp. 189–194)။ ဓါတ်ပုံပညာနှင့် အဝေးထိန်းအာရုံခံခြင်းဆိုင်ရာ နိုင်ငံတကာအဖွဲ့အစည်း။ 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.မောင်းသူမဲ့ ဝေဟင်မှ ကျွန်းပင်များကို ပုံဖော်ခြင်း နည်းပညာများကို အကဲဖြတ်ခြင်း
ယာဉ် (UAV) ရုပ်ပုံများ- Pixel အမျိုးအစား ခွဲခြားခြင်း၊ အမြင်အာရုံ အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းနှင့် စက်သင်ယူမှု ချဉ်းကပ်မှုများ။ Int J. Appl Earth Obs Geoinf 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085။
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021။ ဘင်္ဂလားဒေ့ရှ်တွင် တာဝန်ရှိသော ခေါင်းဆောင်မှုမှတစ်ဆင့် စမတ်ကျသော စိုက်ပျိုးခြင်း- ဖြစ်နိုင်ခြေများ၊ အခွင့်အလမ်းများနှင့် ကျော်လွန်သည်။
ညီလေး (၈) ၄၅၁၁ ၁၃။
Hardin, PJ, Hardin, TJ, 2010။ သဘာဝပတ်ဝန်းကျင် သုတေသနတွင် အသေးစား အဝေးထိန်းစနစ်ဖြင့် စမ်းသပ်ထားသော ယာဉ်များ။ ပထဝီဝင် သံလိုက်အိမ်မြှောင် ၄ (၉)၊ ၁၂၉၇–၁၃၁၁။ ttps://doi.org/4/j.9-
8198.2010.00381.x။
Hardin၊ PJ၊ Jensen၊ RR၊ 2011။ ပတ်ဝန်းကျင် ဝေးလံခေါင်သီသော အာရုံခံစနစ်တွင် အသေးစား မောင်းသူမဲ့ ဝေဟင်ယာဉ်များ- စိန်ခေါ်မှုများနှင့် အခွင့်အလမ်းများ။ GISci အဝေးထိန်းများ 48 (1), 99–111။ https://doi.org/10.2747/1548-1603.48.1.99။
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: နည်းပညာများနှင့် အသုံးချမှုများ၊ (1st ed. 2021 edition)။ Springer
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, ၂၀၀၄။
မောင်းသူမဲ့ ဝေဟင်ယာဉ်မှ ပုံရိပ်- စိုက်ပျိုးရေး စောင့်ကြည့်ခြင်းနှင့် ဆုံးဖြတ်ချက် ပံ့ပိုးမှု။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ ၄၄ (၁)၊ ၄၉–၆၁။ https://doi.org/44/j။
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, UAV အခြေပြု အဝေးထိန်းစနစ်ဖြင့် အာရုံခံစနစ်ကို အသုံးပြု၍ စပါးပင်များ၏ အမြင့်ပိုင်းနှင့် ကြီးထွားမှုနှုန်းကို ကွင်းဆင်းစမ်းသပ်မှုများတွင် ထည့်သွင်းခြင်း။ Remote Sensing ၈ (၁၂)။ https://doi။ org/8/rs12။
Honkavaara, E., Saari, H., Kaivosoja, J., Pol ¨ onen, ¨ I., Hakala, T., Litkey, P., M¨akynen, J., Pesonen, L., 2013. လုပ်ဆောင်ခြင်းနှင့် အကဲဖြတ်ခြင်း တိကျသော စိုက်ပျိုးရေးအတွက် ပေါ့ပါးသော UAV ရောင်စဉ်တန်းကင်မရာကို အသုံးပြု၍ စုဆောင်းထားသော spectrometric၊ stereoscopic ပုံရိပ်များ။ အဝေးမှ အာရုံခံခြင်း 5 (10), 5006–5039။ https://doi.org/10.3390/rs5105006။
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016။ အနိမ့်အမြင့် မောင်းသူမဲ့ ဝေဟင်ယာဉ်များ အခြေပြု အင်တာနက် ဝန်ဆောင်မှုများ- ပြည့်စုံသော စစ်တမ်းနှင့် အနာဂတ် ရှုထောင့်များ။ 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. UAV အတွက် မြို့တွင်းချောက်များကို ပေါင်းစပ်ထားသော optic-flow နှင့် stereo-based navigation. ၂၀၀၅ ခုနှစ်တွင် IEEE/RSJ
Intelligent Robots and Systems ဆိုင်ရာ နိုင်ငံတကာညီလာခံ၊ စစ. 3309–3316။ https://doi.org/10.1109/IROS.2005.1544998။
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020။ cloud fog computing အတွက် ဖန်တီးထားသော IoT စိုက်ပျိုးရေးပလပ်ဖောင်း။ ထိမ်းသိမ်းပါ။ ကွန်ပျူတာ။ Inf စနစ်။ ၂၈း၁၀၀၂၈၅။
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. မောင်းသူမဲ့လေယဉ်၏ ပေါင်းပင်မြေပုံထုတ်ခြင်းအတွက် အပြည့်အဝ convolutional network တစ်ခု ( UAV) ရုပ်ပုံ။ PLoS ONE 13 (4), e0196302။
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020။ UAV ရုပ်ပုံများ၏ ပေါင်းပင်မြေပုံထုတ်ခြင်းတွင် Object-based Image Analysis (OBIA) နှင့် နက်ရှိုင်းစွာ သင်ယူခြင်း။ Int ည။
အဝေးထိန်းများ (၉)၊ ၃၄၄၆–၃၄၇၉ ၄၁။ https://doi.org/41/9။
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021။ သီးနှံစောင့်ကြည့်ခြင်းတွင် UAV ပုံရိပ်အတွက် နက်နဲသောအရောင်ညှိခြင်း
ဒေသတွင်းမှ ကမ္ဘာလုံးဆိုင်ရာ အာရုံစိုက်မှုနှင့်အတူ semantic style လွှဲပြောင်းခြင်းကို အသုံးပြုခြင်း။ Int J. Appl Earth Obs Geoinf 104, 102590 https://doi.org/10.1016/j.jag.2021.102590။
Huang၊ YB၊ Thomson၊ SJ၊ Hoffmann၊ WC၊ Lan၊ YB၊ Fritz၊ BK၊ 2013။ စိုက်ပျိုးရေးထုတ်လုပ်မှုအတွက် မောင်းသူမဲ့လေယာဉ်နည်းပညာများ ဖွံ့ဖြိုးတိုးတက်မှုနှင့် အလားအလာ
စီမံခန့်ခွဲမှု။ Int J. Agric Biol Eng ၆ (၃)၊ ၁–၁၀။ https://doi.org/6/j။ ijabe.3။
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009။ မောင်းသူမဲ့လေ ယာဉ်ပလပ်ဖောင်းအတွက် လေဖြန်းစနစ် တီထွင်ခြင်း။ Appl Eng စိုက်ပျိုးရေး။ ၂၅ (၆)၊ ၈၀၃–၈၀၉။
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. ထံမှ NIR-စိမ်း-အပြာ ဒစ်ဂျစ်တယ်ဓာတ်ပုံများကို ရယူခြင်း
သီးနှံစောင့်ကြည့်ခြင်းအတွက် မောင်းသူမဲ့လေယာဉ်။ အဝေးထိန်းအာရုံခံခြင်း 2 (1), 290–305။ https://doi။ org/10.3390/rs2010290။ Inoue၊ Y.၊ 2020။ စမတ်စိုက်ပျိုးမှုအတွက် ကောက်ပဲသီးနှံများနှင့် မြေဆီလွှာများကို ဂြိုလ်တုနှင့် ဒရုန်းအခြေပြု အဝေးထိန်းစနစ်ဖြင့် အာရုံခံခြင်း—သုံးသပ်ချက်။ မြေဆီလွှာသိပ္ပံ။ အပင် အာဟာရ။ ၆၆ (၆)၊ ၇၉၈–၈၁၀။ https://doi.org/66/6။
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Internet of Things (IoT) အတွက် အပလီကေးရှင်းများနှင့် ဆက်သွယ်ရေးနည်းပညာများကို ပြန်လည်သုံးသပ်ခြင်းနှင့်
စဉ်ဆက်မပြတ် စမတ်ကျသော စိုက်ပျိုးရေးကို အခြေခံသည့် မောင်းသူမဲ့ ဝေဟင်ယာဉ် (UAV)။ ညီလေး 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. တွက်ချက်ထားသော မြင့်မားသော ရုပ်ထွက် ဒစ်ဂျစ်တယ် မျက်နှာပြင် မော်ဒယ်များ၏ တိကျမှုကို အကဲဖြတ်ခြင်း
အကောင်းဆုံးစစ်တမ်းအခြေအနေများတွင် PhotoScan® နှင့် MicMac®။ Remote Sensing 8 (6), https://doi.org/10.3390/rs8060465။
Jim'enez-Brenes, FM, Lopez-Granados, ´F., Castro, AI, Torres-S' anchez, J., Serrano, N., Pena, ˜ JM, 2017။ သံလွင်ပင်၏ ဗိသုကာပညာနှင့် နှစ်စဉ် တံစဉ်များကို တွက်ချက်ခြင်း UAV-based 3D မော်ဒယ်လ်ကို အသုံးပြုခြင်းဖြင့် မျက်နှာပြင်ကြီးထွားမှု။ စိုက်ပျိုးနည်း ၁၃ (၁)။ https://doi.org/13/s1-10.1186-13007-017။
Jin, X., Liu, S., Baret, F., Hemerl'e, M., Comar, A., 2017။ အလွန်နိမ့်သော အမြင့် UAV ရုပ်ပုံမှ ပေါ်ထွက်ချိန်တွင် ဂျုံသီးနှံများ၏ အပင်သိပ်သည်းမှု ခန့်မှန်းချက်။ အဝေးထိန်းအာရုံများ
ပတ်ဝန်းကျင်။ ၁၉၈၊ ၁၀၅–၁၁၄။ https://doi.org/198/j.rse.105။
Jinbo၊ C.၊ Xiangliang၊ C.၊ Han-Chi၊ F.၊ Lam၊ A.၊ 2019။ cloud computing ဖြင့် ပံ့ပိုးထားသော စိုက်ပျိုးရေးထုတ်ကုန် စောင့်ကြည့်ရေးစနစ်။ Cluster Comput ။ ၂၂ (၄)၊ ၈၉၂၉–၈၉၃၈။
Ju, C., & Son, HI 2018a။ စိုက်ပျိုးရေးတွင် အဝေးမှ အာရုံခံခြင်းအတွက် UAV စနစ်များစွာ၏ စွမ်းဆောင်ရည်ကို အကဲဖြတ်ခြင်း။ IEEE နိုင်ငံတကာ စက်ရုပ်နှင့် အလိုအလျောက်စနစ်ဆိုင်ရာ ညီလာခံ (ICRA)၊ ဘရစ္စဘိန်း၊ သြစတြေးလျ၊ 21-26 တွင် စက်ရုပ်အမြင်နှင့် စိုက်ပျိုးရေးဆိုင်ရာ လုပ်ဆောင်မှုဆိုင်ရာ အလုပ်ရုံဆွေးနွေးပွဲ၏ လုပ်ငန်းစဉ်များ။
Ju၊ C.၊ သား၊ HI၊ 2018b။ စိုက်ပျိုးရေးအသုံးချမှုများအတွက် UAV စနစ်များစွာ- ထိန်းချုပ်မှု၊ အကောင်အထည်ဖော်မှုနှင့် အကဲဖြတ်ခြင်း။ အီလက်ထရွန်းနစ် ၇ (၉) ၁၆၂။ https://doi.org/7/
လျှပ်စစ်ပစ္စည်း ၇၀၉၀၁၆၂။
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021။ ပိုမိုကောင်းမွန်လာစေရန် အဝေးထိန်းစနစ်နှင့် ဥာဏ်ရည်တု၏ အလားအလာ
စိုက်ပျိုးရေး ထုတ်လုပ်မှု စနစ်များ ကြံ့ခိုင်မှု။ ဟင်း။ ထင်မြင်ချက်။ ဇီဝနည်းပညာ။ ၇၀၊ ၁၅–၂၂။ https://doi.org/70/j.copbio.15။
Kalischuk, M., Paret, ML, Freeman, JH, Raj, D., Da Silva, S., Eubanks, S., Wiggins, DJ, Lollar, M., Marois, JJ, Mellinger, HC, Das, J. 2019။ ဖရဲသီးတွင် သွားဖုံးကိုက်ခြင်းအတွက် သမားရိုးကျ ကင်းထောက်အလေ့အကျင့်အဖြစ် မောင်းသူမဲ့ ဝေဟင်ယာဉ်—အကူအညီပေးထားသော ဘက်စုံကဏ္ဍစုံ သီးနှံပုံရိပ်ကို ပေါင်းစပ်ထည့်သွင်းထားသော တိုးတက်သော သီးနှံကင်းထောက်နည်းပညာ။ Plant Dis ၁၀၃ (၇)၊ ၁၆၄၂–၁၆၅၀။
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018။ ဆိုရှယ်မီဒီယာ သုတေသနတွင် တိုးတက်မှုများ- အတိတ်၊ ပစ္စုပ္ပန်နှင့် အနာဂတ်။ အကြောင်းကြားပါ။ စနစ်။ ရှေ့။ ၂၀
(3), 531-558 ။
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: ဘက်စုံပုံရိပ်များနှင့် အနက်ရှိုင်းသောမြေပုံကို အခြေခံထားသော စပျစ်နွယ်ပင်ရောဂါရှာဖွေရေးကွန်ရက်။ Remote Sensing 12 (20), 3305. https://doi. org/10.3390/rs12203305။
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019။ စပျစ်ခြံအတွက် ဂြိုလ်တုနှင့် UAV အခြေပြု ဘက်စုံပုံရိပ်များကို နှိုင်းယှဉ်ခြင်း
ကွဲပြားမှုအကဲဖြတ်ခြင်း။ အဝေး အာရုံခံခြင်း (၄) ၁၁။ https://doi.org/11/rs4။
Khan, PW, Byun, Y.-C., Park, N., 2020။ အဆင့်မြင့် နက်နဲသော သင်ယူမှုကို အသုံးပြု၍ IoT-blockchain သည် အစားအသောက်လုပ်ငန်း 4.0 အတွက် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ထားသော သက်သေစနစ်အား ဖွင့်ထားသည်။ အာရုံခံကိရိယာ 20 (10), 2990 ။
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021။ အပင်ရောဂါများကို ရုပ်ပုံ-အခြေခံသိရှိခြင်း- classical machine learning မှ နက်နဲသောသင်ယူမှုခရီးအထိ။ ကြိုးမဲ့ကွန်မြူနတီ မိုဘိုင်းကွန်ပြူတာ ၂၀၂၁၊ ၁–၁၃။
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021။ UAV အခြေခံ သီးနှံ/ပေါင်းပင် အမျိုးအစားခွဲခြင်းအတွက် ဝတ္ထုတို တစ်ပိုင်းကြီးကြပ်မှု မူဘောင်။ PLoS ONE 16 (5), e0251008။
Khanal, S., Fulton, J., Shearer, S., 2017။ တိကျသောစိုက်ပျိုးရေးတွင် အပူအဝေးမှ အာရုံခံခြင်း၏ လက်ရှိနှင့် အလားအလာရှိသော အသုံးချမှုများ၏ ခြုံငုံသုံးသပ်ချက်။ ကွန်ပျူတာ။ အီလက်ထရွန်။
စိုက်ပျိုးရေး။ ၁၃၉၊ ၂၂–၃၂။ https://doi.org/139/j.compag.22။
Khanna, A., Kaur, S., 2019။ Internet of Things (IoT) နှင့် Precision Agriculture နယ်ပယ်တွင် ၎င်း၏ သိသာထင်ရှားသော သက်ရောက်မှုများ။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ ၁၅၇၊ ၂၁၈–၂၃၁။
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016။ ရေရှည်တည်တံ့သော အဖွဲ့အစည်းများအတွက် ဝန်ထမ်းများ၏ ထိတွေ့ဆက်ဆံမှု- လူမှုကွန်ရက် ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ဆက်တိုက်ဆိုသလို အသုံးပြုခြင်း သော့ချက်စာလုံးခွဲခြမ်းစိတ်ဖြာခြင်း။
detection ချဉ်းကပ်မှု။ ညီလေး (၇) ၆၃၁ ၈။
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. ပေါင်းစည်းမှု ကုန်းတွင်းပိုင်းနှင့် မောင်းသူမဲ့လေယာဉ်များမှ သယ်ဆောင်သည်။
စူးစမ်းရှာဖွေရေးမြေပုံထုတ်ခြင်းနှင့် သတ္တုတူးဖော်ခြင်းစောင့်ကြည့်ခြင်းအတွက် ဟိုက်ပါစပရာထရာနှင့် ဓာတ်ပုံဂရမ်မက်ထရစ်အာရုံခံနည်းလမ်းများ။ Remote Sensing ၁၀ (၉) ၁၃၆၆။ https://doi.org/10/
rs10091366။
Kitano၊ BT၊ Mendes၊ CCT၊ Geus၊ AR၊ Oliveira၊ HC၊ Souza၊ JR၊ 2019။ နက်နဲသောသင်ယူမှုနှင့် UAV ပုံများကို အသုံးပြု၍ ပြောင်းပင်ရေတွက်ခြင်း။ IEEE Geosci အဝေးထိန်းအာရုံများ။ 1-5 https://doi.org/10.1109/LGRS.2019.2930549။
Koh, JCO, Spangenberg, G., Kant, S., 2021။ မြင့်မားသောပုံသဏ္ဍာန်အခြေခံစက်ရုံ phenotyping အတွက် အလိုအလျောက်စက်သင်ယူခြင်း။ Remote Sensing 13 (5), 858. https://
doi.org/10.3390/rs13050858။
Kovalev၊ IV၊ Voroshilova၊ AA၊ 2020။ ကုန်တင် UAV များ၏ ဂေဟစနစ် ဖွံ့ဖြိုးတိုးတက်မှုအတွက် ခေတ်မီနည်းပညာဆိုင်ရာ လမ်းကြောင်းများ။ J. Phys Conf ဆာ 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068။
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021။ မိုနိုကိုလာကင်မရာပါသော ဒရုန်းငယ်ကို အသုံးပြု၍ အိမ်တွင်းတိရစ္ဆာန်များနှင့် မွေးမြူရေးအတွက် Visual SLAM - ဖြစ်နိုင်ခြေလေ့လာမှု။
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. စိုက်ပျိုးရေး အော်တိုမက်တစ် ဒရုန်းများအတွက် စစ်တမ်း စိုက်ပျိုးခြင်းမှ
ရိတ်သိမ်း။ INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, pp. 000353–358။ https://doi.org/10.1109/INES.2018.8523943။
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT မူဘောင် အမြင်များနှင့် စိန်ခေါ်မှုများ- ဒရုန်းများကို "အရာများ" အဖြစ် ကာကွယ်ရန်။ ဆင်ဆာ 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011။ မိုးနည်းရေရှားသည့်အချိန်၌ မောင်းသူမဲ့လေယာဉ်ဖြင့်ရရှိသော ဆယ်လီမီတာခွဲပုံရိပ်များကို ခွဲခြမ်းစိတ်ဖြာရန်အတွက် ရုပ်ပုံလုပ်ဆောင်ခြင်းနှင့် အမျိုးအစားခွဲခြားခြင်းလုပ်ငန်းစဉ်များ
တောင်တန်းများ GISci အဝေးထိန်းများ ၄၈ (၁)၊ ၄–၂၃။ https://doi.org/48/1-4။
Laliberte, AS, Rango, A., Herrick, JE, 2007။ Rangeland မြေပုံနှင့် စောင့်ကြည့်ခြင်းအတွက် မောင်းသူမဲ့ လေယာဉ်များ- စနစ်နှစ်ခု၏ နှိုင်းယှဉ်ချက်။ ASPRS နှစ်ပတ်လည်ညီလာခံ လုပ်ငန်းစဉ်များ။
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021။ မွေးရပ်မြေ မြက်ခင်းပြင်တွင် ပေါင်းပင်များ ပုံဖော်ခြင်းအတွက် ပွင့်လင်းသောအရင်းအမြစ် အလုပ်အသွားအလာ
မောင်းသူမဲ့လေယာဉ်ကို အသုံးပြုခြင်း- Rumex obtusifolius ကို ဖြစ်ရပ်လေ့လာမှုတစ်ခုအဖြစ် အသုံးပြုခြင်း။ အီးယူအာရ်။ 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. မွေးစားခြင်း၊ အမြတ်အစွန်းရရှိမှုနှင့် တိကျသော မွေးမြူရေးဒေတာကို ပိုမိုကောင်းမွန်စွာအသုံးပြုခြင်း။
အလုပ်စာရွက်။ Purdue တက္ကသိုလ်။ https://doi.org/10.22004/ag.econ.28615။
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb'e, S., Baret, F., 2008။ မြေကွက်ငယ်များတွင် ဂျုံသီးနှံ၏ ပမာဏကို စောင့်ကြည့်ခြင်းအတွက် မောင်းသူမဲ့ လေယာဉ်များ၏ ပုံရိပ်များကို အကဲဖြတ်ခြင်း။ အာရုံခံကိရိယာများ 8 (5), 3557–3585။ https://doi.org/10.3390/s8053557။
Li၊ C.၊ Niu၊ B.၊ 2020။ ဒေတာကြီးကြီးမားမားနှင့် အရာများ၏အင်တာနက်ကိုအခြေခံ၍ စမတ်စိုက်ပျိုးရေးဒီဇိုင်း။ Int J. Distrib Sens. netw. (၅) ttps://doi.org/16/5 ၁၆။
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016။ ပြောင်းဖူး၏ အမြင့်နှင့် မြေပြင်အထက် ဇီဝဒြပ်ထု၏ အကွာအဝေး ခန့်မှန်းချက် တန်ဖိုးနည်း မောင်းသူမဲ့ လေယာဉ်စနစ်။ Ecol 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. စိုက်ပျိုးရေးတွင် စက်သင်ယူခြင်း- သုံးသပ်ချက်။ အာရုံခံများ (၈) ၂၆၇၄ ၁၈။
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015။ မိုဘိုင်းလ် အာရုံခံကိရိယာ ချဉ်းကပ်မှုဖြင့် ပြောင်း၏ အဝေးထိန်း၊ ဝေဟင်မှ ပုံသဏ္ဌာန်များကို ရိုက်နှိပ်ခြင်း။ စိုက်ပျိုးနည်းများ 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8။
Lin, Z., Guo, W., 2020။ Sorghum panicle detection and counting သည် မောင်းသူမဲ့လေကြောင်းစနစ်ပုံများနှင့် နက်နဲသောသင်ယူမှုတို့ကို အသုံးပြုသည်။ ရှေ့။ Plant Sci ပါ။ ၁၁။
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019။ cloud computing ကို အခြေခံ၍ ခေတ်မီဂေဟစနစ် စိုက်ပျိုးရေးဆိုင်ရာ အင်တာနက် စောင့်ကြည့်စနစ်။ IEEE Access 7၊ 37050–37058။
Lopez-Granados, ´ F., 2011။ ဆိုက်အလိုက် ပေါင်းပင်စီမံခန့်ခွဲမှုအတွက် ပေါင်းပင်ရှာဖွေခြင်း- မြေပုံဆွဲခြင်းနှင့် အချိန်နှင့်တစ်ပြေးညီ ချဉ်းကပ်မှုများ။ ပေါင်းပင်များ ၅၁ (၁)၊ ၁–၁၁။ https://doi.org/51/j.1-1.x။
Lopez-Granados, ´F., Torres-Sanchez,´J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. ၊ 2016။ ရုပ်ထွက်မြင့်သော UAV ရုပ်ပုံများကို အသုံးပြု၍ မြက်ခင်းသီးနှံတွင် ပေါင်းမြက်ပေါင်းမြက်များကို အစောပိုင်း စောင့်ကြည့်လေ့လာခြင်း။ စိုက်ပျိုးရေး။ ထိမ်းသိမ်းပါ။ Dev ၃၆ (၄)၊ ၁–၁၂
Lopez-Granados, ´F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016။ UAV နည်းပညာကို အသုံးပြု၍ နေကြာတွင် ရာသီပေါင်း ပေါင်းပင်များ ပုံဖော်ခြင်း- ပေါင်းသတ်ဆေး ကုသရေး မြေပုံများ ကွဲပြားမှု သင်္ခေပ။ စိုက်ပျိုးရေး။ ၁၇ (၂)၊ ၁၈၃–၁၉၉။
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – multirotor မောင်းသူမဲ့ လေယာဉ်စနစ်မှ ပုံရိပ်ဖော်ခြင်း spectroscopy ။ ဂျေလယ်ရော့။ ၃၁ (၄)၊
၅၇၁–၅၉၀။ https://doi.org/571/rob.590။
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Klemola, J., 2008. ကုန်းနေလေဆာ စကင်န်ဖတ်ခြင်း စိုက်ပျိုးရေးသီးနှံများ။ JJ မှာ
Chen J. Maas H-G (Ed.)၊ အပြည်ပြည်ဆိုင်ရာ ဓါတ်ပုံပညာဆိုင်ရာ မော်ကွန်းများ၊ အဝေးမှ အာရုံခံခြင်းနှင့် အာကာသဆိုင်ရာ သတင်းအချက်အလက်သိပ္ပံများ—ISPRS မော်ကွန်းများ (အတွဲ ၃၇၊ စစ. ၅၆၃–၅၆၆)။
ဓါတ်ပုံပညာနှင့် အဝေးထိန်းအာရုံခံခြင်းဆိုင်ရာ နိုင်ငံတကာအဖွဲ့အစည်း။ 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. ကြီးကြပ်ထားသော အရာဝတ္ထုအခြေခံ မြေဖုံးပုံ အမျိုးအစား ခွဲခြားမှုကို ပြန်လည်သုံးသပ်ခြင်း။ ISPRS J. Photogramm အဝေး အာရုံများ ၁၃၀၊
၂၇၇–၂၉၃။ https://doi.org/277/j.isprsjprs.293။
Maes၊ WH၊ Steppe၊ K.၊ 2019။ တိကျသောစိုက်ပျိုးရေးတွင် မောင်းသူမဲ့လေကြောင်းယာဉ်များဖြင့် အဝေးမှ အာရုံခံခြင်းအတွက် အမြင်များ။ Trends Plant Sci. ၂၄ (၂)၊ ၁၅၂–၁၆၄။ https://doi.org/24/j.tplants.2။
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။
Multi-sensor data fusion နှင့် extreme learning machine ကိုအသုံးပြု၍ ပဲပုပ်၏ မောင်းသူမဲ့လေကြောင်းစနစ် (UAS)-based phenotyping ။ ISPRS J. Photogramm အဝေးထိန်းများ 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။
ဂြိုလ်တု/UAV ဒေတာပေါင်းစပ်မှုနှင့် စက်သင်ယူမှုကို အသုံးပြု၍ သီးနှံစောင့်ကြည့်ခြင်း။ Remote Sensing ၁၂ (၉) ၁၃၅၇။ https://doi.org/12/rs9။
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G ။၊ Mullerova၊ ´ 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. မောင်းသူမဲ့လေကြောင်းစနစ်များအသုံးပြုမှုအပေါ်
ပတ်ဝန်းကျင်စောင့်ကြည့်ရေး။ Remote Sensing 10 (4), 641။
Marinko၊ RA၊ 1998။ စာတမ်းများတွင် အမျိုးသမီး လေ့လာရေးဂျာနယ်များ ကိုးကားချက်များ၊ 1989 နှင့် The Serials Librarian 35 (1–2), 29–44။ https://doi.org/10.1300/J123v35n01_
03 ။
Masroor, R., Naeem, M., Ejaz, W., 2021. UAV-assisted wireless networks များတွင် အရင်းအမြစ်စီမံခန့်ခွဲမှု- ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း ရှုထောင့်။ Ad Hoc Netw 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596။
Matese, A., Di Gennaro, SF, 2018။ တိကျသော ဘက်စုံ၊ အပူနှင့် RGB မြင့်မားသော ရုပ်ထွက်ပုံများကို အခြေခံ၍ multisensor UAV ပလပ်ဖောင်း၏ လက်တွေ့အသုံးချမှုများ
နွယ်ပင်။ စိုက်ပျိုးရေး ၈ (၇), ၁၁၆။ https://doi.org/8/agriculture7။
Matese, A., Di Gennaro, SF, 2021။ ရိုးရာ NDVI အညွှန်းကိန်းကို ကျော်လွန်၍ တိကျသော နွယ်ပင်များတွင် UAV အသုံးပြုမှုကို အဓိကကျသော အချက်တစ်ခုအနေဖြင့်၊ သိပ္ပံပညာ။ 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 UAV၊ လေယာဉ်များ အပြန်အလှန် နှိုင်းယှဉ်ခြင်း။
တိကျသော စပျစ်သီးပင်များအတွက် ဂြိုလ်တုအဝေး အာရုံခံပလက်ဖောင်းများ။ အဝေးထိန်းအာရုံခံခြင်း 7 (3), 2971–2990။ https://doi.org/10.3390/rs70302971။
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV နှင့် စက်သင်ယူမှုတို့ကို အခြေခံ၍ တိကျမှုအတွက် ဂြိုလ်တုမှမောင်းနှင်သော အသီးအရွက်အညွှန်းကိန်းကို ပြုပြင်မွမ်းမံခြင်း
စိုက်ပျိုးရေး။ ဆင်ဆာ (၉း၂၀)၊ ၂၅၃၀။ https://doi.org/20/s9။
McCain၊ KW၊ 1990။ ဉာဏအာကာသရှိ စာရေးဆရာများကို ပုံဖော်ခြင်း- နည်းပညာဆိုင်ရာ ခြုံငုံသုံးသပ်ချက်။ J. Am Soc အချက်အလက် သိပ္ပံပညာ။ ၄၁ (၆)၊ ၄၃၃–၄၄၃။
Meinen၊ BU၊ Robinson၊ DT၊ 2021။ စိုက်ပျိုးမှုပြုန်းတီးမှု မော်ဒယ်လ်- USLE နှင့် WEPP နယ်ပယ်-စကေး တိုက်စားမှု ခန့်မှန်းချက်များကို UAV အချိန်စီးရီးဒေတာကို အသုံးပြု၍ အကဲဖြတ်ခြင်း။ ပတ်ဝန်းကျင်။ မော်ဒယ်။ Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019။ ဧရိယာအတွင်းရှိ hyperspectral Unmanned Aircraft System (UAS) ရုပ်ပုံများကို အသုံးပြု၍ မြေနိမ့်ပိုင်းဇာတိ မြက်ခင်းပြင်အသိုင်းအဝိုင်းများကို အမျိုးအစားခွဲခြားခြင်း
တက်စ်မေးနီးယား မြေလတ်ပိုင်း။ ဒရုန်း ၃ (၁) ၅။
Messina၊ G.၊ Modica၊ G.၊ 2020။ တိကျသောစိုက်ပျိုးရေးတွင် UAV အပူပုံရိပ်အသုံးပြုမှုများ- အနုပညာအခြေအနေနှင့် အနာဂတ်သုတေသနအမြင်။ Remote Sensing ၁၂ (၉)၊ https://doi.org/12/rs9။
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. ဒေတာကြီးကြီးမားမားအတွက် ကျမ်းကိုးစာရင်းလေ့လာမှု- အယူအဆများ၊ ခေတ်ရေစီးကြောင်းနှင့် စိန်ခေါ်မှုများ။ Business Process Manag ။ ဂျေ ၂၃ (၃)၊
555-573 ။
Mochida, K., Saisho, D., Hirayama, T., 2015။ နယ်ပယ်အခြေအနေများအောက်တွင် ရရှိထားသော life cycle datasets များကို အသုံးပြု၍ သီးနှံတိုးတက်မှု။ ရှေ့။ Plant Sci ပါ။ 6 https://doi.org/10.3389/
fpls.2015.00740။
Mogili၊ UM.R.၊ Deepak၊ BBVL၊ 2018။ တိကျသောစိုက်ပျိုးရေးတွင် ဒရုန်းစနစ်များအသုံးပြုမှုအပေါ် ပြန်လည်သုံးသပ်ခြင်း။ Procedia Comput သိပ္ပံပညာ။ ၁၃၃၊ ၅၀၂-၅၀၉။
Moharana, S., Dutta, S., 2016။ မြင်ကွင်းကျယ်ပုံရိပ်မှ ဆန်၏ ကလိုရိုဖီးလ်နှင့် နိုက်ထရိုဂျင်ပါဝင်မှု ကွဲပြားမှု။ ISPRS J. Photogramm အဝေးထိန်းများ 122၊ 17–29။
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019။ စမတ်လယ်ယာအတွက် IoT နှင့် စိုက်ပျိုးရေးဒေတာခွဲခြမ်းစိတ်ဖြာခြင်း။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ ၁၅၆၊ ၄၆၇–၄၇၄။
Nansen, C., Elliott, N., 2016။ entomology တွင် အဝေးမှ အာရုံခံခြင်းနှင့် ရောင်ပြန်ဟပ်ခြင်း ပရိုဖိုင်း။ အနှစ်။ ဗျာ Entomol ။ ၆၁ (၁)၊ ၁၃၉–၁၅၈။ https://doi.org/61/annurev-ento1-139။
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016။ စိုက်ပျိုးရေးတွင် ဘက်စုံပုံဖော်ခြင်း- ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ quadcopter UAV ကို အသုံးပြု၍ မြေပြင်အနေအထား၊ mosaic။ Int Conf
မောင်းသူမဲ့လေယာဉ်စနစ်။ (ICUAS) 2016၊ 1351–1358။ https://doi.org/10.1109/ ICUAS.2016.7502606။
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020။ ဒရုန်းအရာများ၏ အင်တာနက် (Iodt)- စမတ်ဒရုန်းများ၏ အနာဂတ် မျှော်မှန်းချက်။ Adv ။ ဉာဏ်။ စနစ်။ ကွန်ပျူတာ။ ၁၀၄၅၊ ၅၆၃–၅၈၀။ https://doi.org/1045/563-580-10.1007-978-981_15။
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008။ micro UAV အတွက် ပေါ့ပါးသော ဘက်စုံအာရုံခံကိရိယာ—အလွန်မြင့်မားသော ပုံရိပ်ပြတ်သားသော ဝေဟင်မှ အဝေးထိန်းအာရုံခံခြင်းအတွက် အခွင့်အလမ်းများ။ Int မုခ်။ ဓာတ်ပုံဂရမ် အဝေးထိန်း အာရုံများ။ Inf Sci 37 (B1), 1193–1200။
Negash, L., Kim, H.-Y., Choi, H.-L., 2019။ စိုက်ပျိုးရေးတွင် ပေါ်ပေါက်လာသော UAV အက်ပ်လီကေးရှင်းများ။ 2019 ခုနှစ်တွင် 7 ကြိမ်မြောက် စက်ရုပ်ထောက်လှမ်းရေးနည်းပညာဆိုင်ရာ နိုင်ငံတကာညီလာခံနှင့်
အပလီကေးရှင်းများ (RiTA)၊ စ၊ ၂၅၄–၂၅၇။ https://doi.org/254/RITAPP.257။
Nerur, SP, Rasheed, AA, Natarajan, V., 2008။ မဟာဗျူဟာစီမံခန့်ခွဲမှုနယ်ပယ်၏ ဉာဏဖွဲ့စည်းပုံ- စာရေးသူ ပူးတွဲကိုးကားချက် ခွဲခြမ်းစိတ်ဖြာချက်။ ဗျူဟာ။ စီမံခန့်ခွဲ။ ဂျေ ၂၉ (၃)၊
319-336 ။
Neupane, K., Baysal-Gurel, F., 2021။ မောင်းသူမဲ့လေကြောင်းယာဉ်များကိုအသုံးပြု၍ အပင်ရောဂါများကို အလိုအလျောက်ဖော်ထုတ်ခြင်းနှင့် စောင့်ကြည့်ခြင်း- သုံးသပ်ချက်။ Remote Sensing 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. 3D မြေပုံဆွဲခြင်းအက်ပ်များအတွက် UAV- သုံးသပ်ချက်။ Appl Geomatics 6 (1), 1-15။ https://doi.org/10.1007/s12518-013-0120-x။
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020။ တိကျသော စိုက်ပျိုးရေးတွင် အသေးစား UAV များဖြင့် Evapotranspiration ခန့်မှန်းချက်။ အာရုံခံကိရိယာ 20 (22), 6427. https://
doi.org/10.3390/s20226427။
Osareh, F., 1996။ Bibliometrics၊ Citation Analysis နှင့် Co-Citation Analysis။ စာပေပြန်လည်သုံးသပ်ခြင်း ၁ ၄၆ (၃)၊ ၁၄၉–၁၅၈။ https://doi.org/46/libr.3။
P´ adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, အာရုံခံကိရိယာများနှင့် စိုက်ပျိုးရေးသစ်တောတွင် ဒေတာလုပ်ဆောင်ခြင်း- လက်တွေ့အသုံးချမှုအပေါ် သုံးသပ်ချက်။ Int J. Remote Sens. 38 (8–10), 2349–2391။ https://doi.org/10.1080/01431161.2017.1297548။
Panday၊ US၊ Pratihast၊ AK၊ Aryal၊ J.၊ Kayastha၊ RB၊ 2020။ သီးနှံသီးနှံများအတွက် ဒရုန်းအခြေခံဒေတာဖြေရှင်းချက်အပေါ် ပြန်လည်သုံးသပ်ခြင်း။ ဒရုန်း ၄ (၃)၊ ၁–၂၉။ https://doi.org/4/
ဒရုန်း ၄၀၃၀၀၄၁။
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020။ ရုပ်ပုံလုပ်ဆောင်ခြင်းနှင့် အာရုံကြောကွန်ရက်ကို အသုံးပြု၍ နှမ်းစေ့များ၏ ဆီနှင့် ပရိုတင်းပါဝင်မှုကို ခန့်မှန်းခြင်း။ J. Am ဆီ
ဓာတုဗေဒပညာရှင်များအဖွဲ့ ၉၇ (၇)၊ ၆၉၁–၇၀၂။
Pena, ˜ JM, Torres-Sanchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´F., Suarez, O., object-based analysis ကို အသုံးပြု၍ ရာသီပြောင်းစပါးခင်းများတွင် ပေါင်းပင်များ ပုံဖော်ခြင်း ၏
မောင်းသူမဲ့လေယာဉ် (UAV) ပုံရိပ်များ။ PLoS ONE 8 (10), e77151။
P'erez-Ortiz, M., Pena, ˜ JM, Guti'errez, PA, Torres-S' anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015။ မောင်းသူမဲ့လေယဉ်များနှင့် ကောက်ပဲတန်းရှာဖွေရေးနည်းလမ်းကို အသုံးပြု၍ နေကြာသီးနှံများတွင် ပေါင်းပင်မြေပုံထုတ်ခြင်းအတွက် တစ်ပိုင်းကြီးကြပ်မှုစနစ်။ Appl Soft Comput ပါ။ ဂျေ ၃၇၊ ၅၃၃–၅၄၄။ https://doi.org/37/j.asoc.533။
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021။ တိကျသောစိုက်ပျိုးရေးတွင် blockchain-based ရေစီမံခန့်ခွဲမှုစနစ်အတွက် ယုံကြည်စိတ်ချရသော ကုန်ကျစရိတ်သက်သာသော IoT စက်ပစ္စည်းများ။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ 180, 105889။
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020။ တိကျသောစိုက်ပျိုးရေးတွင် အသိဉာဏ်ရှိသော စောင့်ကြည့်မှုအတွက် အဆင့်မြင့် UAV-WSN စနစ်။ အာရုံခံကိရိယာများ (၃)၊ https://doi.org/20/s3 ၂၀။
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020။ ထောက်ပံ့ရေးကွင်းဆက်များ၊ သယ်ယူပို့ဆောင်ရေးနှင့် ထောက်ပံ့ပို့ဆောင်ရေးများတွင် Blockchain applications များ- စာပေကို စနစ်တကျ ပြန်လည်သုံးသပ်ခြင်း။ Int ဂျေရော့။ Res. ၅၈ (၇)၊ ၂၀၆၃–၂၀၈၁။
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012။ တိကျသော စိုက်ပျိုးရေးအတွက် ပြောင်းလွယ်ပြင်လွယ် မောင်းသူမဲ့ လေယာဉ်။
သင်္ခေပ။ စိုက်ပျိုးရေး။ ၁၃ (၄)၊ ၅၁၇–၅၂၃။ https://doi.org/13/s4-517-523-10.1007။
Pritchard, A., 1969။ ကိန်းဂဏန်းစာရင်းအင်းစာအုပ်များ သို့မဟုတ် bibliometrics။ J. Document. ၂၅ (၄)၊ ၃၄၈–၃၄၉။
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012။ စမ်းသပ်လယ်ကွင်းများနှင့် ကောက်ပဲသီးနှံများကို အကဲဖြတ်ရန်အတွက် မောင်းသူမဲ့လေယာဉ် (UAV) ၏ သင့်လျော်မှု။ စိုက်ပျိုးရေး 99 (4), 431–436။
Puri, V., Nayyar, A., Raja, L., 2017. စိုက်ပျိုးရေးဒရုန်းများ- တိကျသောစိုက်ပျိုးရေးတွင် ခေတ်မီသောအောင်မြင်မှုများ။ J. Statis စီမံခန့်ခွဲ။ စနစ်။ ၂၀ (၄)၊ ၅၀၇–၅၁၈။
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020။ တိကျသော စိုက်ပျိုးရေးအတွက် UAV အက်ပ်လီကေးရှင်းများစုစည်းမှု။ ကွန်ပျူတာ။ Netw ၁၇၂၊
107148 https://doi.org/10.1016/j.comnet.2020.107148။
Ramesh၊ KV၊ Rakesh၊ V.၊ Prakasa Rao၊ EVS၊ 2020။ စိုက်ပျိုးရေးဆိုင်ရာသုတေသနတွင် ကြီးမားသောဒေတာခွဲခြမ်းစိတ်ဖြာမှုနှင့် ဉာဏ်ရည်တုကိုအသုံးပြုခြင်း။ Indian J. Agron ၆၅ (၄)၊ ၃၈၃–၃၉၅။
Raparelli, E., Bajocco, S., 2019။ စိုက်ပျိုးရေးနှင့် သစ်တောလေ့လာမှုများတွင် မောင်းသူမဲ့လေကြောင်းယာဉ်များအသုံးပြုမှုနှင့်ပတ်သက်သော bibliometric ခွဲခြမ်းစိတ်ဖြာမှု။ Int J. Remote Sens. 40 (24)၊
၉၀၇၀–၉၀၈၃။ https://doi.org/9070/9083။
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013။
ပေါင်းပင်သုတေသနတွင် အသေးစား မောင်းသူမဲ့ လေယာဉ်စနစ်များ (UAS) ၏ အလားအလာများကို အသုံးပြုခြင်း။ ပေါင်းပင်များ ၅၃ (၄)၊ ၂၄၂–၂၄၈။
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., သည် တပ်ဆင်ထားသော စားသုံးသူအဆင့် ကင်မရာများမှ ဆင်းသက်လာသော အပင်ညွှန်းကိန်းများ
စမ်းသပ်ကွက်များကို အကဲဖြတ်ရန်အတွက် UAV များသည် လုံလုံလောက်လောက် ယုံကြည်ရပါသလား။ အီးယူအာရ်။ J. Agron ၇၄၊ ၇၅–၉၂။ https://doi.org/74/j.eja.75။
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022။ အစားအစာထောက်ပံ့ရေးကွင်းဆက်များတွင် ဒစ်ဂျစ်တယ်အသွင်ကူးပြောင်းခြင်း- bibliometric ပြန်လည်သုံးသပ်ခြင်းနှင့် အဓိကလမ်းကြောင်း အဓိကလမ်းကြောင်း
ခွဲခြမ်းစိတ်ဖြာခြင်း။ ညီလေး 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. ထောက်ပံ့ရေးကွင်းဆက်စီမံခန့်ခွဲမှုနှင့် ထောက်ပံ့ပို့ဆောင်မှုအတွက် ဒရုန်းများ- သုံးသပ်ချက်နှင့် သုတေသနအစီအစဉ်။ Int J. Logist Res. Appl
၉၀၇၀–၉၀၈၃။ https://doi.org/1/24။
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. ထောက်ပံ့ပို့ဆောင်ရေးနှင့် ထောက်ပံ့ရေးကွင်းဆက်စီမံခန့်ခွဲမှုအတွက် Blockchain နည်းပညာများ- bibliometric ပြန်လည်သုံးသပ်ခြင်း။ ထောက်ပံ့ပို့ဆောင်ရေး ၅ (၄) ၇၂။
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c။ လူသားချင်းစာနာထောက်ထားမှုဆိုင်ရာ ဒရုန်းများ- သုံးသပ်ချက်နှင့် သုတေသနအစီအစဉ်။ Internet of Things 16၊ 100434။ https://doi.org/10.1016/j။
iot.2021.100434။
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. ကျန်းမာရေးစောင့်ရှောက်မှုအတွက် Blockchain သုတေသန- bibliometric ပြန်လည်သုံးသပ်ခြင်းနှင့် လက်ရှိသုတေသနလမ်းကြောင်းများ။ J. of Data, Inf. နှင့်
စီမံခန့်ခွဲ။ ၃ (၂)၊ ၁၀၉–၁၂၄။
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020။ ထောက်ပံ့ရေးကွင်းဆက်စီမံခန့်ခွဲမှုနှင့် ထောက်ပံ့ပို့ဆောင်ရေးဆိုင်ရာ အင်တာနက်သုတေသန- bibliometric ခွဲခြမ်းစိတ်ဖြာချက်။ အင်တာနက်
အရာ ၁၂၊ ၁၀၀၃၁၈။
ReportLinker၊ 2021။ Global Agriculture Drones Market သည် YearGlobeNewswire News Room မှ US$ 15.2 billion သို့ရောက်ရှိရန်။ https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Year-2027.html။
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T.,Moreno, MA, 2017. အအေးမခံသော အပူကင်မရာချိန်ညှိခြင်းနှင့် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း
စိုက်ပျိုးရေးတွင် UAV အပလီကေးရှင်းများအတွက် photogrammetry လုပ်ငန်းစဉ်။ အာရုံခံကိရိယာများ (ဆွစ်ဇာလန်) ၁၇ (၁၀)။ https://doi.org/17/s10။
Rivera, MA, Pizam, A., 2015။ ဧည့်ဝတ်ပြုခြင်းဆိုင်ရာ သုတေသနတွင် တိုးတက်မှုများ- “Rodney Dangerfield မှ Aretha Franklin” အထိ။ Int J. Contempor ဆေးရုံ။ စီမံခန့်ခွဲ။ ၂၇ (၃)၊
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015။ ဖန်လုံအိမ်များရှိ သဘာဝပတ်ဝန်းကျင်ပြောင်းလဲမှုများကို တိုင်းတာရန်အတွက် Mini-UAV အခြေခံ အာရုံခံစနစ်။ အာရုံခံကိရိယာများ 15 (2), 3334–3350။ https://doi.org/10.3390/s150203334။
Rozenberg, G., Kent, R., Blank, L., 2021။ စီးပွားဖြစ် ကြက်သွန်ခင်းများတွင် ရာသီနှောင်းပိုင်းပေါင်းပင်များ ဖြန့်ကျက်မှုပုံစံများကို ရှာဖွေဖော်ထုတ်ရန်နှင့် ခွဲခြမ်းစိတ်ဖြာရန်အတွက် အသုံးပြုသူအဆင့် UAV ကို အသုံးပြုထားသည်။ သင်္ခေပ။ စိုက်ပျိုးရေး။ ၂၂ (၄)၊ ၁၃၁၇–၁၃၃၂။ https://doi.org/22/s4-1317-1332-y။
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. မောင်းသူမဲ့ သစ်တောနှင့် စိုက်ပျိုးရေးဆိုင်ရာ အသုံးချမှုများအတွက် ဝေဟင်ယာဉ် (UAV) လည်ပတ်နေသော ရောင်စဉ်တန်းကင်မရာစနစ်။ ရှေ့ဆက်ပါ။ SPIE – Int. Soc ဘေးဖယ်။ Eng 8174 https://doi.org/10.1117/12.897585။
Sah, B., Gupta, R., Bani-Hani, D., 2021. မောင်းသူမဲ့လေယာဉ် ထောက်ပံ့ပို့ဆောင်ရေး အကောင်အထည်ဖော်ရန် အတားအဆီးများကို လေ့လာခြင်း။ Int J. Logist Res. Appl ၂၄ (၆)၊ ၅၃၁–၅၅၀။ https://doi.org/24/
13675567.2020.1782862 ။
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, IOT-based drone သည် စိုက်ပျိုးရေးနယ်ပယ်တွင် သီးနှံအရည်အသွေး မြှင့်တင်ရန်။ SH တွင်
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-January, pp. 612–615)။ စက်မှုတက္ကသိုလ်
လျှပ်စစ်နှင့် အီလက်ထရွန်နစ် အင်ဂျင်နီယာများအဖွဲ့ ၏ doi- 10.1109/CCWC.2018.8301662။
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM- တိကျသောစိုက်ပျိုးရေးအတွက် ဆန်းသစ်ပြီး ထိရောက်သော LED အခြေခံဆက်သွယ်ရေးတစ်ခု။ IEEE Conf. အချက်အလက် ကွန်မြူနတီ နည်းပညာ။ 2019၊ 1-5။ https://doi.org/10.1109/CICT48419.2019.9066177။
Salamí, E., Barrado, C., Pastor, E., 2014။ UAV ပျံသန်းမှု စမ်းသပ်ချက်များသည် အသီးအရွက်များ ဝေးလံသော ဒေသများကို အာရုံခံခြင်းတွင် သက်ရောက်သည်။ အဝေးထိန်းအာရုံခံခြင်း 6 (11)၊ 11051–11081။ https://doi.org/10.3390/rs61111051။
Sankaran, S., Khot, LR, Espinoza, CZ, Jarolmasjed, S., Satuvalli, VR, Vandemark, GJ, Miklas, PN, Carter, AH, Pumphrey, MO, Knowles, NRN, Pavek, MJ, 2015။
အတန်းနှင့် အကွက်ရိုက်ခြင်းအတွက် အမြင့်ပေ၊ ကြည်လင်ပြတ်သားသော ဝေဟင်ပုံရိပ်စနစ်များ- သုံးသပ်ချက်။ အီးယူအာရ်။ J. Agron ၇၀၊ ၁၁၂–၁၂၃။ https://doi.org/70/j။
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. ခန့်မှန်းရန် ရုပ်ထွက်မြင့် UAV-based အပူပိုင်းပုံရိပ်၊
စပျစ်ခြံတစ်ခုအတွင်း အပင်၏ရေအခြေအနေသည် ချက်ချင်းနှင့် ရာသီအလိုက် ပြောင်းလဲမှု။ စိုက်ပျိုးရေး။ ရေစီမံခန့်ခွဲမှု။ ၁၈၃၊ ၄၉–၅၉။ https://doi.org/183/j.agwat.49။
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010။ ကိုးကားချက်ခွဲခြမ်းစိတ်ဖြာခြင်းအပြင်- သုတေသနအကျိုးသက်ရောက်မှုကို အကဲဖြတ်ခြင်းအတွက် စံနမူနာတစ်ခု။ J. Med စာကြည့်တိုက် Assoc. : 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. ကမ္ဘာမြေစနစ် သိပ္ပံနှင့် ပတ်သက်သော ပုံရိပ်ဖော်ရောင်စုံစကုပ်—အကဲဖြတ်ချက်။ ဝေးလံခေါင်သီသောအာရုံများ။ 113၊ S123–S137။
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016။ စျေးနည်း UAV ဖြင့် ဆောင်းဂျုံသီးနှံများ၏ စိုက်ပျိုးရေးဆိုင်ရာ သတ်မှတ်ချက်များကို စောင့်ကြည့်ခြင်း
ရုပ်ပုံများ Remote Sensing 8 (9)။ https://doi.org/10.3390/rs8090706။
Schmale III၊ DG၊ Dingus၊ BR၊ Reinholtz၊ C.၊ 2008။ အထက်တွင်တိကျသောလေကြောင်းဇီဝဗေဒနမူနာအတွက် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရမောင်းသူမဲ့လေယဉ်တစ်စီးကို တီထွင်ခြင်းနှင့် အသုံးချခြင်း
စိုက်ပျိုးရေးနယ်ပယ်။ ဂျေလယ်ရော့။ ၂၅ (၃)၊ ၁၃၃–၁၄၇။ https://doi.org/25/rob.3။
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
ဉာဏ်ရည်တုဖြင့် မြှုပ်သွင်းထားသော အာရုံခံစနစ်ဖြင့် တိကျသော စိုက်ပျိုးရေးကို ဖွင့်ပေးသည်။ IEEE Trans တူရိယာ။ Meas. ၆၉ (၇)၊ ၄၁၀၃–၄၁၁၃။
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. မောင်းသူမဲ့ ဝေဟင်ယာဉ်များ (UAVs)- အရပ်ဘက်အသုံးချမှုဆိုင်ရာ စစ်တမ်းနှင့် အဓိက သုတေသနစိန်ခေါ်မှုများ။ IEEE Access 7၊
၄၈၅၇၂–၄၈၆၃၄။ https://doi.org/48572/ACCESS.48634။
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019။ ကြီးမားသောဒေတာမောင်းနှင်သော စိုက်ပျိုးရေး- အပင်ပေါက်ပွားမှု၊ မျိုးဗီဇဆိုင်ရာ ဒေတာခွဲခြမ်းစိတ်ဖြာမှုနှင့် အဝေးမှ အာရုံခံအသုံးပြုမှု
သီးနှံအထွက်နှုန်း တိုးတက်စေရန် နည်းပညာများ။ Plant Phenome J. 2 (1), 1–8။
Sharma၊ BK၊ Chandra၊ G.၊ Mishra၊ VP၊ 2019။ မှုခင်းဆိုင်ရာ စုံစမ်းစစ်ဆေးမှုများတွင် UAV နှင့် AI ၏ နှိုင်းယှဉ်သုံးသပ်ချက်နှင့် သက်ရောက်မှုများ။ တွင်- ဆောင်ရွက်ချက်များ - 2019 Amity International
Artificial Intelligence ညီလာခံ။ https://doi.org/10.1109/AICAI.2019.8701407။
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022။ ထောက်ပံ့မှုကွင်းဆက်စီမံခန့်ခွဲမှုတွင် ဉာဏ်ရည်တု၏အခန်းကဏ္ဍ- နယ်မြေကို ပုံဖော်ခြင်း။ Int ည။
ရော့။ Res. ၁–၂၄။ https://doi.org/1/24။
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. စွမ်းဆောင်ရည်မြင့် phenotyping နှင့် agronomic research အတွက် မောင်းသူမဲ့ လေယာဉ်များ။ PLoS ONE
(၇), e11 ၁၁။
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019။ မောင်းသူမဲ့လေကြောင်းကို အသုံးပြု၍ အထွက်နှုန်းတည်ငြိမ်သောဇုန်များတစ်လျှောက် ပြောင်းမျိုးရိုးဗီဇကို ဖမ်းယူခြင်း
(UAV) ယာဉ်များ။ အာရုံခံများ 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973။ သိပ္ပံစာပေတွင် ပူးတွဲကိုးကားချက်- စာရွက်စာတမ်းနှစ်ခုကြားရှိ ဆက်စပ်မှု၏ တိုင်းတာမှုအသစ်။ J. Am Soc အချက်အလက် သိပ္ပံပညာ။ ၂၄ (၄), ၂၆၅–၂၆၉။
Small, H., Rorvig, ME, Lunin, LF, 1999။ ကိုးကားချက်မြေပုံဖြင့် သိပ္ပံကို မြင်ယောင်ခြင်း။ J. Am Soc အချက်အလက် သိပ္ပံပညာ။ (၉)၊ ၇၉၉–၈၁၃ ၅၀။
Soares၊ VHA၊ Ponti၊ MA၊ Gonçalves၊ RA၊ Campello၊ RJGB၊ 2021။ ကြီးမားသော ကျက်စားရာနေရာများရှိ ဝေဟင်မှ ပထဝီဝင်ပုံများဖြင့် တောရိုင်းတိရစ္ဆာန်များ ရေတွက်ခြင်း။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ 189, 106354 https://doi.org/10.1016/j.compag.2021.106354။
Srivastava၊ K.၊ Pandey၊ PC၊ Sharma၊ JK၊ 2020။ UAV များကို အသုံးပြု၍ တိကျသော စိုက်ပျိုးရေးဆိုင်ရာ အပလီကေးရှင်းများတွင် လမ်းကြောင်းပိုကောင်းအောင်ပြုလုပ်ရန် ချဉ်းကပ်မှု။ Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000။ ၂၁ ရာစုတွင် တိကျသော စိုက်ပျိုးရေးကို အကောင်အထည်ဖော်ခြင်း။ J. Agric Eng Res. ၇၆ (၃)၊ ၂၆၇–၂၇၅။
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. မောင်းသူမဲ့ လေယာဉ်ကို အသုံးပြု၍ အဝေးမှ အာရုံခံသော ပုံရိပ်များဖြင့် ဂျုံမိုးခေါင်မှု အကဲဖြတ်ခြင်း။ 2018 တွင် ၃၇ ကြိမ်မြောက် တရုတ်ထိန်းချုပ်ရေးညီလာခံ (CCC)။
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Multispectral UAV ဝေဟင်မှ သင်ယူခြင်းဖြင့် ဂျုံအဝါရောင် သံချေးတက်ခြင်းကို စောင့်ကြည့်ခြင်း။
ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ ၁၅၅၊ ၁၅၇–၁၆၆။ https://doi.org/155/j။ compag.157.
Su, Y., Wang, X., 2021။ အချက်အလက်ကြီးကြီးမားမားဖြင့် စမတ်ကျသော စိုက်ပျိုးရေးကို တည်ဆောက်သည့် လုပ်ငန်းစဉ်တွင် စိုက်ပျိုးရေးစီးပွားရေး စီမံခန့်ခွဲမှု၏ ဆန်းသစ်တီထွင်မှု။ ရေရှည်တည်တံ့နိုင်သော ကွန်ပျူတာ။ Inf စနစ်။ 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579။
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007။ ဝါဂွမ်းမိုးကာအတွင်း ရေဖိစီးမှုကို သိရှိရန်အတွက် မောင်းသူမဲ့အပူအနီအောက်ရောင်ခြည်စနစ်၏ အာရုံခံနိုင်စွမ်းကို အကဲဖြတ်ခြင်း။ Trans ASABE 50 (6)၊ 1955–1962။
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021။ RGB-based အသီးအရွက်အညွှန်းကိန်း၊ သီးနှံမျက်နှာပြင်ပုံစံနှင့် ကြံအထွက်နှုန်း ခန့်မှန်းချက်အတွက် အရာဝတ္ထုအခြေပြု ပုံခွဲခြမ်းစိတ်ဖြာခြင်းချဉ်းကပ်မှု ပေါင်းစပ်ခြင်း။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ 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. အတွက် ပေါ့ပါးသော hyperspectral မြေပုံထုတ်စနစ်
မောင်းသူမဲ့လေယာဉ်များ—ပထမရလဒ်များ။ 2013 ခုနှစ်တွင် 5 ကြိမ်မြောက် Hyperspectral ရုပ်ပုံနှင့် အချက်ပြလုပ်ဆောင်ခြင်းဆိုင်ရာ အလုပ်ရုံဆွေးနွေးပွဲ- အဝေးမှ အာရုံခံခြင်းတွင် ဆင့်ကဲပြောင်းလဲခြင်း (WHISPERS), စစ. 1-4။ https://doi.org/10.1109/WHISPERS.2013.8080721။
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014။ ပေါ့ပါးသော hyperspectral တစ်ခု
မောင်းသူမဲ့ ဝေဟင်ယာဉ်များအတွက် မြေပုံစနစ်နှင့် ဓါတ်ပုံဂရမ်မက်ထရစ်လုပ်ဆောင်ခြင်းကွင်းဆက်။ အဝေးထိန်းအာရုံခံခြင်း 6 (11)၊ 11013–11030။ https://doi.org/10.3390/
rs61111013။
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021။ ရုပ်ပုံလုပ်ဆောင်ခြင်းများ၊ UAV နှင့် AI တို့ကို အသုံးပြု၍ စိုက်ပျိုးရေးဆိုင်ရာ ကြိုတင်ထိန်းချုပ်မှုဗျူဟာများ- သုံးသပ်ချက်။ ကမ္ဘာ့ J. Eng ၁၈ (၄)၊
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998။ စာရင်းအင်းဆိုင်ရာ ဂျာနယ်လွှမ်းမိုးမှုကို စုံစမ်းစစ်ဆေးရန် ကိုးကားချက်များကို အသုံးပြု၍ သတင်းအချက်အလက် စီမံဆောင်ရွက်ခြင်း။ Inf လုပ်ငန်းစဉ်။ စီမံပါ။ ၃၄ (၂–၃)၊ ၃၄၁–၃၅၉။
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021။ 5G ကွန်ရက်ပေါ်ရှိ စစ်တမ်းနှင့် စိုက်ပျိုးရေးအပေါ် ၎င်း၏သက်ရောက်မှု- စိန်ခေါ်မှုများနှင့် အခွင့်အလမ်းများ။ ကွန်ပျူတာ။
အီလက်ထရွန်။ စိုက်ပျိုးရေး။ 180, 105895 https://doi.org/10.1016/j.compag.2020.105895။
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019။ တိကျသောစိုက်ပျိုးရေးတွင် ဒေတာမောင်းနှင်သော ဆုံးဖြတ်ချက်ချခြင်း- စိုက်ပျိုးရေးစနစ်များတွင် ဒေတာကြီးမားလာခြင်း J. Agric အစားအသောက်အချက်အလက်။
20 (4), 344-380 ။
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020။ UAV-အသုံးပြု၍ ဆောင်းဂျုံ၏အထွက်နှုန်းနှင့် အပင်အမြင့် ခန့်မှန်းချက် အခြေခံ hyperspectral ပုံများ။
အာရုံခံကိရိယာများ (၄း၂၀)၊ ၁၂၃၁။
Techy, L., Schmale III, DG, Woolsey, CA, 2010။ အလိုအလျောက် မောင်းသူမဲ့ လေယာဉ်နှစ်စင်းကို အသုံးပြု၍ လေထုအောက်ပိုင်းရှိ အပင်ရောဂါဗေဒနမူနာကို ပေါင်းစပ်ထားသော လေထုထဲတွင် ရောဂါပိုးများကို နမူနာယူခြင်း။ ဂျေလယ်ရော့။ ၂၇ (၃)၊ ၃၃၅–၃၄၃။ https://doi.org/27/rob.3။
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020။ နက်နဲသော သင်ယူမှုအား အသုံးပြု၍ ပဲပုပ်ပိုးမွှားများကို ရှာဖွေခြင်းနှင့် အမျိုးအစားခွဲခြင်း
UAV ရုပ်ပုံများဖြင့် ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ 179, 105836။
Thamm၊ H.-P.၊ Menz၊ G.၊ Becker၊ M. နှင့် ရေရှည်တည်တံ့သော စိုက်ပျိုးရေးအတွက် WetSeason နှင့် Terra-Sar X ဒေတာအတွက် မြေပြင်အမှန်တရားကို ပံ့ပိုးပေးပါသည်။ တွင်- ISPRS – Photogrammetry of the International Archives of the Remote Sensing and Spatial Information Sciences, စစ. 2013–401။ https://doi.org/406/isprsarchivesXL-10.5194-W1-2-401။
Thelwall, M., 2008။ bibliometrics to webometrics။ J. အင်ဖို. သိပ္ပံပညာ။ ၃၄ (၄)၊ ၆၀၅–၆၂၁။
Torres-Sanchez, ´J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015။ UAV ပုံများတွင် အကောင်းဆုံးအဆင့်သတ်မှတ်ခြင်းအတွက် အလိုအလျောက်အရာဝတ္ထုအခြေခံနည်းလမ်း- ပေါင်းပင်များအတွင်း အသီးအရွက်များကို သိရှိခြင်းအတွက် လျှောက်လွှာ။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ ၁၁၄၊ ၄၃-၅၂။ https://doi.org/114/j.compag.43။
Torres-Sanchez, ´J., Lopez-Granados, ´F., Serrano, N., Arquero, O., Pena, ˜ JM, Hassan, QK, 2015။ မြင့်မားသော 3-D စောင့်ကြည့်မှုဖြင့် စိုက်ပျိုးရေး-သစ်ပင်စိုက်ခင်းများကို စောင့်ကြည့်ခြင်း၊ မောင်းသူမဲ့ ဝေဟင်ယာဉ် (UAV) နည်းပညာ။ PLoS ONE 10 (6), e0130479။
Torres-Sanchez, ´J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. UAV မှပုံများကို အသုံးပြု၍ ရာသီအစောပိုင်း ဂျုံခင်းများတွင် အသီးအရွက်အပိုင်းအစများကို အချိန်နှင့်တစ်ပြေးညီ ပုံဖော်ခြင်း။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ ၁၀၃၊ ၁၀၄-၁၁၃။ https://doi.org/103/j။ compag.104.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019။ တိကျသော စိုက်ပျိုးရေးအတွက် UAV-based applications များအကြောင်း သုံးသပ်ချက်။ ပြန်ကြားရေး (ဆွစ်ဇာလန်) ၁၀ (၁၁)။ https://doi.org/10/info11။
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. XNUMX။ ဒရုန်းပျံသန်းမှု အစီအစဉ်ကို အကောင်းဆုံးဖြစ်အောင် လုပ်ပါ ISPRS J. Photogramm
အဝေးထိန်းအာရုံများ 160၊ 83–96။ https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. စိုက်ပျိုးမွေးမြူရေးဆိုင်ရာ အင်တာနက်၊ လတ်တလော တိုးတက်မှုများနှင့် အနာဂတ်စိန်ခေါ်မှုများ။ ဇီဝဗေဒ။ Eng ၁၆၄၊ ၃၁–၄၈။
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015။ မက္ကဆီကိုရှိ ကွန်ပျူတာသိပ္ပံသုတေသန၏ သိပ္ပံနည်းကျမြေပုံဆွဲခြင်း။ သိပ္ပံနည်းကျ ၁၀၅ (၁)၊ ၉၇–၁၁၄။
UN.၊ 2019။ ကမ္ဘာ့လူဦးရေ အလားအလာ 2019။ https://population.un.org/wpp/ (15/04/2022) တွင် ဝင်ရောက်ခဲ့သည်။
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013။ UAV တပ်ဆင်ထားသော အသေးစား ရောင်စဉ်တန်း အာရုံခံစနစ်ဖြင့် စပါးခင်းများ၏ လက္ခဏာရပ်များ။ IEEE J. Sel ထိပ်တန်း။ Appl Earth Obs
အဝေးထိန်း အာရုံများ 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။ ဒရုန်းများ
စိုက်ပျိုးရေး။ Adv ။ စိုက်ပျိုးရေး။ ၁၆၂၊ ၁–၃၀။
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022။
တိကျသောစိုက်ပျိုးရေးတွင် မောင်းသူမဲ့လေယာဉ် (UAV)- အသုံးချမှုနှင့် စိန်ခေါ်မှုများ။ စွမ်းအင် ၁၅ (၁), ၂၁၇။ https://doi.org/15/en1။
Ventur
ယာဉ် (UAV) ပုံရိပ်နှင့် အရာဝတ္ထု-အခြေခံပုံ ခွဲခြမ်းစိတ်ဖြာမှု (OBIA)။ Remote Sensing 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014။ ဂျုံနှင့် မုဒုံသီးနှံများအပေါ် မောင်းသူမဲ့လေကြောင်းစနစ်မှ အစိမ်းရောင်ဧရိယာ အညွှန်းကိန်း . ဝေးလံခေါင်သီသောအာရုံများ။ ၁၅၂၊ ၆၅၄–၆၆၄။ https://doi.org/152/j.rse.654။
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015။ မြက်ခင်းပြင်ပေါ်တွင် optical UAV-based အာရုံခံကိရိယာလေးခုကို ဖြန့်ကျက်ခြင်း- စိန်ခေါ်မှုများနှင့်
ကန့်သတ်ချက်များ။ ဇီဝဘူမိသိပ္ပံ ၁၂ (၁)၊ ၁၆၃–၁၇၅။ https://doi.org/12/bg-1-163-175။
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. တိကျသောစိုက်ပျိုးရေးတွင် မြေအောက်အရာများ၏ အင်တာနက်- ဗိသုကာပညာနှင့် နည်းပညာရှုထောင့်။ Ad Hoc Netw ၈၁၊
၁၆၀–၁၇၃။ https://doi.org/160/j.adhoc.173။
Wamba၊ SF၊ Queiroz၊ MM၊ 2021။ ဒစ်ဂျစ်တယ်ကျန်းမာရေးအတွက် လျှို့ဝှက်ပါဝင်ပစ္စည်းအဖြစ် တာဝန်ရှိသောအတုထောက်လှမ်းရေး- bibliometric ခွဲခြမ်းစိတ်ဖြာမှု၊ ထိုးထွင်းသိမြင်မှုနှင့် သုတေသနလမ်းညွှန်ချက်များ။
အချက်အလက် စနစ်။ ရှေ့။ ၁–၁၆။
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019။ သီးနှံကြီးထွားမှုကို စောင့်ကြည့်ခြင်းအတွက် အဝေးထိန်းအာရုံခံ သုတေသနလမ်းကြောင်း၏ Bibliometric ခွဲခြမ်းစိတ်ဖြာခြင်း- တရုတ်နိုင်ငံတွင် ဖြစ်ရပ်လေ့လာမှုတစ်ခု။ အဝေး အာရုံခံခြင်း (၇) ၁၁။ https://doi.org/11/rs7။
အဖြူရောင်၊ HD၊ Griffith၊ BC၊ 1981။ စာရေးဆရာ မြူနီစီပယ်- ဉာဏတည်ဆောက်ပုံဆိုင်ရာ စာပေအတိုင်းအတာတစ်ခု။ J. Am Soc အချက်အလက် သိပ္ပံပညာ။ ၃၂ (၃)၊ ၁၆၃–၁၇၁။
Xiang, H., Tian, L., 2011။ မောင်းသူမဲ့ လေယာဉ် (UAV) ကို အခြေခံ၍ စရိတ်နည်း စိုက်ပျိုးရေး အဝေးထိန်း အာရုံခံစနစ် ကို တီထွင်ခဲ့သည်။ ဇီဝဗေဒ။ Eng ၁၀၈ (၂)၊ ၁၇၄–၁၉၀။ https://doi.org/108/j.biosystemseng.2။
Xie၊ C.၊ Yang၊ C.၊ 2020။ UAV အခြေပြု အာရုံခံကိရိယာများကို အသုံးပြုထားသော အပင်၏ မြင့်မားသော ဖောက်ပြန်ပုံသဏ္ဍာန် စရိုက်လက္ခဏာများအပေါ် ပြန်လည်သုံးသပ်ခြင်း။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ 178, 105731 https://doi.org/10.1016/j။
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019။ အဝေးထိန်းစနစ်ဖြင့် အာရုံခံသည့်အက်ပ်များအတွက် မောင်းသူမဲ့လေယာဉ်—ပြန်လည်သုံးသပ်ချက်။ အဝေး အာရုံခံခြင်း ၁၁ (၁၂)။ https://doi.org/11/
rs11121443။
Yeom၊ S.၊ 2021။ လူများကို ခြေရာခံခြင်းနှင့် မှားယွင်းသောလမ်းကြောင်းကို ဘက်စုံရိုတာဖြင့် အနီအောက်ရောင်ခြည်ဖြင့် ပုံရိပ်ဖော်ခြင်းဖြင့် ဖယ်ရှားခြင်း။ 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။ ပုံများကို အသုံးပြု၍ သီးနှံဆိုင်ရာ ကန့်သတ်ချက်များ ခန့်မှန်းချက် နှိုင်းယှဉ်ချက် UAV တပ်ဆင်ထားသည့်နေရာမှ
လျှပ်တစ်ပြက်ရိုက်ချက် hyperspectral အာရုံခံကိရိယာနှင့် အဓိပ္ပါယ်မြင့် ဒစ်ဂျစ်တယ်ကင်မရာ။ Remote Sensing 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. မောင်းသူမဲ့ လေယာဉ်ကို အသုံးပြု၍ ဆောင်းရာသီ ဂျုံဇီဝဒြပ်စင် ခန့်မှန်းချက်- အခြေခံလျှပ်တစ်ပြက်
hyperspectral အာရုံခံကိရိယာနှင့် သီးနှံအမြင့် မြှင့်တင်ထားသော မော်ဒယ်များ။ Remote Sensing 9 (7)။ https://doi.org/10.3390/rs9070708။
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015။ အပူပိုင်းဒေသ သစ်တောများ ပြန်လည်ကောင်းမွန်လာမှုကို စောင့်ကြည့်ရန် ပေါ့ပါးသော မောင်းသူမဲ့ လေယာဉ်များကို အသုံးပြုခြင်း။ Biol
ထိန်းသိမ်းပါ။ ၁၈၆၊ ၂၈၇-၂၉၅။ https://doi.org/186/j.biocon.287။ Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 295။
edge နှင့် cloud computing ကို အခြေခံ၍ စမတ်ကျသော IoT ပလပ်ဖောင်း။ ဇီဝဗေဒ။ Eng ၁၇၇၊
4-17 ။
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014။ မောင်းသူမဲ့ ဝေဟင်မှရရှိသော အလွန်မြင့်မားသော ရုပ်ထွက်ပုံရိပ်ကို အသုံးပြု၍ သစ်ပင်အမြင့် ပမာဏ တိုင်းတာခြင်း
ယာဉ် (UAV) နှင့် အလိုအလျောက် 3D ဓာတ်ပုံ ပြန်လည်တည်ဆောက်ရေး နည်းလမ်းများ။ အီးယူအာရ်။ J. Agron ၅၅၊ ၈၉–၉၉။ https://doi.org/55/j.eja.89။
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020။ အေးမြသောရာသီသီးနှံများတွင် ပန်းပွင့်မှုပြင်းထန်မှုကို ပုံ-အခြေခံ phenotyping။ အာရုံခံများ (၅း၂၀)၊ ၁၄၅၀။ https://doi.org/20/s5။
Zhang, C., Kovacs, JM, 2012။ တိကျသော စိုက်ပျိုးရေးအတွက် အသေးစား မောင်းသူမဲ့ ဝေဟင်စနစ်များကို အသုံးချခြင်း- သုံးသပ်ချက်။ သင်္ခေပ။ စိုက်ပျိုးရေး။ ၁၃ (၆)၊ ၆၉၃–၇၁၂။ https://doi.org/
10.1007/s11119-012-9274-5.
Zhang၊ L.၊ Zhang၊ H.၊ Niu၊ Y. Remote Sensing ၁၁ (၆), ၆၀၅။
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz´ alez-Moreno, P., Ma, H., Ye, H., Sobeih , T. , 2019။ အလိုအလျောက် အဝါရောင် သံချေးတက်ခြင်းအတွက် နက်နဲသော သင်ယူမှုအခြေခံချဉ်းကပ်နည်း
ကြည်လင်ပြတ်သားမှုမြင့်မားသော hyperspectral UAV ရုပ်ပုံများမှ ရောဂါရှာဖွေတွေ့ရှိခြင်း။ Remote Sensing ၁၁ (၁၃) ၁၅၅၄။
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022။ လက်ဖက်ပင်များ၏ ရောဂါနှင့် အင်းဆက်များ၏ ဖိစီးမှုကို ရှာဖွေခြင်းနှင့် ခွဲခြားဆက်ဆံခြင်းတို့ကို လှိုင်းလုံးကြီးဖြင့် ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် ရောင်ပြန်ဟပ်မှုပုံရိပ်ဖော်ခြင်း။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ 193, 106717 https://doi.org/10.1016/j။ compag.2022.106717။
Zheng၊ A.၊ Wang၊ M.၊ Li၊ C.၊ Tang၊ J. IEEE Trans ဆ
Zheng၊ H.၊ Cheng၊ T. အညွှန်းကိန်းဒေတာ။ လယ်ကွင်းသီးနှံ Res. ၁၉၈၊ ၁၃၁–၁၃၉။ https://doi.org/2016/j.fcr.198။
Zheng, J., Yang, W., 2018။ ကြိုးမဲ့အာရုံခံကိရိယာများကိုအခြေခံ၍ တိကျသောစိုက်ပျိုးရေးယိုစိမ့်မှုမျိုးစေ့စနစ်၏ဒီဇိုင်း။ Int J. အွန်လိုင်း Eng ၁၄ (၀၅) ၁၈၄။
Zhou၊L. စိုက်ပျိုးရေး 2020 (10), 5. https://
doi.org/10.3390/agriculture10050146။
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS- အပင်၏ စွမ်းအားမြင့် အပင် phenotyping အတွက် နက်နဲသော သင်ယူမှုကို အသုံးပြု၍ ပြောင်းဖူးပုံ ခွဲခြမ်းစိတ်ဖြာမှု ဆော့ဖ်ဝဲ . စိုက်ပျိုးနည်းများ 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. စပါးအထွက်နှုန်းကို ခန့်မှန်းခြင်း ယာယီအပင်မျိုးစုံကို အသုံးပြု၍ ဆန်၊
UAV-based multispectral နှင့် ဒစ်ဂျစ်တယ်ပုံများမှ အညွှန်းများ။ ISPRS J. Photogramm အဝေးထိန်းအာရုံများ 130၊ 246–255။ https://doi.org/10.1016/j.isprsjprs.2017.05.003။
Zhou, Y., Xie, Y., Shao, L., 2016။ ကြိုးမဲ့အာရုံခံကွန်ရက်ကိုအခြေခံ၍ ဖန်လုံအိမ်စောင့်ကြည့်ရေးစနစ်၏ ပင်မနည်းပညာကို သရုပ်ဖော်ခြင်း။ Int J. အွန်လိုင်း Eng ၁၂ (၀၅)၊
43 ။
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021။ တိကျသောစိုက်ပျိုးရေးတွင် အနီအောက်ရောင်ခြည်အပူဓါတ်ဖြင့် သီးနှံရေဖိအားအတွက် အကဲဖြတ်ခြင်း- သုံးသပ်ချက်
နက်ရှိုင်းသောသင်ယူမှုအသုံးချပရိုဂရမ်များအတွက် အနာဂတ်အလားအလာများ။ ကွန်ပျူတာ။ အီလက်ထရွန်။ စိုက်ပျိုးရေး။ 182၊ 106019 https://doi.org/10.1016/j.compag.2021.106019။