کشاورزی هوشمند مبتنی بر شبکه حسگر بی سیم برای تشخیص پاتوژن های گیاهی با بیوتکنولوژی کشاورزی

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 168

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JOAGK-16-3_014

تاریخ نمایه سازی: 6 آذر 1403

چکیده مقاله:

هدف: کشاورزی هوشمند (SA) یک روش انقلابی برای کشاورزی است که با استفاده از فناوری های پیشرفته مانند حسگرها، ربات ها و تجزیه و تحلیل داده ها، بهره وری محصول را به حداکثر می رساند و آسیب های زیست محیطی را کاهش می دهد. با استفاده کمتر از آفت کش ها، کودها و سایر موادی که به اکوسیستم ها آسیب می رسانند، کشاورزی هوشمند به دنبال افزایش راندمان تولید و سازگاری بیشتر روش های کشاورزی با محیط زیست است. ترکیب شبکه های حسگر بی سیم (WSN) با فناوری های میکروسیال آزمایشگاهی روی یک تراشه برای نظارت و مدیریت بلادرنگ سلامت گیاه یکی از جدیدترین پیشرفت ها در SA است. نتایج: بیوتکنولوژی کشاورزی (ABT) در ارتباط با آشکارسازهای میکروسیال شبکه ای ممکن است شناسایی و کنترل بیماری های گیاهی را بهبود بخشد. این حسگرهای زیستی می توانند حتی سطوح کمی از پاتوژن ها را در بافت های گیاهی یا نمونه های محیطی شناسایی کنند زیرا بسیار حساس، ارزان و قابل حمل هستند. روش های کشاورزی دقیق و تصویری کامل از انتشار بیماری با ادغام این حسگرهای زیستی در یک شبکه حسگر بی سیم (WSN) امکان پذیر می شود، که اجازه می دهد داده ها به صورت بی سیم به یک سرور مرکزی برای تجزیه و تحلیل بلادرنگ ارسال شوند. نتیجه گیری: به منظور شناسایی بیماری های گیاهی، سیستم های کشاورزی سنتی اغلب به تکنیک های زمان بر از جمله بازرسی های بصری، نمونه برداری دستی و آزمایش های آزمایشگاهی تشخیصی وابسته هستند. بیوسنسورهای میکروسیال روشی سریعتر و دقیقتر برای تشخیص بیماری های گیاهی به صورت محلی و در زمان واقعی ارائه می دهند. این فناوری ها، هنگامی که با شبکه های حسگر بی سیم (WSN) ادغام می شوند، چارچوبی موثر برای پایش مداوم سلامت گیاه فراهم می کنند و به کشاورزان اجازه می دهند بیماری ها را زود تشخیص دهند و اقدامات فوری را انجام دهند.

کلیدواژه ها:

نویسندگان

پریا ویج

گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند.

پاتیل مانیشا پراشانت

گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Adday GH, Subramaniam SK, Zukarnain ZA, Samian N (۲۰۲۲) Fault ...
  • Angin P, Anisi MH, Göksel F, et al. (۲۰۲۰) Agrilora: ...
  • Arya N (۲۰۲۱) A review on effects of climate change ...
  • Barreto A, Paulus S, Varrelmann M, Mahlein AK (۲۰۲۰) Hyperspectral ...
  • Camgözlü Y, Kutlu Y (۲۰۲۳) Leaf Image Classification Based on ...
  • Del Cerro J, Cruz Ulloa C, Barrientos A, de León ...
  • Dhanaraju M, Chenniappan P, Ramalingam K, et al. (۲۰۲۲) Smart ...
  • Ghotbaldini H, Mohammadabadi MR, Nezamabadi-pour H, et al. (۲۰۱۹) Predicting ...
  • Jones RA (۲۰۲۱) Global plant virus disease pandemics and epidemics. ...
  • Kozicka M, Gotor E, Ocimati W, et al. (۲۰۲۰). Responding ...
  • Maharjan A, Gautam R, Jo J, et al. (۲۰۲۲) Comparison ...
  • Mohammadabadi M, Kheyrodin H, Afanasenko V, et al. (۲۰۲۴) The ...
  • Nabeesab Mamdapur GM, Hadimani MB, Sheik AK, Senel E (۲۰۱۹). ...
  • Nabi F, Jamwal S, Padmanbh K (۲۰۲۲) Wireless sensor network ...
  • Neupane K, Baysal-Gurel F (۲۰۲۱) Automatic identification and monitoring of ...
  • Paymode AS, Malode VB (۲۰۲۲) Transfer learning for multi-crop leaf ...
  • Pour Hamidi S, Mohammadabadi MR, Asadi Foozi M, Nezamabadi-pour H ...
  • Radhika A, Masood MS (۲۰۲۲) Crop Yield Prediction by Integrating ...
  • Singh BK, Delgado-Baquerizo M, Egidi E, et al. (۲۰۲۳) Climate ...
  • Surendar A, Saravanakumar V, Sindhu S, Arvinth N (۲۰۲۴) A ...
  • Wagg C, Hann S, Kupriyanovich Y, Li S (۲۰۲۱) Timing ...
  • Zoran G, Nemanja A, Srđan B (۲۰۲۲) Comparative Analysis of ...
  • نمایش کامل مراجع