استفاده از هوش مصنوعی برای افزایش اثربخشی اصلاح نباتات برای توسعه محصولات غذایی هوشمند مقاوم در برابر آب و هوا

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 27

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JOAGK-16-3_009

تاریخ نمایه سازی: 6 آذر 1403

چکیده مقاله:

هدف: کشت محصولات همیشه هدف اولیه عملیات کشاورزی است. با این حال، سیستم های کشاورزی در سراسر جهان به دلیل تغییرات آب و هوایی و تعداد فزاینده افرادی که در سراسر جهان به غذا نیاز دارند، تحت فشار فزاینده ای قرار دارند. مقابله با تغییرات اقلیمی، تولید محصولات بیشتر، حفاظت از محیط زیست، و سازگاری با شرایط متغیر برای اطمینان از ادامه رشد جمعیت جهان دشوار شده است. محصولات غذایی هوشمند مقاوم در برابر آب و هوا (CRSFC)، که بخش مهمی از حفظ محیط زیست در سطح جهانی است نیز برای کنترل خروجی زیست توده مورد نیاز است. انتخاب های خالص، انتخاب انبوه، اصلاح مجدد متقابل، انتخاب مکرر برای بهبود CRSFC کشاورزی محدود و زمان بر هستند. برای رشد انواع محصولات جدید و بهتر به فرآیندهای انتخاب دقیق نیاز است. نیاز فوری به تسریع فرآیند پرورش CRSFC با استفاده از هوش مصنوعی برای تکرار برخی از ویژگی های هوش انسانی با استفاده از فناوری وجود دارد. هوش مصنوعی به دلیل آموزش شبکه عصبی و ماژول طبقه بندی، قابلیت های محاسباتی قابل توجه و طیف گسترده ای از ابزارها و روش های جدید را برای اصلاح گیاهان (PB) ارائه می دهد. نتایج: این بررسی استفاده از فناوری هوش مصنوعی را در شیوه های اصلاحی فعلی برای رسیدگی به چالش ها در فنوتیپ سازی در مقیاس بزرگ و تجزیه و تحلیل عملکرد ژن مورد بحث قرار می دهد. الگوریتم های هوش مصنوعی بررسی سریع داده های ژنتیکی، یافتن روندهای پیچیده و ساخت مدل های پیش بینی کننده را برای محققان آسان می کند که به اصلاح محصول و انتخاب سودمندترین ویژگی ها کمک می کند. همچنین بررسی خواهد کرد که چگونه پیشرفت ها در فناوری های هوش مصنوعی با ترویج استفاده گسترده از اطلاعات محیطی، فرصت های جدیدی را برای پرورش بعدی ایجاد می کنند. یافتن همبستگی ژن با صفت با روش های اصلاحی که اکنون داریم دشوار است. این کار استفاده موثر از فنوتیپ، ژنومیک و محیط زیست با حجم بالا را دشوارتر می کند.نتیجه گیری: این مقاله استفاده از هوش مصنوعی را به عنوان روشی ارجح برای بهبود قابلیت اطمینان فنوتیپ، ژنوتیپ و اطلاعات محیطی با حجم بالا مورد بحث قرار می دهد. علاوه بر این، روش ها و موانع در حال ظهور در ادغام داده های محاسباتی مالتی اومیکس بزرگ را بررسی می کند. از این رو، ترکیب هوش مصنوعی با اومیکس ممکن است کشف سریع ژن را تسهیل کند و در نهایت ابتکارات بهبود کشاورزی را تسریع بخشد.

نویسندگان

دیویا دیویا

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

یالاکالا دینش کومار

پژوهشگر، 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 :
  • Altman A, Fan L, Foyer C, et al. (۲۰۲۱) Past ...
  • Angin P, Anisi MH, Göksel F, et al. (۲۰۲۰) Agrilora: ...
  • Camgözlü Y, Kutlu Y (۲۰۲۳) Leaf Image Classification Based on ...
  • Cortés AJ, López-Hernández F, Blair MW (۲۰۲۲) Genome–environment associations, an ...
  • Dossa K, Diouf D, Wang L, et al. (۲۰۱۷) The ...
  • El Bilali H, Allahyari MS (۲۰۱۸) Transition towards sustainability in ...
  • Esposito S, Carputo D, Cardi T, Tripodi P (۲۰۱۹) Applications ...
  • Farooq MS, Uzair M, Raza A, et al. (۲۰۲۲) Uncovering ...
  • Ghotbaldini H, Mohammadabadi MR, Nezamabadi-pour H, et al. (۲۰۱۹) Predicting ...
  • Godwin ID, Rutkoski J, Varshney RK, Hickey LT (۲۰۱۹) Technological ...
  • Harfouche AL, Jacobson DA, Kainer D, et al. (۲۰۱۹) Accelerating ...
  • Kwon MS, Lee, BT, Lee SY, Kim HU (۲۰۲۰) Modeling ...
  • Mohammadabadi M, Kheyrodin H, Afanasenko V, et al. (۲۰۲۴) The ...
  • Mumtaj Begum H (۲۰۲۲) Scientometric analysis of the research paper ...
  • Muthamilarasan M, Singh NK, Prasad M (۲۰۱۹) Multi-omics approaches for ...
  • Niazian M, Niedbała G (۲۰۲۰) Machine learning for plant breeding ...
  • Oliveira AL (۲۰۱۹). Biotechnology, big data and artificial intelligence. Biotechnology ...
  • Parmley KA, Higgins RH, Ganapathysubramanian B, Sarkar S, et al. ...
  • Peng H, Wang K, Chen Z, Cao Y, et al. ...
  • Priya R, Ramesh D (۲۰۲۰) ML based sustainable precision agriculture: ...
  • Pour Hamidi S, Mohammadabadi MR, Asadi Foozi M, Nezamabadi-pour H ...
  • Radhika A, Masood MS (۲۰۲۲) Crop Yield Prediction by Integrating ...
  • Raza A, Tabassum J, Kudapa H, Varshney RK (۲۰۲۱) Can ...
  • Razzaq A, Kaur P, Akhter N, et al. (۲۰۲۱) Next-generation ...
  • Razzaq A, Sadia B, Raza A, et al. (۲۰۱۹) Metabolomics: ...
  • Reinoso-Peláez EL, Gianola D, González-Recio O (۲۰۲۲) Genome-enabled prediction methods ...
  • Resende RT, Piepho HP, Rosa GJ, Silva-Junior OB, et al. ...
  • Schmidt J, Blessing F, Fimpler L, Wenzel F (۲۰۲۰) Nanopore ...
  • Shen Y, Zhou G, Liang C, Tian Z (۲۰۲۲) Omics-based ...
  • Stergiou C, Psannis KE (۲۰۱۷) Recent advances delivered by mobile ...
  • Surendar A, Saravanakumar V, Sindhu S, Arvinth N (۲۰۲۴) A ...
  • Syed A, Raza T, Bhatti TT, Eash NS (۲۰۲۲) Climate ...
  • Teshome DT, Zharare GE, Naidoo S (۲۰۲۰) The threat of ...
  • Tong H, Nikoloski Z (۲۰۲۱) Machine learning approaches for crop ...
  • Uchida K, Sawada Y, Ochiai K, et al. (۲۰۲۰) Identification ...
  • Van Dijk ADJ, Kootstra G, Kruijer W, De Ridder D ...
  • Veerasamy K, Fredrik ET (۲۰۲۳) Intelligent Farming based on Uncertainty ...
  • Wang H, Cimen E, Singh N, Buckler E (۲۰۲۰) Deep ...
  • Xu Y, Zhang X, Li H, Zheng H, et al. ...
  • نمایش کامل مراجع