اشو نایاک - گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند.
کاپش سابهاش راغاته - استادیار، گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند.

هدف: وقتی صحبت از اقتصاد و جمعیت سالم می شود، بخش کشاورزی ضروری است. کشاورزی هوشمند (SA) یک استراتژی تغییر دهنده بازی است که تکنیک های کشاورزی را با استفاده از فناوری های پیشرفته مانند تجزیه و تحلیل داده های بزرگ و اینترنت اشیا (IoT) در پاسخ به نیاز روزافزون به غذا در مقیاس جهانی بهینه می کند. اینترنت اشیا (IoT) مقادیر انبوهی از داده ها را از مزارع جمع آوری می کند و امکان کنترل دقیق تر بیماری، روش های آبیاری و پیش بینی محصول را فراهم می کند. هدف از این تحقیق، پیش بینی و بهبود تولید گیاه انگور با استفاده از شبکه عصبی کانولوشنال (CNN) مرحله N آموزش دیده با استفاده از داده های پایگاه داده SA بود. مواد و روش ها: روش های برنامه ریزی بهینه آبیاری و پیش بینی مقدار نیز با استفاده از روش های یادگیری ماشینی در تحقیق اجرا می شوند. یکی از روش های مفید برای تشخیص و درمان زودهنگام بیماری های گیاهی در این تحقیق مورد بررسی قرار می گیرد: شبکه متخاصم دوگانه (DGAN). این شبکه ممکن است توسط کشاورزان استفاده شود.نتایج: هدف اصلی این مطالعه توسعه یک مدل شبکه عصبی کانولوشنال چند مرحله ای (CNN) بود که می تواند به طور قابل توجهی بازده کشاورزی را با تمرکز بر تولید انگور افزایش دهد.نتیجه گیری: یک استراتژی جامع برای مدیریت توسعه گیاه انگور توسط این مدل از طریق ادغام ویژگی های حیاتی مانند برنامه ریزی آبیاری و تشخیص بیماری ارائه شده است. کشاورزان با کمک این روش می توانند منابع و بازده خود را به حداکثر برسانند، که همچنین دقت پیش بینی عملکرد را افزایش می دهد و تصمیمات مدیریتی بهتر را تسهیل می کند. به منظور افزایش تولید مواد غذایی در مقیاس جهانی و ترویج تکنیک های کشاورزی پایدار، یافته های این مطالعه ممکن است منجر به استفاده گسترده تر از روش های کشاورزی هوشمند شود.

اصلاح نباتات, تجزیه و تحلیل داده های بزرگ, ژنتیک, عملکرد مواد غذایی, کشاورزی