ادغام اینترنت اشیا و بیوتکنولوژی برای نظارت و مدیریت در زمان واقعی محصول در کشاورزی هوشمند
محل انتشار: فصلنامه بیوتکنولوژی کشاورزی، دوره: 16، شماره: 4
سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 153
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JOAGK-16-4_017
تاریخ نمایه سازی: 14 بهمن 1403
چکیده مقاله:
هدف: مشکلات مدرن از جمله افزایش تقاضای غذا، منابع محدود، و تخریب محیط زیست را می توان به طور موثر از طریق عمل انقلابی کشاورزی هوشمند (SA) حل کرد. پاسخگویی به تقاضای جهانی و در عین حال کاهش اثرات زیست محیطی چالشی برای شیوه های کشاورزی سنتی است. ترکیب بیوتکنولوژی (BT) با SA یک راه حل انقلابی با تقویت روش های کشاورزی، افزایش بازده محصول و کاهش مصرف منابع ارائه می کند.مواد و روش ها: ادغام سیستم های کشاورزی هوشمند از تجزیه و تحلیل داده ها و شبکه های عصبی عمیق (DNN) پتانسیل بهینه سازی کشاورزی را حتی بیشتر افزایش داده است. به منظور بهبود مدیریت محصول، کاهش ضایعات و افزایش تولید کلی مزرعه، کشاورزان می توانند از تصمیمات مبتنی بر داده استفاده کنند که توسط الگوریتم های DNN ممکن شده است تا بینش عملی در مورد سلامت محصول، روند رشد و شیوه های کشاورزی ایده آل به دست آورند.نتایج: یک سیستم نظارت و مدیریت محصول در زمان واقعی (R-CMM) که DNN، اینترنت اشیا (IoT) و بیوتکنولوژی (BT) را یکپارچه می کند در این تحقیق به عنوان یک کاربرد کشاورزی هوشمند پیشنهاد شده است. IoBT با جمع آوری سیگنال های بیولوژیکی از محیط با استفاده از حسگرهای کوچک، تجدیدپذیر و غیر تهاجمی، داده های بلادرنگ را در مورد سلامت گیاه، شرایط خاک و پارامترهای آب و هوایی ارائه می کند. با این کار، مدیریت خودکار سیستم های محصول و نظارت مستمر از راه دور هر دو امکان پذیر می شود و هزینه های پرسنل را کاهش و کارایی کلی را افزایش می دهد.نتیجه گیری: مدیریت مزارع داخلی به تعدادی از ویژگی های حیاتی، از جمله دما، رطوبت، رطوبت خاک و شدت نور متکی است که سیستم R-CMM از همه آنها برای حفظ کنترل استفاده می کند. استفاده از الگوریتم های DNN در این پلتفرم با پیش بینی زمان استرس، بهینه سازی تخصیص منابع و شناسایی نشانه های اولیه بیماری یا هجوم آفات، کشاورزی موثرتر و دقیق تر را امکان پذیر می سازد.
کلیدواژه ها:
نویسندگان
سویا آکانشا
گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند.
سوتار مانیشا بالکریشنا
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 :