
تعداد نشریات | 26 |
تعداد شمارهها | 447 |
تعداد مقالات | 4,557 |
تعداد مشاهده مقاله | 5,380,005 |
تعداد دریافت فایل اصل مقاله | 3,580,080 |
کشاورزی هوشمند مبتنی بر شبکه حسگر بی سیم برای تشخیص پاتوژن های گیاهی با بیوتکنولوژی کشاورزی | ||
مجله بیوتکنولوژی کشاورزی | ||
دوره 16، شماره 3، مهر 1403، صفحه 257-272 اصل مقاله (380.22 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22103/jab.2024.23991.1599 | ||
نویسندگان | ||
پریا ویج* ؛ پاتیل مانیشا پراشانت | ||
گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند. | ||
چکیده | ||
هدف: کشاورزی هوشمند (SA) یک روش انقلابی برای کشاورزی است که با استفاده از فناوریهای پیشرفته مانند حسگرها، رباتها و تجزیه و تحلیل دادهها، بهرهوری محصول را به حداکثر میرساند و آسیبهای زیستمحیطی را کاهش میدهد. با استفاده کمتر از آفت کشها، 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 شبکههای حسگر بیسیم (WSN) با فناوریهای میکروسیال آزمایشگاهی روی یک تراشه برای نظارت و مدیریت بلادرنگ سلامت گیاه یکی از جدیدترین پیشرفتها در SA است. نتایج: بیوتکنولوژی کشاورزی (ABT) در ارتباط با آشکارسازهای میکروسیال شبکهای ممکن است شناسایی و کنترل بیماریهای گیاهی را بهبود بخشد. این حسگرهای زیستی میتوانند حتی سطوح کمی از پاتوژنها را در بافتهای گیاهی یا نمونههای محیطی شناسایی کنند زیرا بسیار حساس، ارزان و قابل حمل هستند. روشهای کشاورزی دقیق و تصویری کامل از انتشار بیماری با ادغام این حسگرهای زیستی در یک شبکه حسگر بیسیم (WSN) امکانپذیر میشود، که اجازه میدهد دادهها به صورت بیسیم به یک سرور مرکزی برای تجزیه و تحلیل بلادرنگ ارسال شوند. نتیجهگیری: به منظور شناسایی بیماریهای گیاهی، سیستمهای کشاورزی سنتی اغلب به تکنیکهای زمانبر از جمله بازرسیهای بصری، نمونهبرداری دستی و آزمایشهای آزمایشگاهی تشخیصی وابسته هستند. بیوسنسورهای میکروسیال روشی سریعتر و دقیقتر برای تشخیص بیماریهای گیاهی به صورت محلی و در زمان واقعی ارائه میدهند. این فناوریها، هنگامی که با شبکههای حسگر بیسیم (WSN) ادغام میشوند، چارچوبی مؤثر برای پایش مداوم سلامت گیاه فراهم میکنند و به کشاورزان اجازه میدهند بیماریها را زود تشخیص دهند و اقدامات فوری را انجام دهند. | ||
کلیدواژهها | ||
بیوتکنولوژی کشاورزی؛ پاتوژن های گیاهی؛ شبکه های حسگر بی سیم؛ کشاورزی هوشمند | ||
مراجع | ||
Adday GH, Subramaniam SK, Zukarnain ZA, Samian N (2022) Fault tolerance structures in wireless sensor networks (WSNs): Survey, classification, and future directions. Sensors 22(16), e6041.
Angin P, Anisi MH, Göksel F, et al. (2020) Agrilora: a digital twin framework for smart agriculture. J Wirel Mob Netw Ubiquitous Comput Dependable Appl 11(4), 77-96.
Arya N (2021) A review on effects of climate change on plant diseases. ACADEMICIA: Int. Multidiscip Res J 11(11), 896-902.
Barreto A, Paulus S, Varrelmann M, Mahlein AK (2020) Hyperspectral imaging of symptoms induced by Rhizoctonia solani in sugar beet: Comparison of input data and different machine learning algorithms. J Plant Dis Prot 127(4), 441-451.
Camgözlü Y, Kutlu Y (2023) Leaf Image Classification Based on Pre-trained Convolutional Neural Network Models. Nat Engin Sci 8(3), 214-232.
Del Cerro J, Cruz Ulloa C, Barrientos A, de León Rivas J (2021) Unmanned aerial vehicles in agriculture: A survey. Agronomy 11(2), e203.
Dhanaraju M, Chenniappan P, Ramalingam K, et al. (2022) Smart farming: Internet of Things (IoT)-based sustainable agriculture. Agriculture 12(10), e1745.
Ghotbaldini H, Mohammadabadi MR, Nezamabadi-pour H, et al. (2019) Predicting breeding value of body weight at 6-month age using Artificial Neural Networks in Kermani sheep breed. Acta Scientiarum Anim Sci 41, e45282.
Jones RA (2021) Global plant virus disease pandemics and epidemics. Plants 10(2), e233.
Kozicka M, Gotor E, Ocimati W, et al. (2020). Responding to future regime shifts with agrobiodiversity: A multi-level perspective on small-scale farming in Uganda. Agric Syst 183, e102864.
Maharjan A, Gautam R, Jo J, et al. (2022) Comparison of overall immunity levels among workers at the grape orchard, rose greenhouse, and open-field onion farm. Safety and Health at Work 13(2), 248-254.
Mohammadabadi M, Kheyrodin H, Afanasenko V, et al. (2024) The role of artificial intelligence in genomics. Agric Biotechnol J 16 (2), 195-279.
Nabeesab Mamdapur GM, Hadimani MB, Sheik AK, Senel E (2019). The Journal of Horticultural Science and Biotechnology (2008-2017): A Scientometric Study. Indian J Inf Sources Serv 9(1), 76–84.
Nabi F, Jamwal S, Padmanbh K (2022) Wireless sensor network in precision farming for forecasting and monitoring of apple disease: a survey. Int J Inf Technol 14(2), 769-780.
Neupane K, Baysal-Gurel F (2021) Automatic identification and monitoring of plant diseases using unmanned aerial vehicles: A review. Remote Sens 13(19), e3841.
Paymode AS, Malode VB (2022) Transfer learning for multi-crop leaf disease image classification using convolutional neural network VGG. Artif Intell Agric 6, 23-33.
Pour Hamidi S, Mohammadabadi MR, Asadi Foozi M, Nezamabadi-pour H (2017) Prediction of breeding values for the milk production trait in Iranian Holstein cows applying artificial neural networks. J Livestock Sci Technol 5(2), 53-61.
Radhika A, Masood MS (2022) Crop Yield Prediction by Integrating Et-DP Dimensionality Reduction and ABP-XGBOOST Technique. J Internet Serv Inf Secur 12(4), 177-196.
Singh BK, Delgado-Baquerizo M, Egidi E, et al. (2023) Climate change impacts plant pathogens, food security, and paths forward. Nat Rev Microbiol 21(10), 640-656.
Surendar A, Saravanakumar V, Sindhu S, Arvinth N (2024) A Bibliometric Study of Publication-Citations in a Range of Journal Articles. Indian J Inf Sources Serv 14(2), 97-103.
Wagg C, Hann S, Kupriyanovich Y, Li S (2021) Timing of short-period water stress determines potato plant growth, yield, and tuber quality. Agric. Water Manag 247, e106731.
Zoran G, Nemanja A, Srđan B (2022) Comparative Analysis of Old-Growth Stands Janj and Lom Using Vegetation Indices. Arch Tech Sci 2(27), 57-62. | ||
آمار تعداد مشاهده مقاله: 232 تعداد دریافت فایل اصل مقاله: 120 |