
تعداد نشریات | 26 |
تعداد شمارهها | 447 |
تعداد مقالات | 4,557 |
تعداد مشاهده مقاله | 5,379,991 |
تعداد دریافت فایل اصل مقاله | 3,580,057 |
مدل بیوتکنولوژیکی کشاورزی پایدار و دقیق با استفاده از الگوریتم یادگیری عمیق | ||
مجله بیوتکنولوژی کشاورزی | ||
دوره 16، شماره 4، دی 1403، صفحه 265-278 اصل مقاله (2.6 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22103/jab.2025.23998.1606 | ||
نویسندگان | ||
اشو نایاک* ؛ دیویا دیویا | ||
گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند. | ||
چکیده | ||
هدف: با کمک دادههای آب و هوا از روش کشاورزی اینترنت اشیا (IoT) میتوان برای تغییرات آب و هوایی برنامهریزی کرد. این یک راه عالی برای آمادهسازی و پیگیری تولید کشاورزی سبز است. بنابراین، هدف از این مطالعه، دقیقتر کردن پیشبینی اطلاعات آب و هوا در سیستم کشاورزی دقیق (PA) بود. مواد و روشها: پیش بینی دقیق روندهای آینده دشوار است زیرا دادهها پیچیده هستند و به پیوندهای خطی ساده نیاز دارند. تکامل فناوری ارتباطات و افزایش تعداد چیزهای به هم پیوسته تأثیر عمیقی بر بخش کشاورزی داشته است. پیشرفتهای هوش مصنوعی و بهویژه یادگیری عمیق، پردازش سریعتر و دقیقتر دادهها را در این عصر دیجیتال مدرن تسهیل کرده است. یک فناوری جدید تجزیه و تحلیل دادهها به نام یادگیری عمیق، این پتانسیل را دارد که کشاورزی را کارآمدتر، سازگار با محیط زیست و قابل پیشبینیتر کند. در این مطالعه از پیشبینیهای یادگیری عمیق (DL) با ساختار تجزیه دو سطحی و بیوتکنولوژی (BT) برای پیشبینی اطلاعات آب و هوا در سیستم کشاورزی دقیق (PA) استفاده شد. ابتدا دادههای آب و هوا به چهار قسمت تجزیه شد. سپس، سیستمهای واحد بازگشتی گیتی (GRU) به عنوان پیشبینیکنندههای فرعی برای هر بخش ایجاد شدند. نتایج: ابتدا دادههای آب و هوایی به چهار قسمت تجزیه شد. سپس، سیستمهای واحد بازگشتی گیتی (GRU) به عنوان پیشبینیکنندههای فرعی برای هر بخش ایجاد شدند. پیشبینیهای آینده میانمدت و بلندمدت با ترکیب نتایج GRU انجام شد. با استفاده از دادههای آب و هوایی از سیستمهای IoT مبتنی بر BT، تأیید شد که آزمایشها با ساختار پیشنهادی کار میکنند. نتیجهگیری: روش پیشبینی پیشنهادی میتواند دما و رطوبت را به درستی پیشبینی کند و استانداردهای PA را برآورده کند. میتواند به کشاورزان در مدیریت عملیات کشاورزی خود کمک کند. همچنین میتوان پیش بینی و ارزیابی اولیه شرایط آب و هوایی شدید در کشاورزی را برای به حداقل رساندن خطرات و به حداکثر رساندن سود ارائه داد. | ||
کلیدواژهها | ||
بیوتکنولوژی؛ پایداری؛ کشاورزی دقیق؛ یادگیری عمیق | ||
مراجع | ||
Akilan T, Baalamurugan KM (2024) Automated weather forecasting and field monitoring using GRU-CNN model along with IoT to support precision agriculture. Expert Syst Appl 249, e123468.
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.
Barron HC, Auksztulewicz R, Friston K (2020) Prediction and memory: A predictive coding account. Prog Neurobiol 192, e101821.
Boursianis AD, Papadopoulou MS, Diamantoulakis P, et al. (2022) Internet of things (IoT) and agricultural unmanned aerial vehicles (UAVs) in smart farming: A comprehensive review. Inter Thin 18, e100187.
Camgözlü Y, Kutlu Y (2023) Leaf Image Classification Based on Pre-trained Convolutional Neural Network Models. Nat Eng Sci 8(3), 214-232.
Choi J, Zhang X (2022) Classifications of restricted web streaming contents based on convolutional neural network and long short-term memory (CNN-LSTM). J Internet Serv Inf Secur 12(3), 49-62.
Cisternas I, Velásquez I, Caro A, Rodríguez A (2020) Systematic literature review of implementations of precision agriculture. Comput Electron Agric 176, e105626.
Devi T, Deepa N, Gayathri N, Rakesh Kumar S (2024) AI‐based weather forecasting system for smart agriculture system using a recurrent neural networks (RNN) algorithm. In book: sustainable management of electronic waste. pp. 97-112.
Gao P, Xie J, Yang M, et al. (2021) Improved soil moisture and electrical conductivity prediction of citrus orchards based on IOT using Deep Bidirectional LSTM. Agric 11(7), e635.
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.
Jung J, Maeda M, Chang A, et al. (2021) The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems. Curr Opin Biotechnol 70, 15-22.
López Rivero AJ, Martínez Alayón CA, Ferro R, et al. (2020) Network Traffic Modeling in a Wi-Fi System with Intelligent Soil Moisture Sensors (WSN) Using IoT Applications for Potato Crops and ARIMA and SARIMA Time Series. Appl Sci 10(21), 7702.
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. J Internet Serv Inf Secur 9(1), 76-84.
Peeriga R, Rinku DR, Bhaskar JU, et al. (2024) Real-Time Rain Prediction in Agriculture using AI and IoT: A Bi-Directional LSTM Approach Eng Technol Appl Sci Res 14(4), 15805-15812.
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.
Saleem RM, Bashir RN, Faheem M, Haq MA et al. (2023) Internet of things based weekly crop pest prediction by using deep neural network. IEEE Access 11, 85900-85913.
Sarma KK, Das KK, Mishra V, et al. (2022) Learning-aided system for agriculture monitoring was designed using image processing and IoT-CNN. IEEE Access 10, 41525-41536.
Sumarudin A, Ismantohadi E, Puspaningrum A, Maulana S et al. (2021) Implementation irrigation system using Support Vector Machine for precision agriculture based on IoT. IOP Conf Ser: Mater Sci Eng 1098(3), e032098.
Surendar A, Veerappan S, Sindhu S, (2024) A Bibliometric Study of Publication- Citations in a Range of Journal Articles. Indian J Inf Sources Serv 14(2), 97-103.
Yin H, Cao Y, Marelli B, et al (2021) Soil sensors and plant wearables for smart and precision agriculture. Adv Mater 33(20), 2007764.
Zheng C, Li H (2023) The prediction of collective Economic development based on the PSO-LSTM model in smart agriculture. PeerJ Comput Sci 9, e1304.
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: 183 تعداد دریافت فایل اصل مقاله: 136 |