استفاده از تجزیه و تحلیل داده‌های بزرگ کشاورزی در اصلاح نباتات و ژنتیک برای افزایش عملکرد غذا

نوع مقاله : مقاله پژوهشی

نویسندگان

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

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

10.22103/jab.2025.24002.1610

چکیده

هدف: وقتی صحبت از اقتصاد و جمعیت سالم می‌شود، بخش کشاورزی ضروری است. کشاورزی هوشمند (SA) یک استراتژی تغییر‌دهنده بازی است که تکنیک‌های کشاورزی را با استفاده از فناوری‌های پیشرفته مانند تجزیه و تحلیل داده‌های بزرگ و اینترنت اشیا (IoT) در پاسخ به نیاز روزافزون به غذا در مقیاس جهانی بهینه می‌کند. اینترنت اشیا (IoT) مقادیر انبوهی از داده‌ها را از مزارع جمع‌آوری می‌کند و امکان کنترل دقیق‌تر بیماری، روش‌های آبیاری و پیش‌بینی محصول را فراهم می‌کند. هدف از این تحقیق، پیش‌بینی و بهبود تولید گیاه انگور با استفاده از شبکه عصبی کانولوشنال (CNN) مرحله N آموزش دیده با استفاده از داده‌های پایگاه داده SA بود.
مواد و روش‌ها: روش‌های برنامه‌ریزی بهینه آبیاری و پیش‌بینی مقدار نیز با استفاده از روش‌های یادگیری ماشینی در تحقیق اجرا می‌شوند. یکی از روش‌های مفید برای تشخیص و درمان زودهنگام بیماری‌های گیاهی در این تحقیق مورد بررسی قرار می‌گیرد: شبکه متخاصم دوگانه (DGAN). این شبکه ممکن است توسط کشاورزان استفاده شود.
نتایج: هدف اصلی این مطالعه توسعه یک مدل شبکه عصبی کانولوشنال چند مرحله‌ای (CNN) بود که می‌تواند به طور قابل‌توجهی بازده کشاورزی را با تمرکز بر تولید انگور افزایش دهد.
نتیجه‌گیری: یک استراتژی جامع برای مدیریت توسعه گیاه انگور توسط این مدل از طریق ادغام ویژگی‌های حیاتی مانند برنامه‌ریزی آبیاری و تشخیص بیماری ارائه شده است. کشاورزان با کمک این روش می‌توانند منابع و بازده خود را به حداکثر برسانند، که همچنین دقت پیش‌بینی عملکرد را افزایش می‌دهد و تصمیمات مدیریتی بهتر را تسهیل می‌کند. به منظور افزایش تولید مواد غذایی در مقیاس جهانی و ترویج تکنیک‌های کشاورزی پایدار، یافته‌های این مطالعه ممکن است منجر به استفاده گسترده‌تر از روش‌های کشاورزی هوشمند شود.

کلیدواژه‌ها

عنوان مقاله [English]

Using agricultural big data analytics in plant breeding and genetics to increase food yield

نویسندگان [English]

  • Ashu Nayak 1
  • Kapesh Subhash Raghatate 2
1 Department of CS & IT, Kalinga University, Raipur, India.
2 Department of CS & IT, Kalinga University, Raipur, India.
چکیده [English]

Objective
When it comes to a healthy economy and population, the agriculture sector is essential. Smart Agriculture (SA) is a game-changing strategy that optimizes agricultural techniques with the use of cutting-edge technology like Big Data Analytics and the Internet of Things (IoT), in response to the rising need for food on a worldwide scale. The Internet of Things (IoT) gathers massive quantities of data from farms, allowing for more accurate disease control, irrigation methods, and crop output predictions. The goal of this research is to predict and improve grape plant production using an N-stage Convolutional Neural Network (CNN) trained using data from the SA database.

Materials and Methods
Optimal irrigation scheduling and amount prediction methods are also implemented in the research via the use of Machine Learning approaches. One useful method for early detection and treatment of plant illnesses is being investigated in this research: a Double Generative Adversarial Network (DGAN). This network might be used by farmers.

Results
The primary goal of this study is to develop a multi-stage convolutional neural network (CNN) model that can considerably boost agricultural output, with a focus on grape production.


Conclusions
A comprehensive strategy for grape plant development management is offered by the model via the integration of critical characteristics such as irrigation scheduling and disease diagnosis. Farmers are able to maximize their resources and output with the aid of this method, which also enhances the accuracy of yield predictions and facilitates better management decisions. In order to increase food production on a worldwide scale and promote sustainable agricultural techniques, this study's findings may lead to the wider use of Smart Agriculture methods.

کلیدواژه‌ها [English]

  • Agriculture
  • big data analytics
  • food yield
  • genetics
  • plant breeding

مراجع

Angin P, Anisi MH, Göksel F, et al. (2020). Agrilora: a digital twin framework for smart agriculture. J Wireless Mobile Netw Ubiquit Comput Depend Appl 11(4), 77-96.
Camgözlü Y, Kutlu Y (2023) Leaf Image Classification Based on Pre-trained Convolutional Neural Network Models. Nat Eng Sci 8(3), 214-232.
Cravero A, Pardo S, Sepúlveda S, Muñoz L (2022) Challenges to use machine learning in agricultural big data: a systematic literature review. Agron J 12(3), 748.
Friha O, Ferrag MA, Shu L, et al. (2021) Internet of Things for the future of smart agriculture: A comprehensive survey of emerging technologies. IEEE/CAA J Autom Sinica 8(4), 718-752.
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.
Hancock JT, Khoshgoftaar TM (2020) CatBoost for big data: an interdisciplinary review. J Big Data 7(1), e94.
Hassan SM, Maji AK (2022) Plant disease identification using a novel convolutional neural network. IEEE Access 10, 5390-5401.
Kharel TP, Ashworth AJ, Owens PR, Buser M (2020) Spatially and temporally disparate data in systems agriculture: Issues and prospective solutions. Agron J 112(5), 4498-4510.
Li C, Chen Y, Shang Y (2022) A review of industrial big data for decision making in intelligent manufacturing. Engin Sci Technol Int J 29, e101021.
Liu Q, Yang F, Zhang J, et al. (2021) Application of CRISPR/Cas9 in crop quality improvement. Int J Mol Sci 22(8), e4206.
Massa OI, Karali B, Irwin SH (2024) What do we know about the value and market impact of the US Department of Agriculture reports? Appl Econ Perspect Policy 46(2), 698-736.
Mohammadabadi M, Kheyrodin H, Afanasenko V, et al. (2024) The role of artificial intelligence in genomics. Agric Biotechnol J 16 (2), 195-279.
Perdana T, Onggo BS, Sadeli AH, et al. (2022) Food supply chain management in disaster events: A systematic literature review. Int J Disaster Risk Reduct 79, e103183.
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.
Shonhe L (2021) Sharing Open Data in Agriculture: A Learning Curve for Developing Countries. Open Access Implic Sustain Soc Pol Econ Dev 244-266. IGI Global.
Srinivasa Rao M, Praveen Kumar S, Srinivasa Rao K (2023) Classification of Medical Plants Based on Hybridization of Machine Learning Algorithms. Indian J Inf Sour Serv 13(2), 14-21.
Surendar A, Saravanakumar V, Sindhu S, Arvinth N (2024) A Bibliometric study of publication-citations in a range of journal articles. Indian J Inf Sour Serv 14(2), 97-103.
Veerasamy K, Fredrik ET (2023) Intelligent Farming based on Uncertainty Expert System with Butterfly Optimization Algorithm for Crop Recommendation. J Internet Serv Inf Secur 13(3), 158-169.
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.
مجله بیوتکنولوژی کشاورزی
دوره 16، شماره 4
دی 1403
صفحه 335-348

فایل ها

هم رسانی

ارجاع به این مقاله

آمار