Sunday 11 April 2021
هترین خرید هاست سی پنل ارزان پرسرعت پربازدید, وردپرس, فروشگاهی, دانلود از وبتوک قالب کده یک تیم بی ادعا و با اراده،

قالب کده یک تیم بی ادعا و با اراده

کد خبر : 3300
تاریخ انتشار : یکشنبه ۱۰ اسفند ۱۳۹۹ - ۱۸:۲۲
276 بازدید

کاربردهای هوش مصنوعی در بخش کشاورزی و صنایع وابسته

بورسنا:  اخیرا مشهود بوده است. این بخش برای به حداکثر رساندن عملکرد خود با چالش های زیادی از جمله تصفیه نامناسب خاک ، آلودگی به بیماری ها و آفات ، نیاز به داده های بزرگ ، بازده کم و کمبود دانش بین کشاورزان و فناوری روبرو است. به گزارش بورسنا( گروه محیط زیست و توسعه پایدار)، * مهندس حامد نقویان– مفهوم اصلی هوش مصنوعی در […]


بورسنا:  اخیرا مشهود بوده است. این بخش برای به حداکثر رساندن عملکرد خود با چالش های زیادی از جمله تصفیه نامناسب خاک ، آلودگی به بیماری ها و آفات ، نیاز به داده های بزرگ ، بازده کم و کمبود دانش بین کشاورزان و فناوری روبرو است.

به گزارش بورسنا( گروه محیط زیست و توسعه پایدار)، * مهندس حامد نقویان– مفهوم اصلی هوش مصنوعی در کشاورزی انعطاف پذیری ، عملکرد بالا ، دقت و مقرون به صرفه بودن آن می باشد. این مقاله مروری بر کاربردهای هوش مصنوعی در مدیریت خاک ، مدیریت محصول ، مدیریت علف های هرز و مدیریت بیماری است. تمرکز ویژه ای بر روی قدرت و محدودیت های کاربرد و نحوه استفاده از سیستم های خبره برای بهره وری بالاتر گذاشته شده است.
مقدمه
کشاورزی بستر پایداری هر اقتصادی است. هرچند ، کشاورزی ممکن است در کشورهای مختلف متفاوت باشد ، در واقع این یک رشد اساسی در رشد اقتصادی و تحول ساختاری را نشان می دهد. در گذشته ، فعالیت های کشاورزی محدود به مواد غذایی و تولید محصولات زراعی بود. اما در دو دهه گذشته به فرآوری ، تولید ، بازاریابی و توزیع محصولات زراعی و دامی تبدیل شده است. در حال حاضر ، فعالیت های کشاورزی به عنوان منبع اساسی امرار معاش ، بهبود تولید ناخالص داخلی ، منبع تجارت ملی ، كاهش مواد اولیه تولید در صنایع دیگر و اشتغال كلی ، توسعه اقتصادی را به همراه دارد. با افزایش جمعیت هندسی جهانی ، ضروری است که شیوه های کشاورزی با هدف دستیابی به رویکردهای نوآورانه برای حفظ و بهبود فعالیت های کشاورزی بررسی شود. ورود هوش مصنوعی به کشاورزی با سایر پیشرفت های فناوری ، از جمله تجزیه و تحلیل داده های بزرگ ، رباتیک ، اینترنت اشیاء ، در دسترس بودن سنسورها و دوربین های ارزان قیمت ، فناوری هواپیماهای بدون سرنشین و حتی پوشش اینترنت گسترده در زمینه های پراکنده از نظر جغرافیایی امکان پذیر خواهد شد. با تجزیه و تحلیل منابع داده های مدیریت خاک مانند دما ، آب و هوا ، تجزیه و تحلیل خاک ، رطوبت و عملکرد تاریخی محصولات ، سیستم های هوش مصنوعی قادر به ارائه بینشی پیش بینی شده در مورد کاشت محصول در یک سال خاص و زمان مناسب برای کاشت و برداشت هستند. بنابراین در یک منطقه خاص ، باعث بهبود عملکرد محصول و کاهش استفاده از آب ، کود و سموم دفع آفات می شود. با استفاده از فن آوری های هوش مصنوعی می توان تأثیر آن را بر اکوسیستم های طبیعی کاهش داد و ایمنی کارگران نیز افزایش می یابد ، که به نوبه خود قیمت مواد غذایی را پایین می آورد و اطمینان حاصل می کند که تولید غذا با افزایش جمعیت همگام باشد.
بررسی اجمالی
کشاورزی شامل انتخابها و تردیدهای زیادی است. از فصلی به فصلی آب و هوا متفاوت است ، قیمت مواد کشاورزی در نوسان است ، خاک تخریب می شود ، محصولات زراعی مناسب نیستند ، علف های هرز محصولات را خفه می کنند ، آفات به محصولات آسیب می رسانند و تغییرات آب و هوایی ایجاد می شود. کشاورزان باید با این بلاتکلیفی کنار بیایند. اگرچه رویه کشاورزی گسترده است ، اما این مقاله، خاک ، محصول ، بیماری و علف های هرز را از عوامل اصلی تولید محصولات کشاورزی می داند. بررسی کاربرد هوش مصنوعی در کشاورزی با توجه به خاک ، محصولات ، بیماریها و مدیریت آفات از اهمیت بالاتری برخوردار است.
خاک بخش مهمی از کشاورزی موفق است و منبع اصلی مواد مغذی مورد استفاده برای پرورش محصولات است. خاک اساس کلیه سیستمهای تولید در کشاورزی ، جنگلداری و شیلات است. خاک، آب ، مواد مغذی و پروتئین را ذخیره می کند تا آنها را برای رشد و نمو مناسب محصولات در دسترس قرار دهد.
تولید محصولات زراعی نقش مهمی در اقتصاد دارد. کشاورزی، مواد غذایی ، مواد اولیه و اشتغال را فراهم می کند. در دوران مدرن ، بازاریابی ، فرآوری ، توزیع و خدمات پس از فروش نیز به عنوان بخشی از تولید محصولات زراعی پذیرفته شده است. در جاهایی که درآمد واقعی هر سرمایه کم است ، تأکید بر تولید محصولات زراعی و سایر صنایع اولیه است. مشاهده شده است که افزایش تولید محصول و بهره وری به طور کلی به توسعه اقتصادی کل کشور کمک می کند. بنابراین تأکید بیشتر بر توسعه بیشتر تولید محصولات زراعی مناسب خواهد بود.
در حالی که کشاورزی برای حمایت از جمعیت در حال رشد سریعا در حال تلاش است ، بیماری های گیاهی مقدار و کیفیت تولید محصولات را کاهش می دهد. تلفات کشاورزی به دلیل بیماری های پس از برداشت می تواند فاجعه بار باشد.
علف های هرز یکی از عمده ترین تهدیدها برای کلیه فعالیت های کشاورزی است. علف های هرز باعث کاهش بهره وری مزارع و جنگل ها ، حمله به محصولات ، مراتع استحکام و در برخی موارد به دام ها آسیب می رسانند. آنها به طور تهاجمی با محصولات برای آب ، مواد مغذی و نور خورشید رقابت می کنند ، در نتیجه عملکرد محصول کاهش می یابد و کیفیت محصول پایین می آید.
مدیریت خاک
مدیریت خاک بخشی جدایی ناپذیر از فعالیت های کشاورزی است. شناخت صحیح از انواع و شرایط مختلف خاک باعث افزایش عملکرد محصول و حفظ منابع خاک می شود. در واقع استفاده از عملیات ، روش ها و روش های درمانی برای بهبود عملکرد خاک است. خاک های شهری ممکن است حاوی آلاینده هایی باشد که می تواند با یک روش سنتی خاک بررسی شود. استفاده از کمپوست و کود باعث بهبود تخلخل و تجمع خاک می شود. تجمع بهتر نشان دهنده افزودن مواد آلی است که در جلوگیری از تشکیل پوسته خاک نقش مهمی دارند. برای جلوگیری از تخریب فیزیکی خاک ، می توان سیستم های خاک ورزی جایگزین را اتخاذ کرد. استفاده از مواد آلی برای بهبود کیفیت خاک ضروری است. تولید سبزیجات و سایر محصولات خوراکی اغلب به طور قابل توجهی توسط چندین عامل بیماری زای خاک منتقل می شود که نیاز به کنترل از طریق مدیریت خاک دارند. حساسیت به تخریب خاک در ارزیابی پایداری شیوه های مدیریت زمین ، با تشخیص این واقعیت که خاک در توانایی مقاومت در برابر تغییر و بازیابی متفاوت است ، التزامی است.
تکنیک های خاصی از هوش مصنوعی برای مدیریت خاک وجود دارد. مدل سازی مدیریت گرا ، شستشوی نیترات را به حداقل می رساند زیرا متشکل از مجموعه ای از گزینه های مدیریت قابل قبول تولید شده ، یک شبیه ساز است که هر گزینه را ارزیابی می کند و یک ارزیابی کننده که تعیین می کند کدام گزینه با معیارهای چندگانه وزن شده کاربر مطابقت دارد. مدل سازی مدیریت گرا از “تپه نوردی” به عنوان یک روش جستجوی استراتژیک استفاده می کند که از بهترین نوع به عنوان یک روش جستجوی تاکتیکی برای یافتن کوتاهترین مسیر از گره های شروع تا اهداف استفاده می کند. دانش مهندسی برای ساخت سیستم پشتیبانی تصمیم گیری برای توصیف ریسک خاک شامل سه مرحله است: کسب دانش ، طراحی مفهومی و پیاده سازی سیستم. یک مدل شبکه عصبی مصنوعی بر اساس ویژگی های به دست آمده از نقشه های خاک با وضوح بالای موجود همراه با پارامترهای هیدروگرافی حاصل از یک مدل ارتفاعی دیجیتال ، بافت خاک (محتوای ماسه ، خاک رس و لجن) را پیش بینی می کند. پویایی رطوبت خاک توسط دستگاه سنجش از راه دور تعبیه شده که در یک شبکه عصبی مرتبه بالاتر مشخص و تخمین زده می شود.
مدیریت محصول
مدیریت محصول با کاشت آغاز می شود ، و با نظارت بر رشد ، برداشت ، ذخیره سازی و توزیع محصول ادامه دارد. به طور خلاصه فعالیتهایی است که رشد و عملکرد محصولات کشاورزی را بهبود می بخشد. درک عمیق از کیفیت محصولات با توجه به زمان بندی و نوع خاک شکوفا قطعاً عملکرد محصول را افزایش می دهد. مدیریت دقیق محصول (PCM) یک سیستم مدیریت کشاورزی است که برای هدف قرار دادن نهاده های محصول و خاک با توجه به نیازهای مزرعه طراحی شده است تا سودآوری را بهینه کرده و از محیط زیست محافظت کند. PCM به دلیل کمبود اطلاعات به موقع توزیع شده در مورد شرایط محصول و خاک با مشکل روبرو شده است. کشاورزان باید برای مقابله با کمبود آب ناشی از خاک ، آب و هوا یا آبیاری محدود ، استراتژی های مختلف مدیریت محصولات را ترکیب کنند. سیستم های مدیریت محصول قابل انعطاف بر اساس قوانین تصمیم گیری باید ترجیح داده شوند. زمان ، شدت و قابل پیش بینی بودن خشکسالی از ویژگی های مهم برای انتخاب در میان گزینه های محصول است.
درک صحیح از الگوی آب و هوا به فرایند تصمیم گیری کمک می کند که منجر به عملکرد محصول با کیفیت بالا خواهد شد. PROLOG برای ارزیابی رفتار عملیاتی سیستم مزرعه از داده های هواشناسی ، ظرفیت ماشین آلات ، در دسترس بودن نیروی کار و اطلاعات مربوط به اپراتورهای مجاز و اولویت دار ، تراکتورها و تجهیزات استفاده می کند. همچنین تولید محصول ، درآمد ناخالص و سود خالص برای مزارع منفرد و کل مزرعه را تخمین می زند. از روش پیش بینی محصول برای پیش بینی محصول مناسب با سنجش پارامترهای مختلف خاک و پارامتر مربوط به جو استفاده می شود. پارامترهایی مانند نوع خاک ، PH ، ازت ، فسفات ، پتاسیم ، کربن آلی ، کلسیم ، منیزیم ، گوگرد ، منگنز ، مس ، آهن ، عمق ، دما ، بارندگی ، رطوبت از این دست تاثیر گزارند. Demeter یک ماشین قایقرانی با کنترل رایانه ای است که مجهز به یک جفت دوربین فیلمبرداری و یک سنسور موقعیت یابی جهانی برای پیمایش است. این برنامه قادر به برنامه ریزی عملیات برداشت برای کل مزارع است ، و سپس برنامه خود را با برش ردیف های زراعی ، تبدیل به برش ردیف های متوالی ، تغییر موقعیت خود در مزرعه و تشخیص موانع غیر منتظره اجرا می کند. استفاده از هوش مصنوعی در برداشت خیار از اجزای سخت افزاری و نرم افزاری جداگانه ربات شامل خودروی مستقل ، دستکار ، اثر نهایی ، دو سیستم بینایی رایانه ای برای تشخیص و تصویربرداری سه بعدی میوه و محیط زیست و در نهایت ، یک طرح کنترل که حرکات بدون برخورد را برای دستکار کننده هنگام برداشت ایجاد می کند. برای هر مکان می توان از داده های خاص بارندگی و متغیرهای هوا استفاده کرد. تنظیم پارامترهای ANN بر دقت پیش بینی عملکرد برنج تأثیر می گذارد. در بهینه سازی مدل ، مجموعه داده های کوچکتر به گره های پنهان کمتر و میزان یادگیری کمتری نیاز دارند.
مدیریت بیماری
برای داشتن عملکرد مطلوب در برداشت محصولات کشاورزی ، کنترل بیماری ضروری است. بیماری های گیاهی و دامی عامل اصلی محدود کننده ای در افزایش عملکرد است. عوامل مختلفی در دوره کمون این بیماری ها که به گیاهان و حیوانات حمله می کنند ، نقش دارد که شامل ژنتیک ، نوع خاک ، باران ، هوای خشک ، باد ، دما و … می شود. با توجه به این عوامل و ماهیت ناپایدار برخی از بیماری ها که باعث ایجاد بیماری می شوند ، مدیریت اثرات، به ویژه در کشاورزی در مقیاس بالا یک چالش بزرگ است. برای کنترل موثر بیماری ها و به حداقل رساندن ضرر و زیان ، یک کشاورز باید یک مدل کنترل و مدیریت بیماری یکپارچه را که شامل اقدامات فیزیکی ، شیمیایی و بیولوژیکی است ، اتخاذ کند. دستیابی به اینها وقت گیر است و به هیچ وجه مقرون به صرفه نیست ، از این رو نیاز به استفاده از روش هوش مصنوعی برای کنترل و مدیریت بیماری است. بلوک توضیح (EB) نمای روشنی از منطق دنبال شده توسط هسته سیستم خبره ارائه می دهد. رویکرد جدیدی برای ارتقا قاعده بر اساس منطق فازی در سیستم ترسیم استنباط هوشمند برای مدیریت بیماری های زراعی استفاده می شود. از مبدل تبدیل متن به گفتار (TTS) برای ایجاد قابلیت رابط کاربر متن به گفتگو استفاده می شود. این رابط کاربری تعاملی بسیار موثر در شبکه را برای تعاملات زنده فراهم می کند. از موتور استنتاج زنجیره ای مبتنی بر قاعده و قانون برای توسعه سیستم استفاده شده است که به تشخیص بیماری ها کمک می کند و پیشنهادات درمانی در آن ارائه می شود.
مدیریت علفهای هرز
علف های هرز به طور مداوم سود و عملکرد مورد انتظار کشاورزان را کاهش می دهد. گزارشی کاهش ۵۰ درصدی عملکرد لوبیای خشک و محصولات ذرت را در صورت کنترل نشدن آلودگی به علف های هرز تایید می کند. به دلیل رقابت با علف های هرز ، حدود ۴۸٪ از دست دادن رشد گندم وجود دارد. این ضررها ممکن است در بعضی مواقع تا ۶۰٪ افزایش یابد. مطالعه ای در مورد تأثیر علف های هرز روی سویا نشان داد که حدود ۸ تا ۵۵٪ کاهش رشد دارد. یک مطالعه در مورد تلفات رشد در محصولات کنجد ، آنها را حدود ۵۰٪ -۷۵٪ می داند. نوسان در از دست دادن رشد را می توان به مدت زمان قرارگیری محصولات در برابر علف های هرز و ناهمگنی فضایی علف های هرز نسبت داد. فراتر از اینها ، علف های هرز هم اثرات مثبت و هم منفی برای اکوسیستم دارد. طبق گزارش انجمن علوم علف های هرز آمریکا (WSSA) ، اثرات علف های هرز شامل طغیان در هنگام طوفان است ، برخی از گونه های علف های هرز می توانند در هنگام آتش سوزی گسترده راه خود را هموار کنند ، بعضی از آنها در صورت مصرف آسیب کبدی را ایجاد می کنند و با رقابت گیاهان آنها را برای مصرف آب ، مواد مغذی و نور خورشید از بین می برند. برخی از علف های هرز سمی هستند و باعث واکنش های آلرژیک می شوند یا حتی ممکن است سلامت عمومی را تهدید کنند.
طی دهه های گذشته مدیریت فشرده ای با علف کش ها اعمال شده است تا تأثیر آن بر محصولات را کاهش دهد. با این حال ، حتی با این الگوی مدیریتی ، پیش بینی شده بود که تلفات محصولات ناشی از علف های هرز در محصولات زراعی غربی کانادا سالانه بیش از ۵۰۰ میلیون دلار تخمین زده می شود ، از این رو نیاز به یک روش مدیریت علف های هرز تخصصی تر برای جبران این ضرر وجود دارد. یک سیستم وجود دارد که می تواند از یک وسیله نقلیه هوایی بدون سرنشین (UAV) استفاده کند که برای تقسیم تصویر ، محاسبه و تبدیل به باینری شاخص های پوشش گیاهی ، ردیف های محصول ، بهینه سازی پارامترها و یادگیری یک مدل طبقه بندی استفاده می شود. از آنجا که محصولات معمولاً به صورت ردیفی سازماندهی می شوند ، استفاده از الگوریتم تشخیص ردیف محصول به جداسازی پیکسل های علف های هرز کمک می کند ، که با توجه به تشابه طیفی هر دو یک معلولیت معمول است. کنترل علف های هرز در چغندر قند ، ذرت ، گندم زمستانی و جو زمستانی با استفاده از روش شناسایی آنلاین علف های هرز با استفاده از تجزیه و تحلیل تصویر دیجیتال گرفته شده توسط پهپاد (هواپیمای بدون سرنشین) ، تصمیم گیری مبتنی بر رایانه و سیستم موقعیت یابی جهانی سمپاشی (GPS) قابل کنترل است.
چالش های انعطاف پذیر هوش مصنوعی در کشاورزی
سیستم های خبره ابزاری برای مدیریت کشاورزی هستند زیرا می توانند توصیه های خاص سایت ، یکپارچه و تفسیری را ارائه دهند. با این حال ، توسعه سیستم های خبره برای کشاورزی نسبتاً جدید است و استفاده از این سیستم ها در کشاورزی تجاری تاکنون نادر است. اگرچه هوش مصنوعی پیشرفت چشمگیری در بخش کشاورزی داشته است ، اما در مقایسه با پتانسیل ها و تأثیرات آن در سایر بخش ها ، هنوز تأثیر کمتری روی فعالیت های کشاورزی دارد. برای بهبود فعالیتهای کشاورزی با استفاده از هوش مصنوعی هنوز کارهای بیشتری باید انجام شود زیرا محدودیتهای زیادی در اجرای آن وجود دارد.
زمان پاسخ و دقت
ویژگی اصلی سیستم هوشمند یا خبره ، توانایی اجرای دقیق وظایف در مدت زمان بسیار کوتاه است. اکثر سیستم ها از نظر زمان پاسخ یا دقت یا حتی هر دو، کوتاه نیستند. تأخیر سیستم بر انتخاب استراتژی کار توسط کاربر تأثیر می گذارد. فرضیه انتخاب استراتژی بر اساس یک تابع هزینه است که دو عامل را با هم ترکیب می کند: (۱) تلاش لازم برای همگام سازی در دسترس بودن سیستم ورودی و (۲) سطح دقت ارائه شده. افرادی که به دنبال به حداقل رساندن تلاش و به حداکثر رساندن دقت هستند ، از بین سه راهکار عملکرد خودکار ، گام برداشتن و نظارت را انتخاب می کنند.
داده های بزرگ مورد نیاز است
قدرت عامل هوشمند نیز بر روی حجم داده های ورودی اندازه گیری می شود. یک سیستم هوش مصنوعی در زمان واقعی نیاز به نظارت بر حجم عظیمی از داده ها دارد. سیستم باید بسیاری از داده های ورودی را فیلتر کند. با این حال ، باید پاسخگوی حوادث مهم یا غیرمنتظره باشد. دانش عمیق در مورد وظیفه سیستم از یک متخصص میدانی مورد نیاز است و فقط باید از داده های بسیار مرتبط برای بهبود سرعت و دقت سیستم استفاده شود. توسعه یک سیستم خبره کشاورزی به تلاش مشترک متخصصان بسیاری از زمینه های کشاورزی نیاز دارد و باید با همکاری تولیدکنندگانی که از آنها استفاده می کنند توسعه یابد.
روش اجرا
زیبایی هر سیستم خبره در روش اجرای آن نهفته است. از آنجا که از داده های بزرگ استفاده می کند ، روش جستجو و آموزش باید به درستی برای سرعت و دقت تعریف شود.
هزینه بالای داده
بیشتر سیستم های هوش مصنوعی مبتنی بر اینترنت هستند که به نوبه خود باعث کاهش یا محدودیت استفاده از آنها ، به ویژه در مناطق دور افتاده یا روستایی می شوند. دولت می تواند با طراحی وب دستگاهی را قادر سازد که با تعرفه پایین تر بتواند به طور منحصر به فرد با سیستم های هوش مصنوعی برای کشاورزان کار کند ، از کشاورزان حمایت کند. همچنین ، نوعی جهت گیری “نحوه استفاده” (آموزش و آموزش مجدد) واقعاً به کشاورزان کمک می کند تا با استفاده از هوش مصنوعی در مزرعه سازگار شوند.

انعطاف پذیری
انعطاف پذیری صفت قوی هر سیستم هوش مصنوعی خبره است. تصور می شود که پیشرفت زیادی در استفاده از تکنیک های هوش مصنوعی در کارهای خاص جدا شده حاصل شده است ، اما به نظر می رسد موضوع مهم در لبه پیشرو فناوری رباتیک مبتنی بر هوش مصنوعی ، رابط بین سیستم های فرعی در یک محیط یکپارچه باشد. این مستلزم انعطاف پذیری خود سیستم های فرعی است. همچنین باید قابلیت های گسترده ای را داشته باشد تا داده های کاربر بیشتری را از متخصص حوزه در اختیار شما قرار دهد.
آینده هوش مصنوعی در کشاورزی
پیش بینی می شود جمعیت جهان تا سال ۲۰۵۰ به بیش از ۹ میلیارد نفر برسد که برای تأمین تقاضا به ۷۰٪ افزایش تولید محصولات کشاورزی نیاز دارد. فقط حدود ۱۰٪ از این افزایش تولید ممکن است از زمین های بلااستفاده حاصل شود و مابقی باید با تشدید تولید فعلی تأمین شود. در این زمینه ، استفاده از آخرین راه حل های فن آوری برای کارآمدتر کردن کشاورزی همچنان یک ضرورت مهم است. استراتژی های فعلی برای تشدید تولید محصولات کشاورزی به ورودی های بالای انرژی نیاز دارد و بازار به مواد غذایی با کیفیت بالا احتیاج دارد. رباتیک و سیستم های خودمختار (RAS) قرار است صنایع جهانی را متحول کنند. این فناوری ها با بهره وری نسبتاً کم مانند محصولات غذایی زراعی (تولید مواد غذایی از مزرعه تا قفسه خرده فروشی) ، در بخشهای بزرگی از اقتصاد تأثیر زیادی خواهند گذاشت. زنجیره مواد غذایی انگلیس بیش از ۱۰۸ میلیارد پوند درآمد زایی دارد که ۳.۷ میلیون کارمند در یک صنعت واقعاً بین المللی ۲۰ میلیارد پوند صادرات در سال ۲۰۱۶ دارند.

* پژوهش، تهیه و تدوین: مهندس حامد نقویان

منابع
[۱] M. A. Kekane, “Indian agriculture-status, importance and role in Indian economy”, International Journal of Agriculture and Food Science Technology, Vol. 4, No. 4, pp. 343-346, 2013
[۲] B. F. Johnston, P. Kilby, Agriculture and Structural Transformation: Economic Strategies in Late-Developing Countries, Oxford University Press, 1975
[۳] S. Kuznets, “Modern economic growth: Findings and reflections”, American Economic Association, Vol. 63, No. 3, pp. 247–۲۵۸, ۱۹۷۳
[۴] M. Syrquin, “Patterns on Structural Change”, in: Handbook of Development Economics, Vol. 1, Elsevier, 1988
[۵] R. Dekle, G. Vandenbroucke, “A quantitative analysis of China’s structural transformation”, Journal of Economic Dynamics and Control, Vol. 36, No. 1, pp. 119-135, 2012
[۶] M. Fan, J. Shen, L. Yuan, R. Jiang, X. Chen, W. J. Davies, F. Zhang, “Improving crop productivity and resource use efficiency to ensure food security and environmental quality in China”, Journal of Experimental Botany, Vol. 63, No. 1, pp. 13-24, 2012
[۷] O. Oyakhilomen, R. G. Zibah, “Agricultural production and economic growth in Nigeria: Implication for rural poverty alleviation”, Quarterly Journal of International Agriculture, Vol. 53, No. 3, pp. 207-223, 2014
[۸] T. O. Awokuse, “Does Agriculture Really Matter for Economic Growth in Developing Countries?”, The American Agricultural Economics Association Annual Meeting, Milwaukee, Newark, USA, July 28, 2009
[۹] O. Badiene, Sustaining and Accelerating Africa’s Agricultural Growth Recovery in the Context of Changing Global Food Prices, IFPRI Policy Brief 9, 2008
[۱۰] S. Block, C. Timmer, Agriculture and Economic Growth: Conceptual Issues and the Kenyan Experience, Harvard Institute for International Development, 1994
[۱۱] C. R. D. Kimpe, J. L. Morel, “Urban soil management: A growing concern”, Soil Science, Vol. 165, No. 1, pp. 31-40, 2000
[۱۲] M. Pagliai, N. Vignozzi, S. Pellegrini, “Soil structure and the effect of management practices”, Soil and Tillage Research, Vol. 79, No. 2, pp. 131-143, 2004
[۱۳] G. S. Abawi, T. L. Widmer, “Impact of soil health management practices on soilborne pathogens, nematodes and root diseases of vegetable crops”, Applied Soil Ecology, Vol. 15, No. 1, pp. 37-47, 2000
[۱۴] J. K. Syers, Managing Soil for Long-Term Productivity, The Royal Society, 1997
[۱۵] M. Li, R. Yost, “Management-oriented modelling: Optimizing nitrogen management with artificial intelligence”, Agricultural Systems, Vol. 65, No. 1, pp. 1-27, 2000
[۱۶] E. M. Lopez, M. Garcia, M. Schuhmacher, J. L. Domingo, “A fuzzy expert system for soil characterization”, Environment International, Vol. 34, No. 7, pp. 950-958, 2008
[۱۷] H. Montas, C. A. Madramootoo, “A Decision Support System for Soil Conservation Planning”, Computers and Electronics in Agriculture, Vol. 7, No. 3, pp. 187-202, 1992
[۱۸] S. Tajik, S. Ayoubi, F. Nourbakhsh, “Prediction of soil enzymes activity by digital terrain analysis: Comparing artificial neural network and multiple linear regression models”, Environmental Engineering Science, Vol. 29, No. 8, pp. 798-806, 2012
[۱۹] E. R. Levine, D. S. Kimes, V. G. Sigillito, “Classifying soil structure using neural networks”, Ecological Modelling, Vol. 92, No. 1, pp. 101- 108, 1996
[۲۰] M. Bilgili, “The use of artificial neural network for forecasting the monthly mean soil temperature in Adana, Turkey”, Turkish Journal of Agriculture and Forestry, Vol. 35, No. 1, pp. 83-93, 2011
[۲۱] Z. Zhao, T. L. Chow, H. W. Rees, Q. Yang, Z. Xing, F. R. Meng, “Predict soil texture distributions using an artificial neural network model”, Computers and Electronics in Agriculture, Vol. 65, No. 1, pp. 36-48, 2009
[۲۲] A. Elshorbagy, K. Parasuraman, “On the relevance of using artificial neural networks for estimating soil moisture content”, Journal of Hydrology, Vol. 362, No. 1-2, pp. 1-18, 2008
[۲۳] D. H. Chang, S. Islam, “Estimation of soil physical properties using remote sensing and artificial neural network”, Remote Sensing of Enviroment, Vol. 74, No. 3, pp. 534-544, 2000
[۲۴] T. Behrens, H. Forster, T. Scholten, U. Steinrucken, E. D. Spies, M. Goldschmitt, “Digital soil mapping using artificial neural networks”, Journal of Plant Nutrition and Soil Science, Vol. 168, No. 1, pp. 21-33, 2005
[۲۵] M. Kim, J. E. Gilley, “Artificial neural network estimation of soil erosion and nutrient concentrations in runoff from land application areas”, Computers and Electronics in Agriculture, Vol. 64, No. 2, pp. 268-275, 2008
[۲۶] M. S. Moran, Y. Inoue, E. M. Barnes, “Opportunities and limitations for image-based remote sensing in precision crop management”, Remote Sensing of Enviroment, Vol. 61, No. 3, pp. 319-346, 1997
[۲۷] P. Debaeke, A. Aboudrare, “Adaptation of crop management to waterlimited environments”, European Journal of Agronomy, Vol. 21, No. 4, pp. 433-446, 2004
[۲۸] C. Aubry, F. Papy, A. Capillon, “Modelling decision-making processes for annual crop management”, Agricultural Systems, Vol. 56, No. 1, pp. 45-65, 1998
[۲۹] R. E. Plant, “An artificial intelligence based method for scheduling crop management actions”, Agricultural Systems, Vol. 31, No. 1, pp. 127- 155, 1989
[۳۰] H. Lal, J. W. Jones, R. M. Peart, W. D. Shoup, “FARMSYS-A wholefarm machinery management decision support system”, Agricultural Systems, Vol. 38, No. 3, pp. 257-273, 1992
[۳۱] S. S. Snehal, S. V. Sandeep, “Agricultural crop yield prediction using artificial neural network approach”, International Journal of Innovative Research in Electrical, Electronics, Instrumentation and Control Engineering, Vol. 2, No. 1, pp. 683-686, 2014
[۳۲] T. Pilarski, M. Happold, H. Pangels, M. Ollis, K. Fitzpatrick, A. Stentz, The Demeter System for Automated Harvesting, Springer, 2002
[۳۳] E. J. V. Henten, J. Hemming, B. A. J. V. Tuijl, J. G. Kornet, J. Meuleman, J. Bontsema, E. A. V. Os, An Autonomous Robot for Harvesting Cucumbers in Greenhouses, Springer, 2002
[۳۴] H. Song, Y. He, “Crop Nutrition Diagnosis Expert System Based on Artificial Neural Networks”, ۳rd International Conference on Information Technology and Applications, Sydney, Australia, July 4–۷, ۲۰۰۵
[۳۵] E. I. Papageorgiou, A. T. Markinos, T. A. Gemtos, “Fuzzy cognitive map based approach for predicting crop production as a basis for decision support system in precision agriculture application”, Applied Soft Computing, Vol. 11, No. 4, pp. 3643-3657, 2011
[۳۶] X. Dai, Z. Huo, H. Wang, “Simulation of response of crop yield to soil moisture and salinity with artificial neural network”, Field Crops Research, Vol. 121, No. 3, pp. 441-449, 2011
[۳۷] C. C. Yang, S. O. Prasher, J. A. Landry, H. S. Ramaswamy, “Development of herbicide application map using artificial neural network and fuzzy logic”, Agricultural Systems, Vol. 76, No. 2, pp. 561- 574, 2003
[۳۸] B. Ji, Y. Sun, S. Yang, J. Wan, “Artificial neural networks for rice yield prediction in mountainous regions”, Journal of Agricultural Science, Vol. 145, No. 3, pp. 249-261, 2007
[۳۹] BEA, Value Added by Industry as a Percentage of Gross Domestic Product, available at: https://apps.bea.gov/iTable/iTable.cfm?ReqID=51 &step=1#reqid=51&step=51&isuri=1&5114=a&5102=5, 2018
[۴۰] Weed Science Society of America, Facts About Weeds, available at: http://wssa.net/wp-content/uploads/WSSA-Fact-SheetFinal.pdf
[۴۱] J. Fang, C. Zhang, S. Wang, “Application of Genetic Algorithm (GA) Trained Artificial Neural Network to Identify Tomatoes with Physiological Diseases”, International Conference on Computer and Computing Technologies in Agriculture, Wuyishan, China, August 18- 20, 2007
[۴۲] K. Balleda, D. Satyanvesh, N. V. S. S. P. Sampath, K. T. N. Varma, P. K. Baruah, “Agpest: An Efficient Rule-Based Expert System to Prevent Pest Diseases of Rice & Wheat Crops”, ۸th International Conference on Intelligent Systems and Control, Coimbatore, India, January 10–۱۱, ۲۰۱۴
[۴۳] J. Jesus, T. Panagopoulos, A. Neves, “Fuzzy Logic and Geographic Information Systems for Pest Control in Olive Culture”, ۴th IASME/WSEAS International Conference on Energy, Environment, Ecosystems & Sustainable Development, Algarve, Portugal, June 11–۱۳, ۲۰۰۸
[۴۴] S. Kolhe, R. Kamal, H. S. Saini, G. K. Gupta, “A web-based intelligent disease-diagnosis system using a new fuzzy-logic based approach for drawing the interferences in crops”, Computers and Electronics in Agriculture, Vol. 76, No. 1, pp. 16-27, 2011
[۴۵] S. Kolhe, R. Kamal, H. S. Saini, G. K. Gupta, “An intelligent multimedia interface for fuzzy-logic based inference in crops”, Expert Systems with Applications, Vol. 38, No. 12, pp. 14592-14601, 2011
[۴۶] M. Y. Munirah, M. Rozlini, Y. M. Siti, “An Expert System Development: Its Application on Diagnosing Oyster Mushroom Diseases”, ۱۳th International Conference on Control, Automation and Systems, Gwangju, South Korea, October 20-23, 2013
[۴۷] G. Liu, X. Yang, Y. Ge, Y. Miao, “An Artificial Neural Network–Based Expert System for Fruit Tree Disease and Insect Pest Diagnosis”, International Conference on Networking, Sensing and Control, Lauderdale, USA, April 23–۲۵, ۲۰۰۶
[۴۸] F. Siraj, N. Arbaiy, “Integrated Pest Management System Using Fuzzy Expert System”, Knowledge Management International Conference & Exhibition, Kuala Lumpur, Malaysia, June 6–۸, ۲۰۰۶
[۴۹] P. Virparia, “A Web Based Fuzzy Expert System for Insect Pest Management in Groundnut Crop ‘Prajna’”, Journal Of Pure & Applied Sciences, Vol. 15, pp. 36-41, 2007
[۵۰] X. Wang, M. Zhang, J. Zhu, S. Geng, “Spectral prediction of phytophthora infestans infection on tomatoes using artificial neural network”, International Journal of Remote Sensing, Vol. 29, No. 6, pp. 1693-1706, 2006
[۵۱] K. N. Harker, “Survey of yield losses due to weeds in central Alberta”, Canadian Journal of Plant Science, Vol. 81, No. 2, pp. 339–۳۴۲, ۲۰۰۱
[۵۲] M. Khan, N. Haq, “Wheat crop yield loss assessment due to weeds”, National Agricultural Research Cen intensification tre, Vol. 18, No. 4, pp. 449–۴۵۳, ۲۰۰۲
[۵۳] S. Fahad, S. Hussain, B. S. Chauhan, S. Saud, C. Wu, S. Hassan, M. Tanveer, A. Jan, J. Huang, “Weed growth and crop yield loss in wheat as influenced by row spacing and weed emergence times”, Crop Protection, Vol. 71, pp. 101–۱۰۸, ۲۰۱۵
[۵۴] A. N. Rao, S. P. Wani, J. K. Ladha, Weed Management Research in India-An Analysis of the Past and Outlook for Future, ICAR, 2014
[۵۵] A. Datta, H. Ullah, N. Tursun, T. Pornprom, S. Z. Knezevic, B. S. Chauhan, “Managing weeds using crop competition in soybean [Glycine max(L.) Merr.]”, Crop Protection, Vol. 95, pp. 60–۶۸, ۲۰۱۷
[۵۶] T. Mruthul, Chemical weed management in sesame (Sesamum indicum L.), MSc Thesis, College of Agriculture, Raichur, University of Agricultural Sciences, 2015
[۵۷] C. J. Swanton, R. Nkoa, R. E. Blackshaw, “Experimental methods for crop-weed competition studies”, Weed Science Society of America, Vol. 63, No. 1, pp. 2–۱۱, ۲۰۱۵
[۵۸] P. Jha, V. Kumar, R. K. Godara, B. S. Chauhan, “Weed management using crop competition in the United States: A Review”, Crop Protection, Vol. 95, pp. 31–۳۷, ۲۰۱۷
[۵۹] P. Milberg, E. Hallgren, “Yield loss due to weeds in cereals and its large-scale variability in Sweden”, Field Crops Research, Vol. 86, No. 2–۳, pp. 199–۲۰۹, ۲۰۰۴
[۶۰] C. J. Swanton, K. N. Harker, R. L. Anderson, “Crop losses due to weeds in Canada”, Weed Technology, Vol. 7, No. 2, pp. 537–۵۴۲, ۱۹۹۳
[۶۱] A. M. Tobal, S. A. Mokhtar, “Weeds identification using evolutionary artificial intelligence algorithm”, Journal of Computer Science, Vol. 10, No. 8, pp. 1355-1361, 2014
[۶۲] P. Moallem, N. Razmjooy, “A multi-layer perception neural network trained by invasive weed optimization for potato color image segmentation”, Trends in Applied Sciences Research, Vol. 7, No. 6, pp. 445-455, 2012
[۶۳] M. Brazeau, “Fighting Weeds: Can we Reduce, or Even Eliminate, Herbicides by Utilizing Robotics and AI”, available at: https://geneticliteracyproject.org/2018/12/12/fighting-weeds-can-wereduce-or-even-eliminate-herbicide-use-through-robotics-and-ai/, 2018
[۶۴] M. P. Ortiz, P. A. Gutierrez, J. M. Pena, J. T. Sanchez, F. L. Granados, C. H. Martinez, “Machine Learning Paradigms for Weed Mapping Via Unmanned Aerial Vehicles”, Symposium Series on Computational Intelligence, Athens, Greece, December 6–۹, ۲۰۱۶
[۶۵] L. Stigliani, C. Resina, “Seloma: Expert system for weed management in herbicide-intensive crops”, Weed Technology, Vol. 7, No. 3, pp. 550- 559, 1993
[۶۶] Y. Karimi, S. O. Prasher, R. M. Patel, S. H. Kim, “Application of support vector machine technology for weed and nitrogen stress detection in corn”, Computers and Electronics in Agriculture, Vol. 51, No. 1-2, pp. 99-109, 2006
[۶۷] R. Gerhards, S. Christensen, “Real-time weed detection, decisionmaking and patch-spraying in maize, sugarbeet, winter wheat and winter barley”, Wiley Online Library, Vol. 43, No. 6, pp. 385-392, 2003
[۶۸] F. L. Granados, “Weed detection for site-specific weed management: Mapping and real-time approaches”, Weed Research, Vol. 51, No. 1, pp. 1-11, 2011
[۶۹] C. C. Yang, S. O. Prasher, J. Laundry, H. S. Ramaswamy, “Development of neural networks for weed recognition in corn fields”, American Society of Agricultural and Biological Engineers, Vol. 45, No. 3, pp. 859-864, 2002
[۷۰] E. G. Rajotte, T. Bowser, J. W. Travis, R. M. Crassweller, W. Musser, D. Laughland, C. Sachs, “Implementation and Adoption of an Agricultural Expert System: The Penn State Apple Orchard Consultant”, in: International Symposium on Computer Modelling in Fruit Research and Orchard Management, ISHS, 1992
[۷۱] S. L. Teal, A. I. Rudnicky, “A Performance Model of System Delay and User Strategy Selection”, Conference on Human Factors in Computing Systems, California, USA, May 3-7, 1992
[۷۲] R. Washington, B. H. Roth, “Input Data Management in Real-Time AI System”, ۱۱th International Joint Conference on Artificial Intelligence, Michigan, USA, August 20-25, 1989
[۷۳] P. Mowforth, I. Bratko, AI and Robotics: Flexibility and Integration, Cambridge University Press, 1987
[۷۴] D. G. Panpatte, Artificial Intelligence in Agriculture: An Emerging Era of Research, Anand Agricultural University, 2018
[۷۵] T. Duckett, S. Pearson, S. Blackmore, B. Grieve, Agricultural Robotics: The Future of Robotic Agriculture, UK-RAS, 2018

منابع : ناموجود
نویسندگان : ناموجود
چه امتیازی می دهید؟
5 / 5.00
[ 1 رای ]

برچسب ها :

ناموجود

موسسه آموزش عالی قناوران حکیم


توضیحات توضیحات توضیحات

توضیحات