مروری بر یادگیری ماشین برای تشخیص آفات گوجه‌فرنگی

نویسندگان
کِرتیواسان, ام. ID 1
کوکیلاوانی, اس. ID 2
شانتی, ام. ID 3
ایلایاباراتی, تی. ID 4
شانموگام, پی. اس. ID 5
سلوِوا کومار, ام. ID 6
دیباکاران, گا. ID 7
پنگایار سلوِی, آر. ID 8
مورُوگان, ام. ID 9

1 مرکز پژوهش اقلیم‌کشاورزی، دانشگاه کشاورزی تامیل نادو، کویمباتور، تامیل نادو، هند

2 مرکز پژوهش اقلیم‌کشاورزی، دانشگاه کشاورزی تامیل نادو، کویمباتور، تامیل نادو، هند

3 مرکز مطالعات حفاظت گیاه، دانشگاه کشاورزی تامیل نادو، کویمباتور، تامیل نادو، هند

4 گروه حشره‌شناسی کشاورزی، دانشگاه کشاورزی تامیل نادو، کویمباتور، تامیل نادو، هند

5 گروه حشره‌شناسی کشاورزی، دانشگاه کشاورزی تامیل نادو، کویمباتور، تامیل نادو، هند

6 مرکز پژوهش اقلیم‌کشاورزی، دانشگاه کشاورزی تامیل نادو، کویمباتور، تامیل نادو، هند

7 مرکز پژوهش اقلیم‌کشاورزی، دانشگاه کشاورزی تامیل نادو، کویمباتور، تامیل نادو، هند

8 گروه علوم فیزیکی و فناوری اطلاعات، دانشگاه کشاورزی تامیل نادو، کویمباتور، تامیل نادو، هند

9 گروه حشره‌شناسی کشاورزی، دانشگاه کشاورزی تامیل نادو، کویمباتور، تامیل نادو، هند

doi
10.22067/jam.2025.90762.1314
چکیده

تاثیر یک مولفه جوی یا متغیر هواشناسی بر میزبان، پاتوژن یا تعامل آن‌ها در محیط‌های کنترل‌شده، بخش عمده‌ای از تاثیر تغییرات اقلیمی بر آفات و بیماری‌های گیاهان را به خود اختصاص داده است. تغییرات اقلیمی می‌تواند منجر به تغییراتی در مراحل و سرعت رشد آفات و بیماری‌ها، مقاومت میزبان و فیزیولوژی تعاملات میزبان-پاتوژن یا میزبان-آفت شود که می‌تواند باعث آسیب قابل‌توجه و کاهش عملکرد محصول گوجه‌فرنگی گردد. در سال‌های گذشته، رویکردهای مختلف در پیش‌بینی دقیق آفات و بیماری‌ها ناموفق بوده‌اند. ولی پیشرفت قابل‌توجه در شبکه‌های عصبی کانولوشن عمیق (DCNN)، باعث ایجاد انقلابی در تشخیص زودهنگام آفات و بیماری‌ها در محصولات کشاورزی شده است. این مدل‌های هوش مصنوعی با تجزیه و تحلیل مقادیر زیادی از داده‌های اقلیمی حال حاضر و گذشته، در کنار شناسایی اشیا و طبقه‌بندی تصاویر، می‌توانند شیوع بیماری‌ها را با دقت چشمگیری پیش‌بینی کنند. با این حال، درک ریزاقلیم خاص مناسب برای هر آفت و بیماری برای مداخله موثر بسیار مهم است. ترکیب دو عنصر داده‌های اقلیمی با پردازش تصویر، یک رویکرد قدرتمند و هدفمند برای حفاظت از محصولات ایجاد می‌کند. یک سیستم هشداردهنده می‌تواند به کاهش استفاده از آفت‌کش‌ها کمک کند و در نتیجه هزینه تولید محصول و آلودگی محیط‌زیست را کاهش دهد. برای پیش‌بینی بهتر آفات و بیماری‌ها در شرایط مختلف، باید از سرورهای ابری مناسب و شبکه‌های حسگر مبتنی بر اینترنت اشیا استفاده کرد.

کلیدواژه‌ها
CNN, پیش‌بینی آفات, خرد اقلیم, گوجه‌فرنگی, یادگیری ماشین