Παρακολούθηση της κατάστασης των καλλιεργειών με τη χρήση Διαδικτύου των Πραγμάτων και μεθόδων Τεχνητής Νοημοσύνης
Aristotle University of Thessaloniki · 01.01.2024
DOI: 10.26262/heal.auth.ir.363205 ↗Kurz gefasst
Fachartikel in der Zeitschrift Aristotle University of Thessaloniki, erschienen am 01.01.2024. Verfasst von Antonios Morellos.
Abstract (Originalsprache)
Στη σύγχρονη γεωργία, οι παραδοσιακές μέθοδοι παρακολούθησης καλλιεργειών, όπως οι χειροκίνητες επιθεωρήσεις και η περιοδική δειγματοληψία, περιορίζονται από σημαντικές αδυναμίες, όπως η έλλειψη ακρίβειας, η εξάρτηση από υποκειμενικές εκτιμήσεις των εργατών και η αδυναμία παροχής δεδομένων σε πραγματικό χρόνο. Αυτά τα μειονεκτήματα συχνά οδηγούν σε καθυστερημένες αντιδράσεις σε προβλήματα όπως οι ασθένειες των φυτών, σε αναποτελεσματική χρήση πόρων και μείωση των αποδόσεων, επηρεάζοντας την παραγωγικότητα και τη βιωσιμότητα. Η παρούσα διδακτορική διατριβή αντιμετωπίζει αυτές τις προκλήσεις εξετάζοντας την ενσωμάτωση τεχνολογιών Διαδικτύου των Πραγμάτων (IoT) και Τεχνητής Νοημοσύνης (AI) για την ενίσχυση της γεωργία ακριβείας. Οι συσκευές IoT, όπως αισθητήρες και μικροελεγκτές, επιτρέπουν τη συνεχή συλλογή δεδομένων σε πραγματικό χρόνο από τα χωράφια, ενώ οι τεχνικές AI, συμπεριλαμβανομένης της μηχανικής και βαθιάς μάθησης, επεξεργάζονται αυτά τα δεδομένα για να εντοπίσουν μοτίβα, να προβλέψουν πιθανά προβλήματα και να προτείνουν έγκαιρες παρεμβάσεις. Η έρευνα παρουσιάζει πέντε πρωτοποριακές εφαρμογές: πρώτον, ένα φασματοφωτόμετρο με μηχανική μάθηση ανιχνεύει τον ιό Tomato Chlorosis Virus σε νεαρά φυτά τομάτας πριν την εμφάνιση συμπτωμάτων, επιτρέποντας έγκαιρη δράση· δεύτερον, τρεις εφαρμογές παρακολούθησης της υγείας αμπελώνων χρησιμοποιούν βαθιά μάθηση και μεταφερόμενη μάθηση για ανάλυση εικόνων εγγύς και απομακρυσμένης παρακολούθησης (RGB, πολυφασματικές και υπερφασματικές εικόνες) για ανίχνευση ασθενειών, με μία προσαρμοσμένη, για χρήση σε πραγματικό χρόνο, συσκευή περιορισμένων πόρων όπως το Raspberry Pi· και τρίτον, ένα σύστημα προβλέπει την προσβολή από Fusarium Head Blight σε χειμερινό σιτάρι συνδυάζοντας δορυφορικές εικόνες, δεδομένα από αισθητήρες IoT για περιβαλλοντικές συνθήκες και μετρήσεις εδάφους. Αυτές οι εφαρμογές πέτυχαν εξαιρετικά αποτελέσματα, με ακρίβειες ταξινόμησης άνω του 90% και συντελεστές προσδιορισμού πάνω από 0.9, αποδεικνύοντας την αποτελεσματικότητά τους. Τα ευρήματα δείχνουν ότι η ενσωμάτωση IoT και AI σε Συστήματα Υποστήριξης Αποφάσεων μπορεί να μεταμορφώσει τη διαχείριση των αγροκτημάτων, προσφέροντας ακριβείς και βασισμένες σε δεδομένα πληροφορίες και βελτιστοποιώντας τις εισροές σε πόρους όπως το νερό και τα φυτοφάρμακα. Μελλοντικά, η διατριβή προτείνει την έρευνα ψηφιακών διδύμων—εικονικών αντιγράφων φυσικών συστημάτων—για περαιτέρω τελειοποίηση της γεωργικής ακρίβειας. Αυτή η εργασία τονίζει πώς το IoT και η AI μπορούν να φέρουν επανάσταση στην παρακολούθηση καλλιεργειών, ανοίγοντας τον δρόμο για πιο βιώσιμες και αποδοτικές γεωργικές πρακτικές.
Schlagwörter
Zitieren
APA
Morellos, A. (2024). Παρακολούθηση της κατάστασης των καλλιεργειών με τη χρήση Διαδικτύου των Πραγμάτων και μεθόδων Τεχνητής Νοημοσύνης. Aristotle University of Thessaloniki. https://doi.org/10.26262/heal.auth.ir.363205
Vancouver
Morellos A. Παρακολούθηση της κατάστασης των καλλιεργειών με τη χρήση Διαδικτύου των Πραγμάτων και μεθόδων Τεχνητής Νοημοσύνης. Aristotle University of Thessaloniki. 2024. doi:10.26262/heal.auth.ir.363205
BibTeX
@article{Morellos2024,
author = {Morellos, Antonios},
title = {Παρακολούθηση της κατάστασης των καλλιεργειών με τη χρήση Διαδικτύου των Πραγμάτων και μεθόδων Τεχνητής Νοημοσύνης},
journal = {Aristotle University of Thessaloniki},
year = {2024},
doi = {10.26262/heal.auth.ir.363205}
}
EUVIMED