POPRAWA ZDROWIA UPRAW DZIĘKI CYFROWEMU BLIŹNIAKOWI DO MONITOROWANIA CHORÓB I RÓWNOWAGI SKŁADNIKÓW ODŻYWCZYCH
##plugins.themes.bootstrap3.article.sidebar##
Numer Tom 14 Nr 1 (2024)
-
JESZCZE O CAŁKOWANIU LOGARYTMICZNYCH OSOBLIWOŚCI W METODZIE ELEMENTÓW BRZEGOWYCH
Tomasz Rymarczyk, Jan Sikora5-10
-
RÓWNANIA POLA ELEKTROMAGNETYCZNEGO W ŚRODOWISKU NIELINIOWYM
Viktor Lyshuk, Vasyl Tchaban, Anatolii Tkachuk, Valentyn Zablotskyi, Yosyp Selepyna11-16
-
OPTYCZNE ZMNIEJSZANIE WIDOCZNOŚCI POLA PLAMKOWEGO POPRZEZ REDUKCJĘ SPÓJNOŚCI CZASOWEJ
Mikhaylo Vasnetsov, Valeriy Voytsekhovich, Vladislav Ponevchinsky, Nataliia Kachalova, Alina Khodko, Oleksanr Mamuta, Volodymyr Pavlov, Vadym Khomenko, Natalia Manicheva17-20
-
WSKAŹNIKI JAKOŚCI DO WYKRYWANIA SYGNAŁÓW PROMIENIOWANIA BOCZNEGO Z EKRANÓW MONITORÓW PRZEZ WYSPECJALIZOWANE ŚRODKI TECHNICZNE WYWIADU WROGA
Dmytro Yevgrafov, Yurii Yaremchuk21-26
-
WPŁYW UDERZENIA PIORUNA NA HYBRYDOWĄ LINIĘ WYSOKIEGO NAPIĘCIA NAPOWIETRZNA LINIA PRZESYŁOWA – IZOLOWANA LINIA GAZOWA
Samira Boumous, Zouhir Boumous, Yacine Djeghader27-31
-
EFEKTYWNOŚĆ ENERGETYCZNA PANELI FOTOWOLTAICZNYCH W ZALEŻNOŚCI OD ROZDZIELCZOŚCI KROKU ŚLEDZENIA UKŁADU NADĄŻNEGO
Kamil Płachta32-36
-
CYFROWA REKONSTRUKCJA OBRAZÓW Z WYKORZYSTANIEM ALGORYTMU SURF
Shanmukhaprasanthi Tammineni, Swaraiya Madhuri Rayavarapu, Sasibhushana Rao Gottapu, Raj Kumar Goswami37-40
-
PODEJŚCIE TENSOROWE I WEKTOROWE DO ROZPOZNAWANIA OBIEKTÓW ZA POMOCĄ FILTRÓW CECH ODWROTNYCH
Roman Kvуetnyy, Yuriy Bunyak, Olga Sofina, Volodymyr Kotsiubynskyi, Tetiana Piliavoz, Olena Stoliarenko, Saule Kumargazhanova41-45
-
ARCHITEKTONICZNE, STRUKTURALNE I FUNKCJONALNE CECHY RÓWNOLEGŁO-HIERARCHICZNEJ ORGANIZACJI PAMIĘCI
Leonid Timchenko, Natalia Kokriatska, Volodymyr Tverdomed, Iryna Yepifanova, Yurii Didenko, Dmytro Zhuk, Maksym Kozyr, Iryna Shakhina46-52
-
SYMULACJA I MODELOWANIE KOMPUTEROWE DYNAMIKI KONSTRUKCJI MOSTÓW Z WYKORZYSTANIEM ANSYS
Anzhelika Stakhova, Adrián Bekö53-56
-
POPRAWA ZDROWIA UPRAW DZIĘKI CYFROWEMU BLIŹNIAKOWI DO MONITOROWANIA CHORÓB I RÓWNOWAGI SKŁADNIKÓW ODŻYWCZYCH
Sobhana Mummaneni, Tribhuvana Sree Sappa, Venkata Gayathri Devi Katakam57-62
-
PRZEGLĄD PODEJŚĆ DO MODELOWANIA PRZEWIDYWAŃ ZWIĄZANYCH Z WITRYNAMI INTERNETOWYMI
Patryk Mauer63-66
-
TWORZENIE WYSOCE WYSPECJALIZOWANYCH CHATBOTÓW DO ZAAWANSOWANEGO WYSZUKIWANIA
Andrii Yarovyi, Dmytro Kudriavtsev67-70
-
METODA OBLICZANIA WSKAŹNIKA BEZPIECZEŃSTWA INFORMACJI W MEDIACH SPOŁECZNOŚCIOWYCH Z UWZGLĘDNIENIEM DŁUGOŚCI ŚCIEŻKI MIĘDZY KLIENTAMI
Volodymyr Akhramovych, Yuriy Pepa, Anton Zahynei, Vadym Akhramovych, Taras Dzyuba, Ihor Danylov71-77
-
DOPASOWANIE ZGODNOŚCI W MODELACH 3D DLA DOPASOWANIA DŁONI 3D
Maksym Tymkovych, Oleg Avrunin, Karina Selivanova, Alona Kolomiiets, Taras Bednarchyk, Saule Smailova78-82
-
OPTYMALIZACJA DRZEWA DECYZYJNEGO OPARTA NA ALGORYTMIE GENETYCZNYM DO WYKRYWANIA DEMENCJI POPRZEZ ANALIZĘ MRI
Govada Anuradha, Harini Davu, Muthyalanaidu Karri83-89
-
MEDYCZNY ROZMYTY SYSTEM EKSPERCKI DO PRZEWIDYWANIA STOPNIA WSZCZEPIENIA IMPLANTÓW DENTYSTYCZNYCH U PACJENTÓW Z PRZEWLEKŁĄ CHOROBĄ WĄTROBY
Vitaliy Polishchuk, Sergii Pavlov, Sergii Polishchuk, Sergii Shuvalov, Andriy Dalishchuk, Natalia Sachaniuk-Kavets’ka, Kuralay Mukhsina, Abilkaiyr Nazerke90-94
-
POMIAR TEMPERATURY POWIERZCHNI KORZENIA PODCZAS OBTURACJI KANAŁÓW KORZENIOWYCH
Les Hotra, Oksana Boyko, Igor Helzhynskyy, Hryhorii Barylo, Pylyp Skoropad, Alla Ivanyshyn, Olena Basalkevych95-98
-
OCENA WYDAJNOŚCI OBRAZÓW TERMOGRAFICZNYCH DO PRZEWIDYWANIA STOPNIA GUZA PIERSI PRZY UŻYCIU DCNN
Zakaryae Khomsi, Mohamed El Fezazi, Achraf Elouerghi, Larbi Bellarbi99-104
-
KOMPLEKSOWE BADANIE: WYKRYWANIE TĘTNIAKA WEWNĄTRZCZASZKOWEGO ZA POMOCĄ HYBRYDOWEGO GŁĘBOKIEGO UCZENIA SIĘ VGG16-DENSENET NA OBRAZACH DSA
Sobhana Mummaneni, Sasi Tilak Ravi, Jashwanth Bodedla, Sree Ram Vemulapalli, Gnana Sri Kowsik Varma Jagathapurao105-110
-
DEFORMACJE MASY GLEBY POD DZIAŁANIEM CZYNNIKÓW CZŁOWIEKA
Mykola Kuzlo, Viktor Moshynskyi, Nataliia Zhukovska, Viktor Zhukovskyy111-114
-
OBLICZANIE PRZEPŁYWÓW PRACY BEZ PRZEPŁYWÓW PRACY: PODSTAWOWY ALGORYTM DYNAMICZNEGO KONSTRUOWANIA I PRZESZUKIWANIA NIEJAWNEGO SKIEROWANEGO GRAFU ACYKLICZNEGO W ŚRODOWISKU NIEDETERMINISTYCZNYM
Fedir Smilianets, Oleksii Finogenov115-118
-
INTELIGENTNA ANALIZA DANYCH NA PLATFORMIE ANALITYCZNEJ
Dauren Darkenbayev, Arshyn Altybay, Zhaidargul Darkenbayeva, Nurbapa Mekebayev119-122
Archiwum
-
Tom 16 Nr 2
2026-06-30 27
-
Tom 16 Nr 1
2026-03-30 27
-
Tom 15 Nr 4
2025-12-20 27
-
Tom 15 Nr 3
2025-09-30 24
-
Tom 15 Nr 2
2025-06-27 24
-
Tom 15 Nr 1
2025-03-31 26
-
Tom 14 Nr 4
2024-12-21 25
-
Tom 14 Nr 3
2024-09-30 24
-
Tom 14 Nr 2
2024-06-30 24
-
Tom 14 Nr 1
2024-03-31 23
-
Tom 13 Nr 4
2023-12-20 24
-
Tom 13 Nr 3
2023-09-30 25
-
Tom 13 Nr 2
2023-06-30 14
-
Tom 13 Nr 1
2023-03-31 12
-
Tom 12 Nr 4
2022-12-30 16
-
Tom 12 Nr 3
2022-09-30 15
-
Tom 12 Nr 2
2022-06-30 16
-
Tom 12 Nr 1
2022-03-31 9
##plugins.themes.bootstrap3.article.main##
Authors
gayathridevikatakam1@gmail.com
Abstrakt
Cyfrowe bliźniaki do cyfrowa replika obiektu fizycznego, która umożliwia obserwację jego działania w czasie rzeczywistym, gromadzenie danych i rekomendowanie działań naprawczych, jeśli jest to wymagane w celu poprawy jego wydajności. Ta fascynująca koncepcja technologiczna dociera obecnie do dziedzin rolnictwa, aby przekształcić rolnictwo, tworząc cyfrowe bliźniaki całych gospodarstw. Inicjatywa ta przedstawia innowacyjną strategię mającą na celu poprawę zdrowia i plonów upraw poprzez stworzenie cyfrowego bliźniaka pól ryżowych. Celem jest umożliwienie wczesnego wykrywania niedoborów składników odżywczych i zarazy liści, co doprowadzi do transformacji rolnictwa. Tworząc wirtualne repliki roślin i pól, cyfrowy bliźniak wykorzystuje dane w czasie rzeczywistym i zaawansowane analizy, aby zmienić sposób zarządzania systemami rolniczymi. Dzięki integracji teledetekcji, analizy danych i różnych urządzeń Internetu rzeczy, takich jak czujniki pH, azotu, potasu i fosforu, w połączeniu z systemem bramek, cyfrowy bliźniak zapewnia monitorowanie i analizę stanu upraw i poziomów składników odżywczych w czasie rzeczywistym. Zastosowanie zaawansowanych algorytmów uczenia maszynowego, w szczególności konwolucyjnych sieci neuronowych, zapewnia precyzyjne i wczesne wykrywanie niedoborów składników odżywczych i chorób upraw. Ta przełomowa technologia zapewnia rolnikom aktualne alerty i przydatne informacje, umożliwiając proaktywne podejmowanie decyzji w celu optymalnego zarządzania uprawami. Ten cyfrowy bliźniak pól uprawnych reprezentuje transformacyjne podejście do zrównoważonego rozwoju rolnictwa i zwiększania produktywności.
Słowa kluczowe:
Bibliografia
Abbas A. et al.: Drones in Plant Disease Assessment, Efficient Monitoring, and Detection: A Way Forward to Smart Agriculture. Agronomy 13(6), 2023, 1524.
Asibi A. E., Chai Q., Coulter J. A.: Rice blast: A disease with implications for global food security. Agronomy 9(8), 2019, 451.
Awan J.: Digital Twins for Agriculture - Blog Des Fraunhofer IESE. Fraunhofer IESE, 25 Nov. 2020 [www.iese.fraunhofer.de/blog/digital-twins-agriculture] (avaible 29.09.2023).
Bastiaans L.: Effects of leaf blast on growth and production of a rice crop: 1. Determining the mechanism of yield reduction. Netherlands Journal of Plant Pathology 99, 1993, 323–334.
Blast (Leaf and Collar), IRRI Rice Knowledge Bank. [www.knowledgebank.irri.org,www.knowledgebank.irri.org/training/fact-sheets/pest-management/diseases/item/blast-leaf-collar] (avaible 29.09.2023).
Bravo C. et al.: Early disease detection in wheat fields using spectral reflectance. Biosystems Engineering 84(2), 2003, 137–145.
Chaux J. D. et al.: A digital twin architecture to optimize productivity within controlled environment agriculture. Applied Sciences 11(19), 2021, 8875.
Jose A. et al.: Detection and classification of nutrient deficiencies in plants using machine learning. Journal of Physics: Conference Series 1850(1), 2021.
Kalaji H. M. et al.: Chlorophyll fluorescence as a tool for nutrient status identification in rapeseed plants. Photosynthesis Research 136, 2018, 329–343.
Latte M. V., Shidnal S., Anami B. S.: Rule based approach to determine nutrient deficiency in paddy leaf images. International Journal of Agricultural Technology 13(2), 2017, 227–245.
Lau H. Y., Botella J. R.: Advanced DNA-based point-of-care diagnostic methods for plant diseases detection. Frontiers in plant science 8, 2017.
Nayak A. et al.: Application of smartphone-image processing and transfer learning for rice disease and nutrient deficiency detection. Smart Agricultural Technology 4, 2023, 100195.
Nutrient-Deficiency-Symptoms-In-Rice. [www.kaggle.com/datasets/guy007/nutrientdeficiencysymptomsinrice] (avaible 27.09.2023).
Paiman J. et al.: Maximizing the Rice Yield (Oryza Sativa L.) Using NPK Fertilizer. The Open Agriculture Journal 15(1), 2021, 33–38, [https://doi.org/10.2174/1874331502115010033].
Peladarinos N. et al.: Enhancing smart agriculture by implementing digital twins: A comprehensive review. Sensors 23(16), 2023, 7128.
Rice Blast, Rice, Agriculture: Pest Management Guidelines. UC Statewide IPM Program (UC IPM) [ipm.ucanr.edu/agriculture/rice/rice-blast] (avaible 29.09.2023).
Rice Diseases Image Dataset [www.kaggle.com/datasets/minhhuy2810/rice-diseases-image-dataset] (avaible 29.09.2023).
Rice Production by Country. World Agricultural Production 2023/2024 [www.worldagriculturalproduction.com/crops/rice.aspx] (avaible 29.09.2023).
Shivappa R. et al.: Emerging minor diseases of rice in India: losses and management strategies. Integrative Advances in Rice Research, 2021.
Talukder Md S. H. et al.: An Improved Model for Nutrient Deficiency Diagnosis of Rice Plant by Ensemble Learning. 4th International Conference on Sustainable Technologies for Industry 4.0 (STI). IEEE, 2022.
Terentev A., Dolzhenko V.: Can Metabolomic Approaches Become a Tool for Improving Early Plant Disease Detection and Diagnosis with Modern Remote Sensing Methods? A Review. Sensors 23(12), 2023, 5366.
Wang C. et al.: Classification of nutrient deficiency in rice based on CNN model with Reinforcement Learning augmentation. International Symposium on Artificial Intelligence and its Application on Media (ISAIAM). IEEE, 2021.
Xu Z. et al.: Using deep convolutional neural networks for image-based diagnosis of nutrient deficiencies in rice. Computational Intelligence and Neuroscience, 2020, 7307252.
##plugins.themes.bootstrap3.article.details##
Abstract views: 981
Downloads: 752

