ماشین های کشاورزی

چکیده مکانیزاسیون کشاورزی محرک حیاتی بهره‌وری، امنیت غذایی و کشاورزی پایدار در زیمبابوه و مناطق مختلف جهان است. در سراسر چشم‌اندازها و سیستم‌های کشاورزی متنوع در جهان، قدرت تحول‌آفرین آن به‌طور فزاینده‌ای به‌عنوان امری ضروری برای برآورده کردن نیازهای رو به رشد غذایی و تقویت اقتصادهای روستایی مقاوم شناخته می‌شود. با این وجود، کشاورزان خرده‌مالک با موانع متعددی برای مکانیزاسیون مواجه هستند که توانایی آن‌ها را در بهره‌مندی کامل از فناوری‌های مدرن کشاورزی محدود می‌کند. در دوران پس از اصلاحات ارضی، ناکارآمدی‌های سیستمی، نابرابری‌های مداوم و حمایت ناکافی نهادها، این چالش‌ها را تشدید کرده است. این مطالعه یک بررسی مروری روایی، با پشتیبانی از تکنیک‌های هدفمند، برای ترکیب داده‌های نشریات داوری شده، گزارش‌های سیاست‌گذاری و اسناد نهادی (2024-2000) است. منابع از طریق جستجوی کلمات کلیدی در Google Scholar، Scopus و ادبیات خاکستری شناسایی شدند و از تحلیل موضوعی برای استخراج موانع و فرصت‌ها در چشم‌انداز مکانیزاسیون زیمبابوه استفاده شد. یافته‌های کلیدی نشان می‌دهد که در حال حاضر تنها 12% از کشاورزان خرده‌پا در زیمبابوه از تراکتور استفاده می‌کنند، در حالی‌که 80% از کشاورزان بزرگ از تراکتور استفاده می‌کنند. مکانیزاسیون پتانسیل دو برابر کردن بازده محصول را دارد، که با افزایش 100% بهره‌وری در زیمبابوه و تا 150% در کشورهای مشابه مشهود است. با این حال، نابرابری‌های منطقه‌ای همچنان شدید است، به‌طوری‌که نرخ مکانیزاسیون از 5 تا 15 درصد در استان‌های خشک مانند ماتابلند جنوبی تا بیش از 50% در مناطق پربارتر مانند ماشونالند غربی متغیر است. با وجود این چالش‌ها، فرصت‌هایی برای پیشبرد مکانیزاسیون از طریق مراکز تولید محلی، فناوری‌های مقاوم در برابر آب و هوا و مدل‌های تامین مالی نوآورانه وجود دارد. این مطالعه با بررسی مقایسه‌ای ابتکارات موفق مکانیزاسیون در سایر کشورهای آفریقایی، استراتژی‌های عملی مانند بهبود انسجام سیاست‌ها، گسترش گزینه‌های تامین مالی مقرون به صرفه و تقویت مشارکت‌های دولتی و خصوصی را برجسته می‌کند.

چکیده سویا به‌عنوان یک غله، روغن و محصول اقتصادی حیاتی در چین عمل می‌کند، با این حال این کشور در حال حاضر برای این محصول نرخ خودکفایی نگران‌کننده‌ای دارد. فرآیند کاشت، که بحرانی‌ترین مرحله تولید سویا است، به‌طور مستقیم عملکرد و کیفیت محصول را تعیین می‌کند. نکته قابل‌توجه این است که عملکرد نامطلوب دستگاه‌های کاشت دقیق بذر، به دلیل مشکلات مربوط به دقت کاشت بذر، همچنان گلوگاه اصلی محدودکننده افزایش عملکرد است. هدف این مطالعه، تجزیه و تحلیل وضعیت فعلی تولید سویا، برجسته کردن پیشرفت‌های تکنولوژیکی در دستگاه‌های کاشت بذر و ارائه استراتژی‌های بهبود برای افزایش کیفیت کاشت و کاهش وابستگی به واردات است و در نتیجه یک مبنای نظری ارائه می‌دهد. این مقاله منابع را به‌طور سیستماتیک از پایگاه‌های داده‌ای مانند CNKI، Web of Science، Elsevier و IEEE Xplore که شامل مقالات مجلات معتبر علمی، اسناد ثبت اختراع و گزارش‌های صنعتی منتشرشده هستند بین سال‌های 2000 تا 2024 استخراج نمود. این مقاله تجزیه و تحلیل مقایسه‌ای از انواع، اصول کار و پیشرفت تحقیقات در دستگاه‌های کاشت بذر سویا در چین و دیگر کشورها انجام می‌دهد. نتایج نشان داد که دستگاه‌های کاشت بذر چینی عمدتا مکانیکی هستند و مشکلاتی مانند آسیب بیش از حد به بذر و میزان بالای بذر تلف شده دارند، در حالی‌که ماشین های کاشت بذر در برخی کشورها بصورت پنوماتیک بوده و دقت بالایی دارند اما هزینه آنها بالاست و مشکل قابلیت انطباق دارند.

چکیده زنجرک خرما با تضعیف درختان خرما و کاهش تولید میوه، کشاورزی در خاورمیانه را تهدید می‌کند. شناسایی محل آلودگی برای کنترل موثر آفات بسیار مهم است. با این حال، بازرسی منظم میدانی می‌تواند پرهزینه، دشوار و زمان‌بر باشد، به‌خصوص در مناطق وسیع. این مطالعه توانایی تصاویر ماهواره‌ای چندطیفی سنتینل-۲ را برای شناسایی مکان‌های هجوم زنجرک خرما برای بهبود نظارت و فعال کردن کنترل فوری آفات، در نتیجه کاهش خسارات مالی، ارزیابی می‌کند. آزمایش صحرایی برای ارزیابی آلودگی در اردیبهشت 1402 همزمان با اوج شیوع آفت انجام شد. شدت آلودگی از طریق شمارش آفات در نخلستان‌های منطقه شهری بم تعیین شد. تصاویر چندطیفی سنتینل-۲ از یک منطقه خاص به‌دست آمد، برای تصحیح، آماده‌سازی داده‌های خام و استخراج اطلاعات پردازش شد. پس از مرحله پیش‌پردازش، مدل طبقه‌بندی‌کننده K-Nearest Neighbor مبتنی بر درخت KD برای توسعه مدلی با تمرکز بر شناسایی مکان‌های آلوده انتخاب شد. برای آموزش، 70 درصد از داده‌های میدانی اندازه‌گیری‌شده، شامل مناطق غیرآلوده و مناطق با سه سطح آلودگی از سبک تا شدید و همچنین سایر ویژگی‌های زمین مانند ساختمان‌ها، جاده‌ها و غیره استفاده شد. 30 درصد باقی‌مانده داده‌ها برای ارزیابی مدل آموزش‌دیده استفاده شد. مدل طبقه‌بند آموزش‌دیده در مقایسه با داده‌های حقیقت پایه، در حدود 83 درصد پیش‌بینی‌های درست را با مجموعه داده آزمایشی به‌دست آورد. این دقت، توانایی تصاویر چندطیفی سنتینل-۲ و یادگیری ماشینی را برای شناسایی هجوم حشرات به زنجرک خرما در نخلستان‌ها برجسته می‌کند و می‌تواند مدیریت هدفمند و پایدار آفات را تسهیل کند.

چکیده

چکیده ﺍﻣﺮﻭﺯﻩ ﺳﻨﺠﺶ ﺍﺯ ﺩﻭﺭ ﺑﻪﻋﻨﻮﺍﻥ ﻳﮏ ﺍﺑﺰﺍﺭ ﻣﺪﻳﺮﻳﺘﻲ در ﮐﺸﺎﻭﺭﺯﻱ ﺩﻗﻴﻖ محسوب می‌شود، که نقش مهمی در شناسایی پوشش‌های گیاهی متفاوت دارد. انگور از ارزشمندترین محصولات باغبانی است که استان همدان حدود 7.3 درصد از وسعت تاکستان‌های کشور را در اختیار دارد. با این حال توزیع جغرافیایی از تاکستان‌ها در این استان وجود ندارد. هدف اصلی این پژوهش، بررسی رابطه عملکرد محصول انگور با شاخص‌های سنجش از دور پوشش گیاهی در تاکستان‌های استان همدان است. به همین منظور، دقت شناسایی تاکستان‌های استان همدان توسط الگوریتم‌های یادگیری ماشین شامل: ماشین بردار پشتیبان (SVM) و حداقل فاصله (MD) و جنگل تصادفی (RF) با شاخص‌های سنجش از دور پوشش گیاهی شامل: شاخص تفاضلی نرمال‌شده گیاهی (NDVI) و شاخص تفاضلی نرمال‌شده آب (NDWI) برآوردشده از تصاویر ترکیبی اپتیکی و رادارای سنتینل (Sentinel-1 و Sentinel-2) انجام شد. سپس براساس دقیق‌ترین نقشه شناسایی تاکستان‌ها، سری زمانی ماکزیمم شاخص‌های NDVI و NDWI سنجنده‌ی مودیس در تاکستان‌ها در سال‌های 2007 تا 2020 برآورد شد و همبستگی آن‌ها با عملکرد واقعی محصول انگور بررسی شد. مقایسه دقت طبقه‌بندی الگوریتم‌های متفاوت بیانگر برتری الگوریتم RF با شاخص NDWI با بالاترین دقت کلی (%95) و ضریب کاپا (0.95) بود. هم‌چنین تحلیل همبستگی بین شاخص‌های NDVI و NDWI سنجنده مودیس مستخرج از نقشه تاکستان‌ها با عملکرد واقعی انگور نشان از رابطه خطی قوی‌تری بین شاخصNDVI  نسبت به NDWI دارد. یافته‌های این پژوهش که بیانگر دقت بالای شاخص‌های سنجش از دور و الگوریتم‌های یادگیری ماشین در تاکستان‌ها است می‌تواند در پیش‌بینی عملکرد محصول انگور قبل از برداشت، بهبود کیفیت انگور و مدیریت بهینه‌ی آبیاری نقش مهمی داشته باشد.

چکیده توسعه یک سیستم هوشمند دقیق و قابل‌اعتماد برای مدیریت بیماری‌های برگ درختان برای کشاورزان بسیار ضروری است. این مطالعه با هدف توسعه یک راهکار مبتنی بر هوش مصنوعی برای شناسایی بیماری‌های برگ درختان به، با استفاده از یک مدل پیشرفته و تک‌مرحله‌ای تشخیص اشیاء به نام YOLO انجام شده است. تصاویر بیماری‌های مختلف برگ این درخت از منابع متعدد، شامل مراکز تحقیقاتی کشاورزی استان اصفهان، وب‌سایت‌های مرتبط و پژوهشگران گردآوری شده است. در این پژوهش، از رویکرد یادگیری انتقالی برای ارزیابی عملکرد سه مدل شناخته‌شده YOLO شامل YOLOv5m، YOLOv7 و YOLOv8m استفاده شد. ارزیابی و مقایسه مدل‌های مورد بررسی بر اساس شاخص‌های آماری مانند دقت (Precision)، بازخوانی (Recall)، امتیاز F1 انجام گرفت. نتایج نشان داد که دقت مدل‌های YOLOv5m، YOLOv7 و YOLOv8m به‌ترتیب 78%، 83% و 87% بوده است. نتایج تجربی نشان داد که مدل YOLOv8m توانایی قابل‌توجهی در شناسایی بیماری‌های برگ درختان به دارد. علاوه بر این، مقایسه مدل‌ها نشان داد که مدل YOLOv8m با امتیازات 0.87 برای دقت، 0.66 برای بازخوانی، 0.69 برای امتیاز F1 و 0.67 برای میانگین دقت، عملکرد بهتری نسبت به سایر مدل‌های بررسی‌شده دارد. بر اساس نتایج کلی این پژوهش، مدل YOLOv8m آموزش‌دیده در این مطالعه می‌تواند به‌عنوان ابزاری تخصصی برای این محصول خاص معرفی شود. بنابراین، مدل توسعه‌یافته در این مطالعه که به‌طور ویژه برای بیماری‌های برگ درخت به طراحی شده است، می‌تواند در نرم‌افزارهای تشخیصی بیماری برگ درختان ادغام شود. چنین نرم‌افزارهایی می‌توانند به کشاورزان در تشخیص دقیق بیماری‌ها کمک کرده و در نهایت زیان‌های اقتصادی را کاهش دهند.

چکیده شاخص زبری تصادفی به‌دلیل سهولت محاسبات و قابلیت اطمینان خوب، مناسب‌ترین شاخص برای جداسازی کلاس‌های زبری و توصیف شدت و کیفیت خاک‌ورزی است. اکثر روش‌های مرسوم مورد استفاده از رهیافت توقف و حرکت در اندازه‌گیری زبری خاک بهره می‌گیرند؛ که بسیار پر زحمت و وقت‌گیر است. در پژوهش حاضر از حسگرهای فاصله‌یاب نوری برای اندازه‌گیری بلادرنگ زبری خاک استفاده شد؛ که سرعت اندازه‌گیری آن نسبت به روش‌های دیگر بیشتر است. از برازش بین فاصله اندازه‌گیری‌شده توسط حسگرها و پین‌متر یک رابطه خطی بین این دو متغیر حاصل شد. هر دو حسگر فاصله‌یاب در شرایط استاتیکی توانستند به‌خوبی فاصله را اندازه‌گیری کنند (0.98=R²)، صحت و دقت هر دو حسگر نوری مادون قرمز و لیزری بر روی سیستم متحرک، در مزرعه مورد ارزیابی قرار گرفت. صحت داده‌های به‌دست‌آمده از حسگر لیزر در سرعت‌های کمتر از km h^-1 2.6، همانند روش پین‌متر بود ولی در سرعت‌های بیش از  km h^-13.5 روش لیزری فقط توانست کلاس زبری نرم را به‌درستی تشخیص دهد. کاهش صحت عملکرد حسگر، به‌دلیل کاهش نرخ جمع‌آوری داده‌ها در واحد طول و وجود کلوخه‌های بزرگ در کلاس‌های زبر‌تر بود. روش مادون قرمز فقط سطوح نرم را همانند پین‌متر تشخیص داد. در سرعت رو به جلو کمتر از km h^-1 3.5، داده‌های حسگر لیزری از دقت خوبی برخوردار بود (R²=0.85)، با این حال، با افزایش سرعت رو به جلو به km h^-1 4.8، دقت عملکرد حسگر کاهش یافت (0.72= R²). می‌توان نتیجه گرفت با استفاده از حسگرهای لیزری با نرخ داده‌برداری بیشتر، تشخیص سطوح زبری به‌خوبی روش پین‌متر امکان‌پذیر خواهد بود.

چکیده یکی از عوامل ساختاری مهم در حوزه مکانیزاسیون کشاورزی، انتخاب فناوری مناسب است. امروزه بررسی اثرات استفاده از فناوری و توسعه تکنولوژی و مکانیزاسیون بر تولید بخش کشاورزی دارای اهمیت زیادی است. ارزیابی اثربخشی فناوری‌ها در تولید محصولات کشاورزی، با سنجش تأثیرات این فناوری‌ها و تحلیل منافع اقتصادی، ضروری است. در این راستا، اثرات استفاده از فناوری نوین (پهپاد در سم‌پاشی) در مقایسه با فناوری مرسوم (سمپاش بوم‌دار) برای کنترل علف‌های هرز و بیماری زنگ زرد گندم و همچنین بررسی سود و زیان این فناوری‌ها برای تولید گندم در شهرستان خرم‌آباد بررسی شد. آزمایش‌ها در قالب طرح آماری بلوک‌های کامل تصادفی با سه تیمار (دو تیمار سمپاش بوم‌دار و پهپاد در مقایسه با تیمار شاهد) اجرا شدند. این آزمایش‌ها برای بررسی اثرات تیمارها بر علف‌های هرز و زنگ زرد گندم و همچنین میزان نشست سم به هدف در دو مزرعه کاملاً جدا و مستقل انجام شد. برای ارزیابی اثرات سم‌پاش‌ها بر علف‌های هرز، از علف‌کش 2-4-D به میزان 1.5 لیتر در هکتار و برای ارزیابی اثرات زنگ زرد، از سم تیلت به میزان 0.5 لیتر در هکتار استفاده شد. نتایج نشان داد که میزان نشست سم در سم‌پاش‌بوم‌دار (82.8 درصد) بیشتر از میزان نشست در سم‌پاشی با پهپاد (69.9 درصد) بود. میانگین وزن ماده خشک علف‌های هرز در سم‌پاش‌بوم‌دار 172 گرم بر مترمربع و در سم‌پاشی با پهپاد 163 گرم بر مترمربع بود که از نظر آماری تفاوت معناداری نداشتند. همچنین، میانگین تراکم علف‌های هرز در سم‌پاش‌بوم‌دار 25 عدد و در سم‌پاشی با پهپاد 29.3 عدد بود که از نظر آماری تفاوت معناداری نداشتند. میانگین شاخص برداشت در آزمایش‌های کنترل علف‌های هرز، در سم‌پاش‌بوم‌دار 44 درصد و در سم‌پاشی با پهپاد 41 درصد بود که از نظر آماری در سطح 1 درصد تفاوت معناداری داشتند. میانگین شدت آلودگی به بیماری زنگ زرد در مزارع گندم در سم‌پاش‌بوم‌دار 30.7 درصد و در سم‌پاشی با پهپاد 25.3 درصد بود که از نظر آماری در سطح ۱ درصد تفاوت معناداری نداشتند، ولی نسبت به شاهد (68.3 درصد) هر دو تیمار تفاوت معناداری داشتند. شاخص برداشت در آزمایش‌‌های مربوط به بیماری زنگ زرد، در سم‌پاشی با پهپاد (43.8 درصد) وضعیت بهتری نسبت به سم‌پاش‌بوم‌دار (41.9 درصد) داشت. هزینه کل سالیانه مالکان پهپاد‌سمپاش در این منطقه (2980.3 میلیون ریال) بیشتر از هزینه کل سالیانه دارندگان سم‌پاش بوم‌دار (513.48 میلیون ریال) برآورد گردید. شاخص منفعت به هزینه در مالکان پهپاد‌سمپاش (1.215) وضعیت بهتری نسبت به مالکان سم‌پاش‌بوم‌دار (1.030) داشت و نتایج نشان داد به‌کارگیری هر دو سم‌پاش اقتصادی است. در مجموع، پهپاد‌سمپاش به دلیل کارایی و درآمدزایی بیشتر، گزینه‌ اقتصادی‌تری برای سم‌پاشی نسبت به سم‌پاش بوم‌دار است. استفاده از پهپادها در سم‌پاشی می‌تواند به‌طور قابل‌توجهی بهره‌وری و سودآوری عملیات سم‌پاشی را افزایش دهد.

چکیده چیدن دستی گل‌های محمدی به دلیل وجود خارهای زیاد روی ساقه‌های آن بسیار دشوار است. بنابراین تشخیص بی‌درنگ گل محمدی شکفته در مزارع روباز برای طراحی یک ربات به‌‌منظور برداشت خودکار این گل ضروری است. با توجه به سرعت بالا و دقت مناسب شبکه‌های عصبی کانولوشن عمیق (DCNN)، هدف از این مطالعه بررسی پتانسیل مدل بهینه‌شده YOLOv8s در تشخیص گل‌های محمدی شکفته است. به‌‌منظور ارزیابی اندازه مدل YOLO بر عملکرد مدل، دقت و سرعت تشخیص نسخه‌های دیگر مدل YOLO ازجمله v5s و v6s نیز مورد بررسی قرار گرفت. برای رسیدن به این هدف، تصاویر گل‌های محمدی تحت شرایط نور عادی (از سپیده‌دم تا طلوع آفتاب) و شرایط نور شدید (از طلوع آفتاب تا ۱۰ صبح) تهیه شدند. نتایج ارزیابی نشان داد که مدل YOLOv8s با میانگین متوسط دقت(mAP50)  و سرعت شناسایی به‌ترتیب %98 و 243.9 فریم در ثانیه (fps) بهترین عملکرد را به نمایش گذاشت و در مقایسه با مدل‌های YOLOv5s و YOLOv6s مقدار mAP50 آن به‌ترتیب 0.3% و 6.1%، و مقدار سرعت تشخیص آن به‌ترتیب fps 169.3 و fps 198.6 بیشتر بود. نتایج تجربی نشان می‌دهد که YOLOv8s در تصاویر گرفته‌شده در نور عادی عملکرد بهتری نسبت به تصاویر گرفته‌شده در نور شدید دارد. کاهش 2.5% در مقدار mAP50 و 2.4% در سرعت تشخیص نشان‌دهنده تأثیر منفی نور شدید محیطی بر اثر بخشی مدل است. این تحقیق نشان می‌دهد که مدل YOLOv8s یک راه‌حل قابل‌قبول برای تشخیص بی‌درنگ گل محمدی فراهم می‌کند و راهنمای خوبی برای تشخیص سایر گیاهان مشابه است.

چکیده هواپیماهای بدون سرنشین (پهباد) به‌عنوان یک فناوری با پتانسیل بالا در کشاورزی دقیق ظهور کرده‌اند و از اهداف توسعه پایدار (SDGs) با تقویت شیوه‌های کشاورزی پایدار، بهبود امنیت غذایی و کاهش اثرات زیست‌محیطی حمایت می‌کنند. این مقاله مروری بر تحلیل دقیق کاربردهای چندگانه فناوری هواپیماهای بدون سرنشین در کشاورزی، مانند نظارت بر سلامت محصول، پاشش آفت‌کش و کود، کنترل علف‌های هرز و تصمیم‌گیری مبتنی بر داده‌ها برای بهینه‌سازی مزرعه در نظر گرفته شده است. این مقاله بر نقش پهپادها در سمپاشی دقیق، ترویج مداخلات هدفمند و به حداقل رساندن اثرات زیست‌محیطی در مقایسه با روش‌های مرسوم تاکید دارد. هواپیماهای بدون سرنشین نقش حیاتی در مدیریت علف‌های هرز و ارزیابی سلامت محصول دارند. تمرکز این مقاله بر اهمیت داده‌های جمع‌آوری‌شده توسط هواپیماهای بدون سرنشین برای به‌دست آوردن اطلاعات لازم برای تصمیم‌گیری در مورد آبیاری، کوددهی و مدیریت کلی مزرعه است. با این حال، استفاده از وسایل نقلیه هوایی بدون سرنشین (پهپاد) در کشاورزی با چالش‌های ناشی از عمر باتری‌ها، زمان محدود پرواز و مشکلات اتصال، به‌ویژه در مناطق دورافتاده، مواجه است. چالش‌های قانونی، چارچوب‌های نظارتی و محدودیت‌هایی در مناطق مختلف نیز وجود دارد که بر عملکرد هواپیماهای بدون سرنشین تأثیر می‌گذارند. با تحقیق و توسعه مستمر، چالش‌های ارائه‌شده را می‌توان حل کرد و از حداکثر پتانسیل پهپادها برای دستیابی به کشاورزی پایدار استفاده کرد.

چکیده فن‌آوری‌های جدید مانند سم‌پاش‌های هوشمند، از مهم‌ترین عوامل تحول در بخش کشاورزی هستند. در این تحقیق یک سم‌پاش باغی نرخ ثابت به یک سم‌پاش باغی نرخ متغیر توسعه داده شد و مورد ارزیابی و مقایسه قرار گرفت. بررسی مقدار نشست سم در دو حالت سم‌پاشی نرخ متغیر و نرخ ثابت و در سه سرعت‌پیشروی کم (1.6)، متوسط (3.2) و زیاد (4.8 کیلومتر بر ساعت) انجام شد. کم‌ترین مقدار نشست سم روی درختان به‌ترتیب در حالت سم‌پاشی نرخ متغیر در سرعت‌پیشروی 4.8 (1303 لیتر در هکتار) و بیش‌ترین مقدار نشست در حالت سم‌پاشی نرخ ثابت در سرعت‌پیشروی 1.6 کیلومتر بر ساعت (2121 لیتر در هکتار) به‌دست آمد. نتایج آزمون تجزیه واریانس برای مقدار نشست سم روی درختان، زمین، انتشار در هوا، کل مصرف سم در هکتار و کارایی پاشش نشان داد که مقدار این شاخص‌ها در دو حالت سم‌پاشی نرخ متغیر و نرخ ثابت دارای تفاوت معنی‌داری بود. در همه‌ی شاخص‌ها نوع سم‌پاش و سرعت پیشروی سم‌پاشی، اثر معنی‌داری بر تغییرات مقدار نشست سم در تیمارهای مختلف داشت. نتایج نشان داد که نوع سم‌پاش، سرعت پیشروی و اثر متقابل این دو عامل اثر معنی‌داری بر شاخص کیفیت پاشش نداشت. قطر میانه عددی و قطر میانه حجمی نیز در همه‌ی تیمارها تفاوت معنی‌داری نداشت. حداکثر مقدار صرفه‌جویی مصرف سم (46 درصد) در حالت سم‌پاشی نرخ متغیر و در سرعت‌پیشروی 1.6 کیلومتر بر ساعت و بیشترین مقدار کارایی پاشش (70 درصد) در حالت سم‌پاشی نرخ متغیر و در سرعت‌پیشروی 1.6 کیلومتر بر ساعت به‌دست آمد.

چکیده امروزه برای اطمینان از کارکرد صحیح کارنده‌ها، سامانه‌های پایش روی آن‌ها نصب می‌شوند و می‌توانند اطلاعات برخطی را در اختیار اپراتور قرار دهند تا در صورت بروز هرگونه مشکل عملیات را متوقف و نسبت به رفع آن‌ها اقدام نماید. قسمت اصلی سامانه‌ پایش کارنده‌ها، حسگر جریان دانه می‌باشد که روی لوله سقوط نصب می‌گردد. نسخه ساده این حسگرها تنها عبور بذر را تشخیص می‌دهند. اما اندازه‌گیری نرخ جریان دانه با توجه به شرایط کاری کارنده‌ها به‌ویژه کارنده‌های مکانیکی با چالش‌های جدی مواجه می‌باشد. در این تحقیق حسگر و الگوریتم منحصر به‌فرد و نوآورانه‌ای برای شمارش بذرهای عبوری توسعه داده شدند. یک ردیف هفت‌تایی از فرستنده‌های مادون قرمز و نیز یک ردیف هفت‌تایی از گیرنده‌های مادون قرمز در مقابل آن، وظیفه تشخیص بذرها را بر عهده داشتند. برای ارزیابی آزمایشگاهی حسگر و الگوریتم مربوطه، عملکرد دو روش دریافت سیگنال در میکروکنترولر بر اساس وقفه و مبدل آنالوگ به دیجیتال روی سکوی تسمه نقاله با چهار بذر ذرت کراس، ذرت پاپ‌کرن، سویا و ماش در سه سرعت 4، 7 و 10 کیلومتر بر ساعت و در پنج تکرار مورد آزمون قرار گرفت. هر دو الگوریتم مورد آزمون نتایج قابل‌قبولی را در شمارش بذور مورد آزمون از خود نشان دادند اما الگوریتم مبتنی بر مبدل آنالوگ به دیجیتال به‌دلیل امکانات بیش‌تر و امکان تنظیم سطح آستانه در ابتدای عملیات کشت و انتهای هر ردیف و مقاومت بالاتر آن در مقابل گرد و غبار، عملکرد بهتری از خود نشان داد هرچند که الگوریتم روش دوم دارای دقت و سرعت بالایی بود.

چکیده بیماری‌های درخت بِه یکی از نگرانی‌های عمده باغداران می‌باشد و شناسایی آن‌ها در پایش درختان ضروری است چرا که زیآن‌های اقتصادی قابل‌توجهی وارد می‌کند. از این رو، تشخیص به‌موقع و موثر بیماری‌های برگی درختان بِه، نقش مهمی در جلوگیری از این ضرر اقتصادی دارد. بیشتر علائم بیماری این درخت در برگ ظاهر می‌شود و تشخیص آن‌ها نیاز به متخصصان خبره داشته و از طرفی زمان‌بر بوده و هزینه آزمایشگاهی بالایی دارد. اصلی‌ترین بیماری‌های این محصول شامل آتشک، زخم برگ و سفیدک پودری است. با پیشرفت الگوریتم‌های هوش مصنوعی، شبکه‌های عصبی مختلفی برای طبقه‎بندی معرفی شده‌اند که از مهم‌ترین آن‌ها می‌توان به شبکه‌های عصبی پیچشی (کانولوشنی) اشاره کرد. هدف اصلی این مطالعه بهینه‌سازی و تنظیم پارامترهای اصلی این شبکه‌ها به‌منظور افزایش دقت تشخیص بیماری‌های برگی درخت بِه می‌باشد. در این مطالعه در رویکرد اول با استفاده از یادگیری انتقالی،‌ دو الگوریتم مهم Inception-ResNet-v2 و ResNet-101 و در رویکرد دوم یک الگوریتم بهینه‌شده پیشنهادی برای طبقه‌بندی بیماری‌ها استفاده شد. نتایج مدل‌ها نشان داد که حذف تصادفی باعث اصلاح دقت بعضی مدل‌ها گردید و بیشترین عملکرد با 64 نورون در لایه مخفی حاصل گردید. مدل پیشنهادی دقت بالاتری نسبت به روش انتقالی داشت. با بررسی نتایج کلی، مدل پبشنهادی با چهار لایه پیچشی در بلوک کانولوشنی، یک لایه مخفی در بلوک شبکه عصبی و ضریب دراپ‌اوت 0.5 بیشترین عملکرد را ارایه داد. 

چکیده توسعه ابزارهای اندازه‌گیری سریع برای ارزیابی خصوصیات کیفی نیشکر شامل غلظت قند و محتوای رطوبت بدون نیاز به استخراج عصاره از ساقه از جمله ضرورت‌های فناوری در کشاورزی و صنعت این محصول می‌باشد. در این پژوهش، یک پراب دی‌الکتریک با قابلیت توسعه و به‌کارگیری به شکل قابل‌حمل توسعه داده شد و عملکرد آن برای اندازه‌گیری غلظت قند (بر حسب درجه بریکس) و محتوای رطوبت روی نمونه‌های ساقه از هفت رقم نیشکر در بازه فرکانسی MHz 150-0 مورد ارزیابی قرار گرفت. همچنین به‌منظور مقایسه و بهبود دقت اندازه‌گیری غلظت قند،‌ توانایی روش طیف‌سنجی مرئی- فروسرخ نزدیک موج کوتاه (Vis-SWNIR) در محدوده طول موج 1100-400 نانومتر بررسی شد. از مدل‌های رگرسیون حداقل مربعات جزئی (PLS) و شبکه‌های عصبی مصنوعی (ANN) برای پیش‌بینی درجه بریکس و محتوای رطوبت نمونه‌ها استفاده شد. علاوه‌بر ارزیابی مستقل عملکرد هر دو روش در بهترین حالت با 1.14= RMSE_P و 1.88= RMSE_P برای اندازه‌گیری بریکس به‌ترتیب با روش‌های طیف‌سنجی Vis-SWNIR و دی‌الکتریک، روش‌های تلفیق داده (سطح پایین و سطح متوسط) برای استفاده از اثر هم‌افزایی اطلاعات به‌دست‌آمده از دو روش به‌کار گرفته شد. در پیش‌بینی بریکس، بهترین نتیجه مربوط به روش تلفیق داده سطح پایین با 0.94 = R²p و 0.74=RMSE_P بود. همچنین روش تلفیق داده سطح متوسط با 0.89 = R²p و 0.93= RMSE_P بهترین نتیجه را در پیش‌گویی مقادیر محتوای رطوبت داشت. بنابراین، رویکرد تلفیق داده به‌طور موثر دقت پیش‌بینی مدل‌های توصیف‌کننده را بهبود بخشید و می‌تواند به‌عنوان روش و ابزاری قابل‌اعتماد در اندازه‌گیری خصوصیات کیفی نیشکر مورد استفاده قرار گیرد.

چکیده میزان عناصر مغذی نقش به‌سزایی در رشد، تکثیر و عملکرد محصولات کشاورزی و گیاهان دارند. با پیش‌بینی این عناصر می‌توان به‌صورت دقیق نهاده‌های شیمیایی را مدیریت کرد. هدف از این مطالعه ارزیابی غیرمخرب میزان عناصر NPK با استفاده از طیف‌سنجی مرئی/ فروسرخ نزدیک (Vis/NIR) در بازه طول موجی 500 تا 1000 نانومتر بود. برای این منظور، طیف‌سنجی از نمونه‌های برگ درختان سیب در مد اندازه‌گیری برهم‌کنش انجام گرفت. برای حذف اثرات ناخواسته از روش‌های مختلف پیش‌پردازش استفاده شد تا مدل واسنجی دقیق حاصل شود. در این راستا، مدل واسنجی چندمتغیره حداقل مربعات جزئی (PLS) بر پایه اندازه‌گیری‌های مرجع و اطلاعات طیفی با روش‌های مختلف پیش‌پردازش مورد بررسی قرار گرفت. بهترین مدل ارائه‌شده مبتنی بر روش پیش‌پردازش توزیع نرمال استاندارد در ترکیب با مشتق دوم (SNV+D2) با مقادیر r_c= 0.988, RMSEC=0.028%, r_p=0.978, RMSEP=0.034% و 7.47=RPD متعلق به پیش‌بینی نیتروژن بود. بهترین مدل برای ارزیابی میزان پتاسیم و فسفر نیز براساس روش پیش‌پردازش تصحیح پراکنش افزاینده در ترکیب با مشتق دوم (MSC+D2) به‌ترتیب RPD=7.10, r_p=0.976, RMSEP=0.021% و RPD=5.96, r_p=0.958, RMSEP=0.0057% به‌دست آمد. نتایج به‌دست‌آمده حاصل از این پژوهش نشان می‌دهد که طیف‌سنجی Vis/NIR می‌تواند به‌عنوان یک ابزار غیرمخرب، سریع و قابل‌اعتماد برای پیش‌بینی مقدار عناصر مغذی درخت سیب استفاده و از مصرف بیش از حد نهاده‌های شیمیایی و پیامدهای ناشی از آن جلوگیری شود.

چکیده در پژوهش حاضر پهپادسمپاش به‌عنوان یک روش نوین سمپاشی برای کنترل جمعیت آفت شتۀ کلزا ارزیابی و نتایج آن با سمپاش توربولاینر مقایسه شد. آزمون در قالب طرح کاملاً تصادفی در سه تکرار اجرا شد. آزمون‌ها در زمان آلودگی حداقل 20درصد از بوته‌ها اجرا شد. پارامترهای اندازه‌گیری‌شده شامل مقدار ضریب کیفیت پاشش، ظرفیت مزرعه‌ای تئوری و مؤثر، بازدۀ مزرعه‌ای، انرژی مصرفی و کارایی (اثربخشی) سمپاشی بودند. براساس نتایج برای پهپادسمپاش و سمپاش توربولاینر، به‌ترتیب میانگین مقدار محلول سم مصرفی برابر با 11.1 و 187.6 لیتر در هکتار، ضریب کیفیت پاشش 1.15 و 1.21، بازدۀ مزرعه‌ای 51.4 و 32.3درصد و انرژی مصرفی 3.4 و 100.5 کیلووات-ساعت به‌دست آمد. براساس نتایج تجزیۀ واریانس در سه، هفت و 14 روز پس از سمپاشی، بین تیمار شاهد و تیمارهای پهپادسمپاش و سمپاش توربولاینر از نظر تعداد شته اختلاف معنی‌دار بود؛ به‌طوری‌که تعداد شته در کرت‌های سمپاشی‌شده با هر دو نوع سمپاش در سه بار نمونه‌برداری پس از سمپاشی کمتر از 100شته در ساقه بود. اما در تیمار شاهد تعداد شته در ساقه 700-250 بود. مقایسۀ میانگین کارایی پهپادسمپاش و سمپاش‌ توربولاینر با آزمون t نشان داد که هر دو سمپاش نتایج قابل‌قبولی در کنترل جمعیت شتۀ کلزا داشتند. در سه و هفت روز پس از سمپاشی، سمپاش توربولاینر کارایی بیشتری نسبت به پهپادسمپاش داشت. اما در 14 روز بعد از سمپاشی، کارایی پهپادسمپاش و سمپاش توربولاینر به‌ترتیب 92.7 و 85.2درصد بود. استفاده از پهپادسمپاش با توجه به کاهش مقدار محلول مصرفی و انرژی مصرفی و افزایش بازدۀ مزرعه‌ای، کیفیت پاشش و کارایی سمپاشی برای کنترل جمعیت شتۀ کلزا توصیه می‌شود.

چکیده سنجش از دور فنّ به‌دست‌آوردن اطلاعات درباره یک شئ، عارضه و یا پدیده‌های مربوط به یک منطقه جغرافیایی خاص بدون تماس فیزیکی با آن‌ها است. دستیابی به دقت بالا در طبقه‌بندی عوارض سطح زمین به کمک تصاویر چندطیفی همواره مد نظر پژوهشگران بوده است. یکی از عوامل کاهش دقت نقشه طبقه‌بندی، ناهموار بودن سطح زمین است. وجود نقاط مرتفع موجب می‌شود که سنجنده در دریافت دقیق اطلاعات بازتابی از سطح پدیده‌ها با مشکل روبه‌رو شود. تصاویر رادار با ارائه مدل رقومی ارتفاع (DEM) در شناسایی و تعیین ارتفاع پدیده‌های سطح زمین موثر است. استفاده از خصوصیات تصاویر دو سنجنده کاملاً متفاوت به‌منظور بهره‌گیری از قابلیت‌های مثبت آن‌ها با کمک روش ادغام تصاویر ممکن می‌شود. در این پژوهش به‌منظور برآورد سطح زیر کشت و طبقه‌بندی محصولات زراعی و سایر پدیده‌های موجود در منطقه مورد مطالعه، از تصاویر چندطیفی ماهواره سنتینل2 مربوط به منطقه باجگاه واقع در استان فارس استفاده شد. بدین منظور سری زمانی NDVI متشکل از 13 تصویر ایجاد و با تصویر راداری سنجنده PALSAR در سطح پیکسل، با هدف حذف نقاط مرتفع، تلفیق شد. نتایج این پژوهش نشان داد طبقه‌بندی تصاویر برای شناسایی مزارع زیر کشت محصولات مختلف با دقت بالایی انجام شده است و سطح زیر کشت با دقت 97درصد در گندم، 99.5درصد در جو و 96.5 درصد در کلزا نسبت به مقادیر اندازه‌گیری‌شده در مزرعه تخمین زده شده است. تصاویر ادغام‌شده دارای دقت کلی 98.1 درصد و ضریب کاپا 0.97 بود که دقت کلی را نسبت به تصاویر مجزا 7.5 درصد بهبود بخشید.

چکیده بافت خاک یکی از خصوصیات مهم خاک است که با بسیاری از جنبه‌های عملکرد خاک، از بهره‌وری تا سهولت خاک‌ورزی، در ارتباط است. در حال حاضر، تعیین بافت خاک به دو صورت انجام می‌گیرد: در سطح مزرعه با دقت کم یا در محیط آزمایشگاهی و زمان‌بر. در این مطالعه به توسعه یک سیستم جدید برای تعیین بافت خاک در محل مورد نظر، با استفاده از یک نفوذسنج مخروطی با سه زاویه مخروط 30، 45 و 60 درجه پرداخته شد. نفوذسنج مجهز به یک میکروفون بود که در آن صدای حاصل از اصطکاک مخروط-خاک برای تعیین بافت خاک استفاده شد. برای تشخیص سه نوع بافت خاک که شامل رس، شن و لوم بود، از روش آنالیز سیگنال‌های صوتی در حوزه زمان- فرکانس (تبدیل موجک) استفاده گردید. تجزیه سیگنال‌ها در 5 سطح انجام شد و ویژگی‌های مجموع (SUM)، ریشه میانگین مربعات (RMS)، واریانس Var، کشیدگی (kurtosis) و ممان‌های مرتبه بالا Moment4 مورد مقایسه قرار گرفتند. نتایج نشان داد که زیر سیگنال‌های جزئیات اول مخروط 30 و 60 درجه، جزئیات سوم مخروط 60 درجه، جزئیات چهارم مخروط 60 درجه و آپروکسیمت مخروط 45 و 60 درجه به‌ترتیب دارای بیشترین توانایی و اولویت برای تشخیص نوع بافت خاک از یکدیگر می‌باشند. در بین ویژگی‌های بررسی‌شده به‌ترتیب ویژگی‌های مجموع، واریانس، ممان، کشیدگی و ماکزیمم برای تشخیص نوع خاک با سطح احتمال 1% دارای اولویت هستند. مقادیر همه این ویژگی‌ها با افزایش اندازه ذرات خاک از رس تا شن افزایش یافت. تکنیک صوت دارای پتانسیل خوبی جهت تشخیص نوع بافت خاک بود.

چکیده در این پژوهش، سامانه‌ای شامل یک افزاینده 15 کیلوولتی برای از بین بردن علف‌های هرز و یک سازوکار بازخوردی برای تشخیص علف‌هرز و نابودی آن با استفاده از پایش جریان الکتریکی مصرفی نابودگر علف‌هرز در گروه ماشین‌های کشاورزی پردیس کشاورزی و منابع طبیعی دانشگاه تهران (سال 1399) توسعه داده شد. اجزای این سامانه بر روی یک سکوی رباتیک خودگردان نصب شد‌ که اطلاعات را بین نرم‌افزار رایانه‌ای و سامانه انتقال می‌داد. طبق شواهد هنگامی که الکترود ولتاژ بالا علف‌های هرز را لمس می‌کرد، جریان افزایش ‌یافته و پس از نابودی علف‌های هرز، جریان کم می‌شد. متوسط انرژی مصرفی برای یک علف هرز 250 ژول تخمین زده شد. بر مبنای مقدار جریان مصرفی، سازوکار بازخوردی برای تشخیص و دریافت بازخورد از نابودی علف‌های هرز واسنجی شد. آزمایش‌های نهایی برای مقایسه کارایی کنترل دو حالت کاری استفاده و عدم استفاده از سازوکار بازخوردی انجام شد و مشخص شد که استفاده از این سازوکار به شکل معنی‌داری کارایی نابودگر علف هرز را افزایش می‌دهد. 

چکیده استفاده از تکنیک سنجش از دور امروزه در کشاورزی کاربردهای فراوانی دارد ازجمله تعیین سطح زیرکشت و پیش‌بینی عملکرد محصول. در این پژوهش از تصاویر ماهواره‌ای جهت تفکیک گندم آبی و دیم در استان همدان استفاده شد. شاخص‌های NDVI ،EVI و NDWI از تصاویر 16 روزه سنجنده‌های لندست، مادیس و سنتینل 3 در بازه پنج ساله مورد مطالعه (2015-2019) استخراج گردید. نتایج شاخص‌ها نشان داد کاهش شدید NDVI/EVI بعد از نقطه اوج به‌دلیل آن است که زمان زرد شدن و یا برداشت محصول فرا رسیده است. به‌علاوه NDWI به‌ترتیب در بیشینه سبزینگی گندم در کشت آبی و دیم 0.767 و 0.736 دیده شد. سامانه Google Earth Engine محیط انجام محاسبات پردازش تصاویر و استخراج شاخص‌ها و نقشه‌ها بود و نرم‌افزار R نیز برای آنالیزهای طبقه‌بندی و تفکیک کشت دیم و آبی به‌کار رفت. نتایج نشان داد نقشه استان بر اساس سطح زیر کشت دیم و آبی ماهواره سنتینل 3 جزییات بیشتری را نشان داد. همچنین استفاده همزمان از چند شاخص NDVI ،EVI و NDWI توانست قدرت تفکیک را افزایش دهد. علی‌رغم شباهت‌های موجود، الگوریتم‌های SVM و MD نیز با دقت قابل‌قبولی تفکیک کشت دیم و آبی استان را ارائه دادند. نتایج نشان داد کشت دیم و آبی گندم استان با دقت 0.737 تفکیک شد و تفکیک گندم از سایر کشت‌ها با دقت 0.945 انجام گردید.

چکیده پیش‌بینی عملکرد محصول یکی از مسائل مهم در حوزه‌ی کشاورزی می‌باشد و به عوامل مختلفی از جمله شرایط آب‌وهوایی، ویژگی‌های خاک، ویژگی‌های محصول و برنامه‌های مدیریتی وابسته می‌باشد. پیش‌بینی دقیق عملکرد محصول می‌تواند در تصمیم‌گیری‌ها و بهینه‌سازی فرآیندها به کشاورزان و صنایع وابسته به کشاورزی کمک نماید و در نهایت منجر به افزایش تولید شود. نیشکر یکی از مهم‌ترین محصولات استراتژیک کشاورزی و منبع تأمین شکر در جهان می‌باشد. هدف پژوهش حاضر پیش‌بینی و بررسی عوامل مؤثر بر میزان شکر استحصالی از نیشکر در مزارع شرکت کشت‌وصنعت نیشکر امیرکبیر با استفاده از الگوریتم‌های یادگیری ماشین می‌باشد. داده‌های جمع‌آوری شده برای این پژوهش مربوط به بازه زمانی سال‌های 1396-1389 شامل 3223 نمونه می‌باشد که شامل چهار مجموعه داده آب‌وهوایی، محصول، خاک و مدیریت مزرعه می‌باشد. برای مدل‌سازی پژوهش از الگوریتم‌های جنگل تصادفی، آدابوست، تقویت گرادیان حداکثری و ماشین بردار پشتیبان استفاده شده و در محیط ژوپیترنوت‌بوک پایتون پیاده‌سازی شده‌اند. مدل جنگل تصادفی با صحت 92.2% برای پیش‌بینی شکر استحصالی در بین مدل‌های ارائه شده بهترین عملکرد را دارد.

چکیده شاخص پوشش گیاهی سبز کسری (FVC) و شاخص نرمال شده تفاضل پوشش گیاهی (NDVI) از شاخص بسیار مهم سبزینگی می‌باشند و ارتباط بسیار قوی با زیست‌توده سبز دارند. هدف اصلی این پژوهش، ارزیابی شاخص NDVI حاصل از حسگر دستی Greesnseeker (GS) در تخمین مقدار زیست‌توده، کلروفیل و شاخص FVC در گیاه اسفناج می‌باشد. در این پژوهش برای جداسازی مناسب زمینه خاک از گیاه از شاخص‌های رنگی G-B و ExG استفاده شد. در طول دوره رشد 28 تا 44 روز بعد از جوانه‌زنی گیاه، نتایج تحقیق نشان داد که NDVI حاصل از GS ارتباط خوبی با کلروفیل داشته (R = 0.61 to 0.91) و ارتباط بین این شاخص با زیست‌توده نیز معنی‌دار بود. علاوه بر این، نتایج نشان داد که در این دوره رشد ارتباط خوبی بین شاخص NDVI حاصل از GS با شاخص FVC وجود دارد (R = 0.67 to 0.82). در حسگر در ارزیابی تاثیر نرخ نیتروژن بر شاخص NDVI، مشخص شد که تنها در دوره کوتاه 28 تا 36 روز پس از جوانه‌زنی ارتباط خطی معنی‌داری بین این دو متغیر وجود دارد. نتایج نشان داد که حسگر Greenseedke توانایی خوبی در تخمین کلروفیل و مقدار زیست‌توده گیاه دارد و از آن می‌توان در میانه رشد گیاه، مقدار شاخص پوشش گیاهی سبز کسری را به‌خوبی برآورد کرد.