جلد 13، شماره 1 - ( (پاییز و زمستان) 1402 )
جلد 13 شماره 1 صفحات 148-135 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hosseini S, Anvari Z. (2024). Application of new information technologies in plant pathology. Plant Pathol. Sci.. 13(1), 135-148. doi:10.61186/pps.13.1.135
URL: http://yujs.yu.ac.ir/pps/article-1-440-fa.html
URL: http://yujs.yu.ac.ir/pps/article-1-440-fa.html
حسینی سیده عاطفه، انوری زهرا. کاربردهای فنآوری های نوین اطلاعات در بیماری شناسی گیاهی دانش بیماری شناسی گیاهی 1402; 13 (1) :148-135 10.61186/pps.13.1.135
دانشگاه بیرجند ، ahosseini@birjand.ac.ir
چکیده: (293 مشاهده)
حسینی، س. ع.، انوری، ز. (۱۴۰۲). کاربردهای فنآوریهای نوین اطلاعات در بیماریشناسی گیاهی. دانش بیماریشناسی گیاهی، ۱۳(۱)،۱۴۸-۱۳۵.
رشد جمعیت فشار قابل توجهی بر زنجیره تامین مواد غذایی وارد کرده است و اطمینان از اینکه همه به غذای کافی، سالم و مغذی دسترسی دارند، چالش برانگیزتر شده است. استفاده از فنآوری های نوین اطلاعات مبتنی بر هوش مصنوعی در کشاورزی میتواند نقش بسزایی در افزایش تولید محصولهای گیاهی سالم و تامین امنیت غذایی انسانها داشته باشد. همه محصولهای گیاهی به شدت در برابر بیماریها آسیبپذیر هستند و مدیریت به موقع و صحیح بیماریها برای بهینه سازی تولید آنها ضروری است. فنآوریهای نوین اطلاعات مانند سنجش از دور، تجزیه و تحلیل طیفهای نوری جذبی گیاهان، استفاده از نرم افزارهای تخصصی اینترنتی تشخیص دهنده بیماریهای گیاهی در تلفن همراه، می توانند به تشخیص سریع و دقیق بیماریها، اجرای یک برنامه پیش آگاهی و پایش آنها، برای پیشگیری از شیوع آنها و اجرای به موقع روشهای مدیریتی آنها کمک کنند. کاربردهای منحصر به فرد این فنآوریهای نوین اطلاعات در شناسایی، پایش و مدیریت بیماریهای گیاهی در این مقاله شرح داده شده اند.
نوع مطالعه: ترویجی |
موضوع مقاله:
روشهای مدیریت بیماریهای گیاهان
دریافت: 1403/2/26 | پذیرش: 1403/8/6
دریافت: 1403/2/26 | پذیرش: 1403/8/6
فهرست منابع
1. Akbar S. (2020). Handbook of 200 Medicinal Plants: A Com prehensive Review of Their Traditional Medical Uses and Scientific Justifications. Springer: Cham, Switzerland. DOI:
https://doi.org/10.1007/978-3-030-16807-0 [DOI:10.1007/978-3-030-16807-0.]
2. Alam F., Mehmood R., Katib I., Albogami N.N., Albeshri A. , Ardagna D., Cappiello C., Samá W., & Vitali M. (2018). Context aware data quality assessment for big data. Future Generation Computer Systems 89, 548-562. [DOI:10.1016/j.future.2018.07.014]
3. DOI:
https://doi.org/10.1016/j.future.2018.07.014 [DOI:10.1016/j.future.2018.07.014.]
4. Asghari P., Rahmani A.M., & Seyyed Javadi H.H. (2019). Internet of things applications: a systematic review. Computer Net works 148: 241-261. [DOI:10.1016/j.comnet.2018.12.008]
5. Buja I., Sabella E., Monteduro A.G., Chiriacò M.S., de Bel lis L., Luvisi A., Maruccio G. (2021). Advances in plant dis ease detection and monitoring: from traditional assays to in-field diagnostics. Senso 21 (6): 2129. DOI: https://doi org/10.3390/s21062129. [DOI:10.3390/s21062129] [PMID] []
6. Chen C.J., Huang Y.Y., Li Y.S., Chang C.Y., Huang Y.M. (2020). An AIoT based smart agricultural system for pests detec tion. IEEE Access 8: 180750-180761. DOI: http://dx.doi. org/10.1109/ACCESS.2020.302489. [DOI:10.1109/ACCESS.2020.3024891]
7. Chouhan S.S., Uday., Singh P., Jain S. (2020). Applications of computer vision in plant pathology: a survey. Archives of Computational Methods in Engineering 27: 611-632. DOI:
https://doi.org/10.1007/s11831-019-09324-0 [DOI:10.1007/s11831-019-09324-0.]
8. Clarke, W.S. (2000) Problems of communication and technology transfer in crop protection': A practitioner's pepective. Proceedings of the BCPC Conference - Pests & Diseases 2000, 1185-1192, BCPC Publications, Farnham, UK.
9. Eberlein J., Davenport B., Nguyen T.T., Victorino F., Jhun K., van der Heide V., Kuleshov M., Ma'ayan A., Kedl R., Ho mann D. (2020). Chemokine signatures of pathogen-specific T cells I: effector T cells. Journal of Immunology 205: 2169-2187. DOI:
https://doi.org/10.4049/jimmunol.2000253 [DOI:10.4049/jimmunol.2000253.] [PMID] []
10. Furlanetto R.H., Nanni M.R., Mizuno M.S., Crusiol L.G.T., da Silva C.R. (2021). Identification and classification of Asian soybean rust using leaf-based hype pectral reflectance. In ternational Journal of Remote Sensing 42: 4177-4198. DOI:
https://doi.org/10.1080/01431161.2021.1890855 [DOI:10.1080/01431161.2021.1890855.]
11. Guo Y., Chen S., Wu Z., Wang S., Robin B.C., Senthilnath J., Cunha M., & Fu Y.H. (2021). Integrating spectral and textural information for monitoring the growth of pear trees using optical images from the UAV platform. Remote Sensing 13: 1795.DOI:
https://doi.org/10.3390/rs13091795 [DOI:10.3390/ 13091795.]
12. Hahn F. (2009). Actual pathogen detection: senso and algo rithms - a review. Algorithms 2: 301-338. DOI: https://doi. org/10.3390/a2010301. [DOI:10.3390/a2010301]
13. Kuska M.T., Mahlein A.-K. (2018). Aiming at decision making in plant disease protection and phenotyping by the use of optical senso. European Journal of Plant Pathology152 (4): 987-992. DOI:
https://doi.org/10.1007/s10658-018-1464-1 [DOI:10.1007/s10658-018-1464-1.]
14. Leeuw D.J., Vrieling A., Shee A., Atzberger C., Hadgu K.M., Biradar C.M., Keah H., & Turvey C. (2014). the potential and uptake of remote sensing in insurance: a review. Remote Sensing 6: 10888-10912. DOI:
https://doi.org/10.3390/rs6099034 [DOI:10.3390/ 61110888.]
15. Li H., Zhao C., Yang G., & Feng H. (2015). Variations in crop variables within wheat canopies and responses of canopy spectral characteristics and derived vegetation indices to different vertical leaf laye and spikes. Remote Sensing of Environment 169: 358-374. DOI:
https://doi.org/10.1016/j.rse.2015.08.021 [DOI:10.1016/j. e.2015.08.021.]
16. Li L., Zhang S., Wang B. (2021). Plant disease detection and classification by deep learning - a review. IEEE Access 9: 56683-56698. DOI:
https://doi.org/10.1109/ACCESS.2021.3069646 [DOI:10.1109/ACCESS. 2021.3069646]
17. Luvisi, A.; Panattoni, A.; Bandinelli, R.; Rinaldelli, E.; Pagano, M.; Triolo, E. (2012). Ultra-high frequency transponde in grapevine: A tool for traceability of plants and treatments in viticulture. Biosyst. Eng. 113, 129-139. [DOI:10.1016/j.biosystemseng.2012.06.015]
18. Mahlein A., Rumpf T., Welke P., Dehne H., Plümer L., Steiner U., Oerke E. (2013). Development of spectral indices for de tecting and identifying plant diseases. Remote Sensing of Environment 128: 21-30. DOI:
https://doi.org/10.1016/j.rse.2012.09.019 [DOI:10.1016/j. e.2012.09.019.]
19. Mahlein A.K., Kuska M., Behmann J., Polder G., Walter A. (2018). Hyper-spectral senso and imaging technologies in phytopathology: state of the art. Annual Review of Phytpathology 56 (1): 535-558. DOI:
https://doi.org/10.1146/annurev-phyto-080417-050100 [DOI:10.1146/ annurev-phyto-080417-050100.] [PMID]
20. Mandi S.S. (2016). Natural UV Radiation in Enhancing Survival Value and Quality of Plants. Springer, New Delhi, India. DOI: http://dx.doi.org/10.1007/978-81-322-2767-0. [DOI:10.1007/978-81-322-2767-0]
21. Mendes J., Pinho T.M., dos Santos F.N., Sousa J.J., Peres E., Boaventura-Cunha J., Cunha M., & Morais R. (2020). Smart phone applications targeting precision agriculture practices - a systematic review. Agronomy 10: 855. DOI: https://doi. org/10.3390/agronomy10060855. [DOI:10.3390/agronomy10060855]
22. Moshou D., Bravo C., Oberti R., West J.S., Ramon H., Vougiou kas S., Bochtis D. (2011). Intelligent multi-sensor system for the detection and treatment of fungal diseases in arable crops. Biosystems Engineering 108: 311-321. DOI: https:// doi.org/10.1016/j.biosystemseng.2011.01.003. [DOI:10.1016/j.biosystemseng.2011.01.003]
23. Mrisho L.M., Mbilinyi N.A., Ndalahwa M., Ramcharan A.M., Kehs A.K., McCloskey P.C., Murithi H., Hughes D.P., & Legg J.P. (2020). Accuracy of a smartphone-based object detection model, PlantVillage Nuru, in identifying the foliar symp toms of the viral diseases of cassava - CMD and CBSD. Frontie in Plant Science 11: 590889. DOI: https://doi. org/10.3389/fpls.2020.590889. [DOI:10.3389/fpls.2020.590889] [PMID] []
24. Ngie A., Abutaleb K., Ahmed F., Darwish A., & Ahmed M. (2014). Assessment of urban heat island using satellite remotely sensed imagery: a review. South African Geographical Journal 96 (2): 198-214. DOI:
https://doi.org/10.1080/03736245.2014.924864 [DOI:10.1080/03736245.2014.924864.]
25. Ouhami M., Hafiane A., Es-Saady Y., El Hajji M., & Canals R. (2021). Computer vision, IoT and data fusion for crop dis ease detection using machine learning: a survey and ongo ing research. Remote Sensing 13: 2486. DOI: https://doi. org/10.3390/13132486. [DOI:10.3390/rs13132486]
26. Park Y., Jin S., Noda I., Jung Y.M. (2020). Emerging developments in two-dimensional correlation spectroscopy (2D-COS). Journal of Molecular Structure 1217: 128405. DOI: https:// doi.org/10.1016/j.molstruc.2020.128405. [DOI:10.1016/j.molstruc.2020.128405]
27. Rehman T.U., Mahmud M.S., Chang Y.K., Jin J., Shin J. (2019). Current and future applications of statistical machine learn ing algorithms for agricultural machine vision systems. Compute and Electronics in Agriculture 156: 585-605. DOI:
https://doi.org/10.1016/j.compag.2018.12.006 [DOI:10.1016/j.compag.2018.12.006.]
28. Roldán J.J., del Cerro J., Garzón-Ramos D., Garcia-Aunon P., Garzón M., de León J., & Barrientos A. (2018). Robots in agri culture: state of art and practical experiences. p. 67-90. In: "Service Robots". IntechOpen. DOI: http://doi.org/10.5772/ intechopen.69874. [DOI:10.5772/intechopen.69874]
29. Sabrol H., & Kumar S. (2015). Recent studies of image and soft computing techniques for plant disease recognition and classification. International Journal of Computer Applica tions 126 (1): 44-55. DOI: http://dx.doi.org/10.5120/ijca2015905982. [DOI:10.5120/ijca2015905982]
30. Sankaran S., Mishra A., Ehsani R., & Davis C. (2010). A review of advanced techniques for detecting plant diseases. A review of advanced techniques for detecting plant diseases. Com pute and Electronics in Agriculture 72 (1): 1-13. DOI:
https://doi.org/10.1016/j.compag.2010.02.007 [DOI:10.1016/j.compag.2010.02.007.]
31. Shibusawa S. (2001). Precision farming approaches to small farm agriculture. IFAC Proceedings Volumes 34 (2): 22-27. DOI:
https://doi.org/10.1016/S1474-6670(17)34099-5 [DOI:10.1016/S1474-6670(17)34099-5.]
32. van Klink, R., August, T., Bas, Y., Bodesheim, P., Bonn, A., Fos søy, F., Høye, T.T., Jongejans, E., Menz, M.H.M., Miraldo, A., Roslin, T., Roy, H.E., Ruczyński, I., Schigel, D., Schäffler, L., Sheard, J.K., Svenningsen, C., Tschan, G.F., Wäldchen, J., Zizka, V.M.A., Åström, J., & Bowler, D.E. (2022). Emerging technologies revolutionise insect ecology and monitoring. Trends in Ecology & Evolution 37 (10): 872-885. DOI:
https://doi.org/10.1016/j.tree.2022.06.001 [DOI:10.1016/j.tree.2022.06.001.] [PMID]
33. Waggoner, P.E. (1968) Weather and the rise and fall of fungi, in Biometeorology (ed. W P Lowry) Oregon State Univeity Press, Corvallis,Pp.45-60.
34. Waggoner, P.E., & Hofall, J.G. (1969) EPIDEM, a simulator of plant disease written for computer. Connecticut Agricultural Experimental Station Bulletin, 698, 80 pp.
35. Walter A., Finger R., Huber R., Buchmann N. (2017). Smart farming is key to developing sustainable agriculture. PNAS 114 (24): 6148-6150. DOI:
https://doi.org/10.1073/pnas.1707462114 [DOI:10.1073/ pnas.1707462114] [PMID] []
36. Yuan L., Zhang J., Shi Y., Nie C., Wei L., Wang J. (2014). Damage mapping of powdery mildew in winter wheat with high--resolution satellite image. Remote Sensing 6: 3611-3623. DOI:
https://doi.org/10.3390/rs6053611 [DOI:10.3390/ 6053611.]
37. Zhang J., Huang Y., Pu R., Gonzalez-Moreno P., Yuan L., Wu K., & Huang W. (2019). Monitoring plant diseases and pests through remote sensing technology: a review. Compute and Electronics in Agriculture 165: 104943. DOI: https:// doi.org/10.1016/j.compag.2019.104943. [DOI:10.1016/j.compag.2019.104943]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
