پیش بینی زودهنگام بیماری میوه
چکیده پیش بینی زودهنگام بیماری میوه
حفاظت شیمیایی موثر از میوه ها یک وظیفه ی پیچیده است که می تواند تولید غذای سالم را بدون باقیمانده های شیمیایی ممکن سازد.
از آنجا که سلامت غذایی یک نگرانی رو به رشد جهانی است، درخودکارسازی و بهینه سازی فرآیند حفاظت از میوه ها مهم است.
تکنیک های داده کاوی متفاوت می تواند برای شناسایی بیماری ها به منظور جلوگیری از استفاده بیش از اندازه مواد شیمیایی مورد استفاده قرار گیرد.
با این حال استفاده از روش های داده کاوی در این زمینه کار بسیار دشواری است.
این سیستم ها اغلب فقط برای یک گونه خاص گیاهی طراحی می شوند.
یک راه حل برای پیش بینی خطر سرایت ميوه براساس داده هايي كه نشان دهنده ی شرايط آب و هوا یی (هواشناسي) و داده های بیماری زا هستند.
در این مقاله ارائه شده است.
این تحقيق بر روي داده هاي جمع آوري شده در منطقه توپليکا در جمهوري صربستان طی یک دوره پنج ساله انجام شده است.
در این مقاله داده کاوی براساس ابزاری برای پیش بینی اولیه فساد بیماری زای میوه انجام می شود.
این برنامه بر اساس موتور منبع باز WEKA با GUI ایجاد شده در C # ایجاد شده است .
چندین الگوریتم داده کاوی استفاده می شوند که در این مقاله ارزیابی شده اند.
نتایج نشان داد که دقت پیش بینی 89% است.
نتیجه گیری:
در این مقاله ابزار نرم افزاری برای پیش بینی سرایت احتمالی بیماری میوه توصیف شده است.
این ابزار طراحی شده است تا توسط کاربر نهایی یعنی فردی که از طریق ایستگاههای هواشناسی به اطلاعات آب و هوایی و اطلاعات درباره ی و فعالیت هاگ های بیماری زا دسترسی دارد، مورد استفاده قرار گیرد.
کشاورز تحصیل کرده یا یک کارمند در یک سرویس معتبر می تواند نقش کاربر نرم افزار را به عهده بگیرد.
این ابزار برای یک نوع از فایل های داده و مجموعه از پیش تعریف شده ای از بیماری طراحی نشده است.
پیش بینی را می توان در مورد بسته داده های مناسب با فرمت فایلی arrf اعمال کرد.
نرم افزار عملکردهای متفاوتی ارائه می دهد، آغاز با GUI که داده ی ورودی را از طریق طبقه بندی و ایجاد مدل آموزشی تولید می کند.
این برنامه بر اساس موتور منبع باز WEKA با GUI در C # ایجاد شده و از چندین الگوریتم داده کاوی که در این مقاله ارزیابی شده اند، استفاده می کند.
نتایج نشان داد که دقت پیش بینی 89% است.
تطبیق نتایج در این مقاله (از کلیه قوانین موجود در یک درخت تصمیم گیری) با آنچه در مرجع الیک و همکاران (2015 ، 2018) وجود دارد، 81.08٪ است.
علاوه بر توضیحات ابزار ابداع شده ، نویسندگان در مقاله الگوریتم های طبقه بندی مختلف موجود در ابزار را ارزیابی کردند.
این الگوریتم های طبقه بندی برای پیش بینی سرایت بیماری های احتمالی روی گونه های میوه خاص استفاده می شود.
با انتخاب دقیق بهترین الگوریتم براساس نتایج داده های “آموزش” ، نتایج بسیار خوبی در پیش بینی ویژگی هر طبقه به دست می آید.
راه حل خاص مساله تحلیل شده در این مقاله فواید مختلفی را ارائه می دهد.
تحقیقات آینده نویسندگان، کاربرد نرم افزار ایجاد شده روی یک مجموعه داده بزرگتر که منطقه جغرافیایی بیشتری را پوشش می دهد خواهد بود.
نویسندگان قصد دارند این ابزار را با مجموعه داده های آب و هوایی خودکار از طریق شبکه ایستگاه های هواشناسی گسترش دهند.
ارتقا دیگر نویسنده در آینده آگاه سازی خودکار کشاورز از سرایت احتمالی از طریق شبکه تلفن همراه یا اینترنت خواهد بود.
برای مشاهده مطالب بیشتر به سایت farzdon مراجعه نماید . پیش بینی زودهنگام بیماری میوه