Enhancing crop health through digital twin for disease monitoring and nutrient balance

• Autorzy: Mummaneni Sobhana , Sree Sappa Tribhuvana , Devi Katakam Venkata Gayathri

Identyfikatory

DOI

10.35784/iapgos.5626

Warianty tytułu

PL

Poprawa zdrowia upraw za pomocą cyfrowego bliźniaka do monitorowania chorób i bilansu składników odżywczych

• Języki publikacji: EN

Abstrakty

EN

Digital twins is a digital replica of a physical object to observe its real-time performance, gather data, and recommend corrective actions if required to enhance its performance. This fascinating technological idea is now reaching the agriculture fields to transform farming, by creating digital twins of entire farms. This initiative presents an innovative strategy to enhance crop health and yield by creating a digital twin for paddy fields. The aim is to enable early detection of nutrient deficiencies and leaf blast disease, leading to a transformation in agriculture. Creating virtual replicas of plants and fields, the digital twin harnesses real-time data and advanced analytics to transform the way agricultural systems are managed. By integrating remote sensing, data analytics, and various Internet of Things devices like pH, nitrous, potassium, and phosphorus sensors, coupled with a gateway system, the digital twin provides real-time monitoring and analysis of crop health and nutrient levels. Employing advanced machine learning algorithms, notably Convolutional Neural Networks ensures precise and early detection of nutrient deficiencies and crop diseases. This ground-breaking technology provides timely alerts and actionable insights to farmers, enabling proactive decision-making for optimal crop management. This farmland digital twin represents a transformative approach towards agricultural sustainability and enhancing productivity.

PL

Cyfrowe bliźniaki to 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

EN

agricultural sustainability; convolution neural network; digital twin; internet of things; nutrient deficiency detection

PL

zrównoważony rozwój rolnictwa; konwolucyjne sieci neuronowe; cyfrowy bliźniak; internet rzeczy; wykrywanie niedoboru składników odżywczych

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 1
• Strony: 57--62
• Opis fizyczny: Bibliogr. 23 poz., rys., tab., wykr.

Twórcy

autor

Mummaneni Sobhana

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Vijayawada, India

• https://orcid.org/0000-0001-5938-5740

autor

Sree Sappa Tribhuvana

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Vijayawada, India

• https://orcid.org/0009-0009-8594-429X

autor

Devi Katakam Venkata Gayathri

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Vijayawada, India

• https://orcid.org/0009-0002-3492-4386+

Bibliografia

• [1] Abbas A. et al.: Drones in Plant Disease Assessment, Efficient Monitoring, and Detection: A Way Forward to Smart Agriculture. Agronomy 13(6), 2023, 1524.
• [2] Asibi A. E., Chai Q., Coulter J. A.: Rice blast: A disease with implications for global food security. Agronomy 9(8), 2019, 451.
• [3] 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).
• [4] 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.
• [5] Blast (Leaf and Collar), IRRI Rice Knowledge Bank. [www.knowledgebank.irri.org,www.knowledgebank.irri.org/training/factsheets/pest-management/diseases/item/blast-leaf-collar] (avaible 29.09.2023).
• [6] Bravo C. et al.: Early disease detection in wheat fields using spectral reflectance. Biosystems Engineering 84(2), 2003, 137–145.
• [7] Chaux J. D. et al.: A digital twin architecture to optimize productivity within controlled environment agriculture. Applied Sciences 11(19), 2021, 8875.
• [8] Jose A. et al.: Detection and classification of nutrient deficiencies in plants using machine learning. Journal of Physics: Conference Series 1850(1), 2021.
• [9] Kalaji H. M. et al.: Chlorophyll fluorescence as a tool for nutrient status identification in rapeseed plants. Photosynthesis Research 136, 2018, 329–343.
• [10] 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.
• [11] Lau H. Y., Botella J. R.: Advanced DNA-based point-of-care diagnostic methods for plant diseases detection. Frontiers in plant science 8, 2017.
• [12] 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.
• [13] Nutrient-Deficiency-Symptoms-In-Rice. [www.kaggle.com/datasets/guy007/nutrientdeficiencysymptomsinrice] (avaible 27.09.2023).
• [14] 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].
• [15] Peladarinos N. et al.: Enhancing smart agriculture by implementing digital twins: A comprehensive review. Sensors 23(16), 2023, 7128.
• [16] Rice Blast, Rice, Agriculture: Pest Management Guidelines. UC Statewide IPM Program (UC IPM) [ipm.ucanr.edu/agriculture/rice/rice-blast] (avaible 29.09.2023).
• [17] Rice Diseases Image Dataset [www.kaggle.com/datasets/minhhuy2810/ricediseases-image-dataset] (avaible 29.09.2023).
• [18] Rice Production by Country. World Agricultural Production 2023/2024 [www.worldagriculturalproduction.com/crops/rice.aspx] (avaible 29.09.2023).
• [19] Shivappa R. et al.: Emerging minor diseases of rice in India: losses and management strategies. Integrative Advances in Rice Research, 2021.
• [20] 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.
• [21] 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.
• [22] 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.
• [23] Xu Z. et al.: Using deep convolutional neural networks for image-based diagnosis of nutrient deficiencies in rice. Computational Intelligence and Neuroscience, 2020, 7307252.