Artificial Intelligence (AI) as a complementary technology for agricultural Remote Sensing (RS) in plant physiology teaching

  1. Ali Ahmad 1
  2. Shab E. Noor 1
  3. Pedro Cartujo Cassinello 1
  4. Vanessa Martos Núñez 1
  1. 1 Universidad de Granada
    info

    Universidad de Granada

    Granada, España

    ROR https://ror.org/04njjy449

Revista:
ReiDoCrea: Revista electrónica de investigación y docencia creativa

ISSN: 2254-5883

Año de publicación: 2022

Volumen: 11

Páginas: 695-701

Tipo: Artículo

DOI: 10.30827/DIGIBUG.77656 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: ReiDoCrea: Revista electrónica de investigación y docencia creativa

Resumen

La agricultura se enfrenta a varios retos, como el cambio climático, la sequía y la pérdida de tierras fértiles, que podrían comprometer la seguridad alimentaria mundial. En este escenario, la integración de tecnologías novedosas en la agricultura podría ser la posible solución para hacer frente a estos problemas. Existen varias herramientas tecnológicas modernas que pueden integrarse en la agricultura con este fin. La tecnología de teledetección agrícola (RS), que es una de las herramientas más prometedoras, se utiliza desde hace tiempo en la agricultura, pero su potencial no se ha explorado plenamente. La teledetección implica el seguimiento y el análisis de diversos parámetros de crecimiento de los cultivos, lo que genera enormes conjuntos de datos. Pero la gestión e interpretación de los datos generados por la RS es un proceso complejo y costoso. Por lo tanto, la inteligencia artificial (IA), otra herramienta prometedora de la quinta era industrial, podría utilizarse para complementar la tecnología de RS agrícola con el fin de mejorar el procesamiento de los datos y generar resultados de visualización. Los métodos de aprendizaje automático, un subconjunto de la IA, se han empleado eficazmente para la detección de enfermedades, la predicción del rendimiento y la estimación de la biomasa. Sin embargo, sigue existiendo una enorme posibilidad de desarrollar simulaciones de crecimiento y rendimiento de los cultivos, así como modelos de entrenamiento de máquinas a partir de los datos satelitales disponibles de forma gratuita. Por lo tanto, indicar e inculcar estos conocimientos a los jóvenes estudiantes daría lugar a iniciativas novedosas en la fisiología de las plantas agrícolas, ya que la mayoría de los parámetros analizados mediante RS son fisiológicos.

Referencias bibliográficas

  • Ahmad, A, del Moral Garrido, MBG, & Núñez, VMM (2022). Learning about chlorophyll and anthocyanins as potential indicators of plant physiological state. REIDOCREA, 11(15), 171-176. https://doi.org/10.30827/Digibug.73538
  • Ahmad, A, Ordoñez, J, Cartujo, P, & Martos, V (2020). Remotely piloted aircraft (RPA) in agriculture: A pursuit of sustainability. Agronomy, 11(1), 7.
  • Ali Ahmad, VM (2022, 28-30 September 2022). La inteligencia artificial como tecnología complementaria para la teledetección agrícola en la docencia de fisiología vegetal XIX FORO INTERNACIONAL sobre la EVALUACIÓN de la CALIDAD de la INVESTIGACIÓN y de la EDUCACIÓN SUPERIOR (FECIES), Online. http://doi.org/10.13140/RG.2.2.16593.20325
  • Bah, MD, Hafiane, A, & Canals, R (2018). Deep learning with unsupervised data labeling for weed detection in line crops in UAV images. Remote Sensing, 10(11), 1690.
  • Bannerjee, G, Sarkar, U, Das, S, & Ghosh, I (2018). Artificial intelligence in agriculture: A literature survey. International Journal of Scientific Research in Computer Science Applications and Management Studies, 7(3), 1-6.
  • Barbedo, JGA (2019). Plant disease identification from individual lesions and spots using deep learning. Biosystems Engineering, 180, 96-107.
  • Ben Ayed, R, & Hanana, M (2021). Artificial intelligence to improve the food and agriculture sector. Journal of Food Quality, 2021.
  • Boukabara, SA, Krasnopolsky, V, Stewart, JQ, Maddy, ES, Shahroudi, N, & Hoffman, RN (2019). Leveraging modern artificial intelligence for remote sensing and NWP: Benefits and challenges. Bulletin of the American Meteorological Society, 100(12), ES473- ES491.
  • Das, S, Roy, D, & Das, P (2020). Disease feature extraction and disease detection from paddy crops using image processing and deep learning technique. In Computational Intelligence in Pattern Recognition (pp. 443-449). Springer, Singapore.
  • Fu, Z, Jiang, J, Gao, Y, Krienke, B, Wang, M, Zhong, K, Cao, Q, Tian, Y, Zhu, Y, & Cao, W (2020). Wheat growth monitoring and yield estimation based on multi-rotor unmanned aerial vehicle. Remote Sensing, 12(3), 508.
  • Fuentes, A, Yoon, S, Kim, SC, & Park, DS (2017). A robust deeplearning-based detector for real-time tomato plant diseases and pests recognition. Sensors, 17(9), 2022.
  • Gao, Z, Luo, Z, Zhang, W, Lv, Z, & Xu, Y (2020). Deep learning application in plant stress imaging: a review. AgriEngineering, 2(3), 29.
  • Gu, J, Wang, Z, Kuen, J, Ma, L, Shahroudy, A, Shuai, B, Liu, T, Wang, X, Wang, G, & Cai, J (2018). Recent advances in convolutional neural networks. Pattern recognition, 77, 354-377.
  • Hatfield, JL, Cryder, M, & Basso, B (2020). Remote sensing: advancing the science and the applications to transform agriculture. IT Professional, 22(3), 42-45.
  • Huang, Y, Chen, Zx, Tao, Y, Huang, Xz, & Gu, Xf (2018). Agricultural remote sensing big data: Management and applications. Journal of Integrative Agriculture, 17(9), 1915-1931.
  • Huete, A, Didan, K, Miura, T, Rodriguez, EP, Gao, X, & Ferreira, LG (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote sensing of Environment, 83(1-2), 195-213.
  • Hunt, EB (2014). Artificial intelligence. Academic Press.
  • Jung, J, Maeda, M, Chang, A, Bhandari, M, Ashapure, A, & Landivar-Bowles, J (2021). The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems. Current Opinion in Biotechnology, 70, 15-22.
  • Knipper, KR, Kustas, WP, Anderson, MC, Alfieri, JG, Prueger, JH, Hain, CR, Gao, F, Yang, Y, McKee, LG, & Nieto, H (2019). Evapotranspiration estimates derived using thermal-based satellite remote sensing and data fusion for irrigation management in California vineyards. Irrigation Science, 37(3), 431-449.
  • Lary, DJ, Alavi, AH, Gandomi, AH, & Walker, AL (2016). Machine learning in geosciences and remote sensing. Geoscience Frontiers, 7(1), 3-10.
  • Liang, Wj, Zhang, H, Zhang, Gf, & Cao, Hx (2019). Rice blast disease recognition using a deep convolutional neural network. Scientific reports, 9(1), 1-10.
  • Lin, TL, Chang, HY, & Chen, KH (2020). The pest and disease identification in the growth of sweet peppers using faster R-CNN and mask R-CNN. Journal of Internet Technology, 21(2), 605-614.
  • Ma, YW, & Chen, JL (2018). Toward intelligent agriculture service platform with lora-based wireless sensor network. 2018 IEEE International Conference on Applied System Invention (ICASI).
  • Mahajan, G, Pandey, R, Sahoo, R, Gupta, V, Datta, S, & Kumar, D (2017). Monitoring nitrogen, phosphorus and sulphur in hybrid rice (Oryza sativa L.) using hyperspectral remote sensing. Precision agriculture, 18(5), 736-761.
  • Martos, V, Ahmad, A, Cartujo, P, & Ordoñez, J (2021). Ensuring agricultural sustainability through remote sensing in the era of agriculture 5.0. Applied Sciences, 11(13), 5911.
  • McCarthy, J (2004). What is artificial intelligence. URL: http://wwwformal.stanford.edu/jmc/whatisai.html
  • Mellit, A, & Kalogirou, S (2021). Artificial intelligence and internet of things to improve efficacy of diagnosis and remote sensing of solar photovoltaic systems: Challenges, recommendations and future directions. Renewable and Sustainable Energy Reviews, 143, 110889.
  • Mulla, DJ (2013). Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems Engineering, 114(4), 358-371.
  • Nie, X, Wang, L, Ding, H, & Xu, M (2019). Strawberry verticillium wilt detection network based on multi-task learning and attention. IEEE Access, 7, 170003-170011.
  • Perraju, T (2013). Artificial intelligence and decision support systems. International Journal of Advanced Research in IT and Engineering, 2(4), 17-26.
  • Ramcharan, A, Baranowski, K, McCloskey, P, Ahmed, B, Legg, J, & Hughes, DP (2017). Deep learning for image-based cassava disease detection. Frontiers in Plant Science, 8, 1852.
  • Rançon, F, Bombrun, L, Keresztes, B, & Germain, C (2018). Comparison of SIFT encoded and deep learning features for the classification and detection of Esca disease in Bordeaux vineyards. Remote Sensing, 11(1), 1.
  • Rani, A, Chaudhary, A, Sinha, N, Mohanty, M, & Chaudhary, R (2019). Drone: The green technology for future agriculture. Harit Dhara, 2(1), 3-6.
  • Santos, LMd, Barbosa, BDS, & Andrade, AD (2019). Use of remotely piloted aircraft in precision agriculture: A review. Dyna, 86(210), 284-291.
  • Selvaraj, MG, Vergara, A, Ruiz, H, Safari, N, Elayabalan, S, Ocimati, W, & Blomme, G (2019). AI-powered banana diseases and pest detection. Plant Methods, 15(1), 1-11.
  • Sishodia, RP, Ray, RL, & Singh, SK (2020). Applications of remote sensing in precision agriculture: A review. Remote Sensing, 12(19), 3136.
  • Stewart, EL, Wiesner-Hanks, T, Kaczmar, N, DeChant, C, Wu, H, Lipson, H, Nelson, RJ, & Gore, MA (2019). Quantitative phenotyping of Northern Leaf Blight in UAV images using deep learning. Remote Sensing, 11(19), 2209.
  • Tucker, CJ (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote sensing of Environment, 8(2), 127-150.
  • Wiesner-Hanks, T, Wu, H, Stewart, E, DeChant, C, Kaczmar, N, Lipson, H, Gore, MA, & Nelson, RJ (2019). Millimeter-level plant disease detection from aerial photographs via deep learning and crowdsourced data. Frontiers in Plant Science, 10, 1550.
  • Zhang, S, Zhang, S, Zhang, C, Wang, X, & Shi, Y (2019). Cucumber leaf disease identification with global pooling dilated convolutional neural network. Computers and Electronics in Agriculture, 162, 422- 430.
Fuente de los datos: Dialnet