دوره 10، شماره 20 - ( پاییز و زمستان 1402 )
جلد 10 شماره 20 صفحات 108-94 |
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:
hesabi F, Jafarpanah I, Karshenas A, Ahmadzadeh M H. (2024). Technological Trends in Smart Agriculture. J Entrepreneurial Strategies Agric. 10(20), 94-108. doi:10.61186/jea.10.20.94
URL: http://jea.sanru.ac.ir/article-1-367-fa.html
URL: http://jea.sanru.ac.ir/article-1-367-fa.html
حسابی فاطمه، جعفرپناه اسماعیل، کارشناس عباس، احمدزاده محمد حسن. شناسایی روندهای فناورانه در حوزه کشاورزی هوشمند راهبردهای کارآفرینی در کشاورزی 1402; 10 (20) :108-94 10.61186/jea.10.20.94
دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس
چکیده: (929 مشاهده)
مقدمه و هدف: بخش کشاورزی بهعنوان یکی از ظرفیت‌های بالقوه و مهم می‌تواند در فرآیند توسعه اقتصادی کشور نقش بی‌بدیلی ایفا کند. به‌کارگیری فناوری در این حوزه نقش بسیار مهمی در افزایش تولید، ارتقای بهره‌وری و دستیابی به بازارهای جهانی ایفا می‌کند. پیشرفت در فناوری‌های نوظهور موجب تغییر پارادایم در حوزه کشاورزی شده است. در حال حاضر، این انقلاب که بر پایه فناوری‌های دیجیتال است به عنوان راه‌حلی برای تحول در حوزه کشاورزی به روشی انعطاف‌پذیر و پایدار در نظر گرفته می‌شود. هدف این پژوهش، بررسی روندهای فناورانه و کارکرد آن‌ها در زنجیره کشاورزی جهت گذار موفقیت‌آمیز به سمت کشاورزی هوشمند است.
مواد و روش‌‌ها: این پژوهش از نظر هدف کاربردی است و با استفاده از روش مرور نظام‌مند به تحلیل پژوهش‌های انجام شده در حوزه کشاورزی می‌پردازد. جامعه آماری این پژوهش تمامی مقالاتی که به زبان انگلیسی در حوزه موضوعی کشاورزی هوشمند در بازه زمانی 2011-2022 و در پایگاه WoS و Scopus به چاپ رسیدند، است. 3257 مقاله در مرحله اول شناسایی و برای تحلیل علم‌سنجی وارد نرم‌افزار Vosviewer (1.16.09) شد. سپس با استفاده از سوال پژوهش و رویکرد پریسما 33 مقاله برای مطالعه تمام متن در بخش کیفی پژوهش انتخاب شد.
یافته‌ها: در بخش تحلیل استنادی اسناد با استفاده از نقشه‌های دانشی، روند رشد مقالات علمی این حوزه، تعیین مجلات، مراکز تحقیقاتی و کشورهای فعال، تعیین نویسندگان با بیشترین مقالات، شناسایی شبکه‌های علمی و ارزیابی میزان مرجعیت آن‌ها شناسایی شد. در بخش کیفی نیز مطالعه پژوهش‌ها، اینترنت اشیاء را به عنوان مهم‌ترین حوزه فناورانه در بخش کشاورزی نشان می‌دهد. فناوری‌های هوش مصنوعی، یادگیری ماشین، کلان داده، زنجیره بلوکی، شبکه حسگرهای بی‌سیم، سنجش از راه دور، حسگرها، رایانش در ابر، مه و لبه، شبکه گسترده کم‌مصرف بهعنوان فناوری‌های همگرا، شناسایی و در چهار دسته جمع‌آوری داده‌ها، محاسبات و ارتباطات، امنیت و یکپارچگی داده‌ها و پیش‌بینی و یادگیری طبقه‌بندی شدند. انتظار می‌رود، دانش خلق شده بهعنوان مبنایی مهم برای مدیران و سیاست‌گذاران در جهت اثرگذاری مطلـوب بـر اسـتراتژی‌هـا، سیاست‌ها و برنامه‌های توسعه‌ای حوزه کشاورزی قرار گیرد.
نتیجه‌‌گیری: با توجه به روندهای شناسایی شده، دولت با اتخاذ اقدامات و ایجاد بسترهای مناسب نظیر توسعه زیرساخت‌های فنی، زیرساخت انسانی، حمایت از تحقیقات و توسعه، تشویق به کشاورزی هوشمند، حمایت مالی و توسعه بازارهای تضمینی می‌تواند به توسعه کشاورزی هوشمند و افزایش بهره‌وریِ این حوزه کمک کند و در نهایت به توسعه پایدار و افزایش توانمندی‌های کشور منجر شود.
مواد و روش‌‌ها: این پژوهش از نظر هدف کاربردی است و با استفاده از روش مرور نظام‌مند به تحلیل پژوهش‌های انجام شده در حوزه کشاورزی می‌پردازد. جامعه آماری این پژوهش تمامی مقالاتی که به زبان انگلیسی در حوزه موضوعی کشاورزی هوشمند در بازه زمانی 2011-2022 و در پایگاه WoS و Scopus به چاپ رسیدند، است. 3257 مقاله در مرحله اول شناسایی و برای تحلیل علم‌سنجی وارد نرم‌افزار Vosviewer (1.16.09) شد. سپس با استفاده از سوال پژوهش و رویکرد پریسما 33 مقاله برای مطالعه تمام متن در بخش کیفی پژوهش انتخاب شد.
یافته‌ها: در بخش تحلیل استنادی اسناد با استفاده از نقشه‌های دانشی، روند رشد مقالات علمی این حوزه، تعیین مجلات، مراکز تحقیقاتی و کشورهای فعال، تعیین نویسندگان با بیشترین مقالات، شناسایی شبکه‌های علمی و ارزیابی میزان مرجعیت آن‌ها شناسایی شد. در بخش کیفی نیز مطالعه پژوهش‌ها، اینترنت اشیاء را به عنوان مهم‌ترین حوزه فناورانه در بخش کشاورزی نشان می‌دهد. فناوری‌های هوش مصنوعی، یادگیری ماشین، کلان داده، زنجیره بلوکی، شبکه حسگرهای بی‌سیم، سنجش از راه دور، حسگرها، رایانش در ابر، مه و لبه، شبکه گسترده کم‌مصرف بهعنوان فناوری‌های همگرا، شناسایی و در چهار دسته جمع‌آوری داده‌ها، محاسبات و ارتباطات، امنیت و یکپارچگی داده‌ها و پیش‌بینی و یادگیری طبقه‌بندی شدند. انتظار می‌رود، دانش خلق شده بهعنوان مبنایی مهم برای مدیران و سیاست‌گذاران در جهت اثرگذاری مطلـوب بـر اسـتراتژی‌هـا، سیاست‌ها و برنامه‌های توسعه‌ای حوزه کشاورزی قرار گیرد.
نتیجه‌‌گیری: با توجه به روندهای شناسایی شده، دولت با اتخاذ اقدامات و ایجاد بسترهای مناسب نظیر توسعه زیرساخت‌های فنی، زیرساخت انسانی، حمایت از تحقیقات و توسعه، تشویق به کشاورزی هوشمند، حمایت مالی و توسعه بازارهای تضمینی می‌تواند به توسعه کشاورزی هوشمند و افزایش بهره‌وریِ این حوزه کمک کند و در نهایت به توسعه پایدار و افزایش توانمندی‌های کشور منجر شود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
تحقیق و توسعه و نوآوری
دریافت: 1402/4/5 | پذیرش: 1402/7/12 | انتشار: 1402/11/8
دریافت: 1402/4/5 | پذیرش: 1402/7/12 | انتشار: 1402/11/8
فهرست منابع
1. Abbasi, A. Z., Islam, N., & Shaikh, Z. A. (2014). A review of wireless sensors and networks' applications in agriculture. Computer Standards & Interfaces, 36(2), 263-270. [DOI:10.1016/j.csi.2011.03.004]
2. Alharbi, H. A., & Aldossary, M. (2021). Energy-efficient edge-fog-cloud architecture for IoT-based smart agriculture environment. IEEE ACCESS, 9, 110480-110492. [DOI:10.1109/ACCESS.2021.3101397]
3. Arasti, M., Garousi Mokhtarzadeh, N., & Jafarpanah, I. (2022). Networking capability: A systematic review of literature and future research agenda. Journal of Business & Industrial Marketing, 37(1), 160-179. [DOI:10.1108/JBIM-06-2020-0273]
4. Araújo, S. O., Peres, R. S., Barata, J., Lidon, F., & Ramalho, J. C. (2021). Characterising the agriculture 4.0 landscape-Emerging trends, challenges and opportunities. Agronomy, 11(4), 667. [DOI:10.3390/agronomy11040667]
5. Aromataris, E., & Pearson, A. (2014). The systematic review: An overview. The American Journal of Nursing, 114(3), 53-58. [DOI:10.1097/01.NAJ.0000444496.24228.2c]
6. Demchenko, Y., Grosso, P., De Laat, C., & Membrey, P. (2013). Addressing big data issues in scientific data infrastructure. 2013 International conference on collaboration technologies and systems (CTS). [DOI:10.1109/CTS.2013.6567203]
7. Ferrández-Pastor, F. J., García-Chamizo, J. M., Nieto-Hidalgo, M., Mora-Pascual, J., & Mora-Martínez, J. (2016). Developing ubiquitous sensor network platform using internet of things: Application in precision agriculture. SENSORS, 16(7), 1141. [DOI:10.3390/s16071141]
8. Galvez, J. F., Mejuto, J. C., & Simal-Gandara, J. (2018). Future challenges on the use of blockchain for food traceability analysis. Trends in Analytical Chemistry, 107, 222-232. [DOI:10.1016/j.trac.2018.08.011]
9. Gomis, K., Kahandawa, R., & Jayasinghe, R. S. (2022). Scientometric analysis of the global scientific literature on circularity indicators in the construction and Built Environment Sector. Sustainability, 15(1), 728. [DOI:10.3390/su15010728]
10. Haddaway, N. R., Page, M. J., Pritchard, C. C., & McGuinness, L. A. (2022). PRISMA2020: An R package and Shiny app for producing PRISMA 2020‐compliant flow diagrams, with interactivity for optimised digital transparency and Open Synthesis. Campbell Systematic Reviews, 18(2), e1230. [DOI:10.1002/cl2.1230]
11. Harris, J. D., Quatman, C. E., Manring, M. M., Siston, R. A., & Flanigan, D. C. (2014). How to write a systematic review. The American Journal of Sports Medicine, 42(11), 2761-2768. [DOI:10.1177/0363546513497567]
12. Idoje, G., Dagiuklas, T., & Iqbal, M. (2021). Survey for smart farming technologies: Challenges and issues. Computers & Electrical Engineering, 92, 107104. [DOI:10.1016/j.compeleceng.2021.107104]
13. Jawad, H. M., Nordin, R., Gharghan, S. K., Jawad, A. M., & Ismail, M. (2017). Energy-efficient wireless sensor networks for precision agriculture: A review. SENSORS, 17(8), 1781. [DOI:10.3390/s17081781]
14. Johnson, M. D., Hsieh, W. W., Cannon, A. J., Davidson, A., & Bédard, F. (2016). Crop yield forecasting on the Canadian Prairies by remotely sensed vegetation indices and machine learning methods. Agricultural and Forest Meteorology, 218, 74-84. [DOI:10.1016/j.agrformet.2015.11.003]
15. Kalyani, Y., & Collier, R. (2021). A systematic survey on the role of cloud, fog, and edge computing combination in smart agriculture. SENSORS, 21(17), 5922. [DOI:10.3390/s21175922]
16. Kamilaris, A., Kartakoullis, A., & Prenafeta-Boldú, F. X. (2017). A review on the practice of big data analysis in agriculture. Computers and Electronics in Agriculture, 143, 23-37. [DOI:10.1016/j.compag.2017.09.037]
17. Kassim, M. R. M., Mat, I., & Harun, A. N. (2014). Wireless Sensor Network in precision agriculture application. 2014 International Conference on Computer, Information and Telecommunication Systems (CITS). [DOI:10.1109/CITS.2014.6878963]
18. Kim, J., Kim, S., Ju, C., & Son, H. I. (2019). Unmanned aerial vehicles in agriculture: A review of perspective of platform, control, and applications. IEEE ACCESS, 7, 105100-105115. [DOI:10.1109/ACCESS.2019.2932119]
19. Krishna, K. L., Silver, O., Malende, W. F., & Anuradha, K. (2017). Internet of things application for implementation of smart agriculture system. 2017 International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC). [DOI:10.1109/I-SMAC.2017.8058236]
20. Lezoche, M., Hernandez, J. E., Díaz, M. d. M. E. A., Panetto, H., & Kacprzyk, J. (2020). Agri-food 4.0: A survey of the supply chains and technologies for the future agriculture. Computers in Industry, 117, 103187. [DOI:10.1016/j.compind.2020.103187]
21. Liu, Y., Ma, X., Shu, L., Hancke, G. P., & Abu-Mahfouz, A. M. (2020). From industry 4.0 to agriculture 4.0: Current status, enabling technologies, and research challenges. IEEE Transactions on Industrial Informatics, 17(6), 4322-4334. [DOI:10.1109/TII.2020.3003910]
22. Liya, M., & Arjun, D. (2020). A survey of LPWAN technology in agricultural field. 2020 Fourth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC). [DOI:10.1109/I-SMAC49090.2020.9243410]
23. Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., & Group, P. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. Annals of Internal Medicine, 151(4), 264-269. [DOI:10.7326/0003-4819-151-4-200908180-00135]
24. Mulla, D. J. (2013). Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems Engineering, 114(4), 358-371. [DOI:10.1016/j.biosystemseng.2012.08.009]
25. Navarro, E., Costa, N., & Pereira, A. (2020). A systematic review of IoT solutions for smart farming. Sensors, 20(15), 4231. [DOI:10.3390/s20154231]
26. Ojha, T., Misra, S., & Raghuwanshi, N. S. (2015). Wireless sensor networks for agriculture: The state-of-the-art in practice and future challenges. Computers and Electronics in Agriculture, 118, 66-84. [DOI:10.1016/j.compag.2015.08.011]
27. Pinter-Wollman, N., & Mabry, K. (2010). Remote-Sensing of Behavior. Encyclopedia of Animal Behaviour. In: Elsevier Ltd.: Amsterdam, The Netherlands. [DOI:10.1016/B978-0-08-045337-8.00232-1]
28. Praveen, B., & Sharma, P. (2020). A review: The role of geospatial technology in precision agriculture. Journal of Public Affairs, 20(1), e1968. [DOI:10.1002/pa.1968]
29. Raparelli, E., & Bajocco, S. (2019). A bibliometric analysis on the use of unmanned aerial vehicles in agricultural and forestry studies. International Journal of Remote Sensing, 40(24), 9070-9083. [DOI:10.1080/01431161.2019.1569793]
30. Shafi, U., Mumtaz, R., García-Nieto, J., Hassan, S. A., Zaidi, S. A. R., & Iqbal, N. (2019). Precision agriculture techniques and practices: From considerations to applications. Sensors, 19(17), 3796. [DOI:10.3390/s19173796]
31. Sharma, R., Kamble, S. S., Gunasekaran, A., Kumar, V., & Kumar, A. (2020). A systematic literature review on machine learning applications for sustainable agriculture supply chain performance. Computers and Operations Research, 119, 104926. [DOI:10.1016/j.cor.2020.104926]
32. Shi, X., An, X., Zhao, Q., Liu, H., Xia, L., Sun, X., & Guo, Y. (2019). State-of-the-art internet of things in protected agriculture. Sensors, 19(8), 1833. [DOI:10.3390/s19081833]
33. Singh, R. K., Puluckul, P. P., Berkvens, R., & Weyn, M. (2020). Energy consumption analysis of LPWAN technologies and lifetime estimation for IoT application. Sensors, 20(17), 4794. [DOI:10.3390/s20174794]
34. Terence, S., & Purushothaman, G. (2020). Systematic review of Internet of Things in smart farming. Transactions on Emerging Telecommunocations Technologies, 31(6), e3958. [DOI:10.1002/ett.3958]
35. Trendov, N., Varas, S., & Zeng, M. (2019). Digital technologies in agriculture and rural areas-Status report, Licence: cc by-nc-sa 3.0 igo. In: Rome.
36. Tzounis, A., Katsoulas, N., Bartzanas, T., & Kittas, C. (2017). Internet of things in agriculture, recent advances and future challenges. Biosystems Engineering, 164, 31-48. [DOI:10.1016/j.biosystemseng.2017.09.007]
37. Villa-Henriksen, A., Edwards, G. T., Pesonen, L. A., Green, O., & Sørensen, C. A. G. (2020). Internet of things in arable farming: Implementation, applications, challenges and potential. Biosystems Engineering, 191, 60-84. [DOI:10.1016/j.biosystemseng.2019.12.013]
38. Weiss, M., Jacob, F., & Duveiller, G. (2020). Remote sensing for agricultural applications: A meta-review. Remote Sensing of Environment, 236, 111402. [DOI:10.1016/j.rse.2019.111402]
39. Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M. J. (2017). Big data in smart farming-a review. Agricultural Systems, 153, 69-80. [DOI:10.1016/j.agsy.2017.01.023]
40. Zhou, K., Liu, T., & Zhou, L. (2015). Industry 4.0: Towards future industrial opportunities and challenges. 2015 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD). [DOI:10.1109/FSKD.2015.7382284]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
