• Rural Digital Europe

การศึกษาและวิเคราะห์ความพร้อมทางด้านเทคโนโลยีดิจิทัลเกี่ยวกับการนำเทคโนโลยีดิจิทัลเข้ามาใช้ในการทำเกษตรกรรมของเกษตรกรใน ต.หนองยาว อ.พนมสารคาม จ.ฉะเชิงเทรา มีวัตถุประสงค์เพื่อศึกษาและวิเคราะห์ความพร้อมทางด้านเทคโนโลยีดิจิทัลเกี่ยวกับการนำเทคโนโลยีดิจิทัลเข้ามาใช้ในการทำเกษตรกรรมของเกษตรกรใน ต.หนองยาว อ.พนมสารคาม จ.ฉะเชิงเทรา เพื่อศึกษาและวิเคราะห์ปัจจัยที่ส่งผลกระทบต่อความพร้อมทางด้านเทคโนโลยีดิจิทัลเกี่ยวกับการนำเทคโนโลยีดิจิทัลเข้ามาใช้ในการทำเกษตรกรรมของเกษตรกรใน ต.หนองยาว อ.พนมสารคาม จ.ฉะเชิงเทรา และเพื่อนำผลข้อมูลการวิจัยนี้ให้กับเจ้าหน้าที่ที่ดูแลเกษตรกรใน ต.หนองยาว อ.พนมสารคาม จ.ฉะเชิงเทราโดยการศึกษาครั้งนี้มีประชากรคือเกษตรกรใน ต.หนองยาว อ.พนมสารคาม จ.ฉะเชิงเทรา ระหว่างเดือนกันยายน พ.ศ. 2564 ถึง เดือนธันวาคม พ.ศ. 2564 จำนวน 1,382 คน และมีกลุ่มตัวอย่างจำนวน 341 คน และใช้เครื่องมือสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สัน (Pearson Correlation) และการวิเคราะห์ถดถอยเชิงเส้นพหุคูณ (Multiple Linear Regression Analysis) ประกอบกับการสัมภาษณ์กลุ่มตัวอย่างจำนวน 5 คน ผลการศึกษาพบว่า 1. ปัจจัยด้านการรับรู้ถึงการมีประโยชน์ 2. ปัจจัยด้านความเคยชิน 3. ปัจจัยด้านแรงจูงใจด้านความชอบ 4. ปัจจัยด้านการได้รับการสนับสนุนจากภาครัฐและภาคเอกชน และ 5. ปัจจัยด้านสภาพสิ่งอำนวยความสะดวกในการใช้งานล้วนมีอิทธิพลต่อความพร้อมทางด้าน เทคโนโลยีดิจิทัลเกี่ยวกับการนำเทคโนโลยีดิจิทัลเข้ามาใช้ในการทำเกษตรกรรมของเกษตรกรใน ต.หนองยาว อ.พนมสารคาม จ.ฉะเชิงเทราอย่างมีนัยสำคัญ โดยเมื่อค่าเฉลี่ยในปัจจัยด้านการรับรู้ถึงการมีประโยชน์ ปัจจัยด้านความเคยชิน ปัจจัยด้านแรงจูงใจด้านความชอบ ปัจจัยด้านการได้รับการสนับสนุนจากภาครัฐและภาคเอกชน และปัจจัยด้านสภาพสิ่งอำนวยความสะดวกในการใช้งานเพิ่มขึ้น 1 หน่วย ค่าเฉลี่ยความพร้อมทางด้านเทคโนโลยีดิจิทัลเกี่ยวกับการนำเทคโนโลยีดิจิทัลเข้ามาใช้ในการทำเกษตรกรรมของเกษตรกรใน ต.หนองยาว อ.พนมสารคาม จ.ฉะเชิงเทรา จะเพิ่มขึ้น 0.280, 0.196, 0.178, 0.106 และ 0.117 ตามลำดับ นอกจากนี้ยังพบว่า 1. ปัจจัยด้านการรับรู้ความยากง่ายในการใช้ 2. ปัจจัยด้านอิทธิพลของสังคม และ 3. ปัจจัยด้านมูลค่าราคา ไม่มีอิทธิพลต่อความพร้อมทางด้านเทคโนโลยีดิจิทัลเกี่ยวกับการนำเทคโนโลยีดิจิทัลเข้ามาใช้ในการทำเกษตรกรรมของเกษตรกรใน ต.หนองยาว อ.พนมสารคาม จ.ฉะเชิงเทรา ซึ่งสอดคล้องกับผลการสัมภาษณ์ที่เกษตรกรได้แสดงความคิดเห็นว่า การที่จะใช้อุปกรณ์หรือเทคโนโลยีใหม่ๆ นั้นเกษตรกรจะใช้ตามคำแนะนำของ เกษตรตำบล เกษตรอำเภอ เป็นหลักเนื่องจากเห็นว่ามีวิธีการใช้งานที่ไม่ยุ่งยาก หรือหากมีปัญหาการใช้งาน ก็สามารถปรึกษาตัวแทนเกษตร เกษตรตำบล เกษตรอำเภอ ได้เสมอ รวมถึงในเรื่องของมูลค่าราคา เกษตรกรจะได้ใช้อุปกรณ์หรือเทคโนโลยีใหม่ๆ ร่วมกับตัวแทนเกษตร โดยที่เกษตรกรยังไม่ต้องซื้ออุปกรณ์เหล่านี้มาใช้ด้วยตนเอง เป็นต้น

Digital herbage seed production and research offer new possibilities but also new challenges. Technological, software, and algorithm development proceeds extremely rapidly, while the development of decision support systems and related agronomic and biological interpretation lags. These challenges must not prevent us from exploring new technology and methods in herbage seed production and research. We must recognize, however, that increasing the utilization of applied and available nutrients through the use of sensors, local weather data, and predictions, in combination with application algorithms, may not necessarily increase farmer revenue or reduce negative environmental impacts. Advanced field phenotyping holds great potential and is receiving a great deal of attention, based on publication frequency, and breeders will gain new knowledge from these technologies and methods. The use of advanced phenotyping in combination with crop models is an interesting area that undoubtedly will increase our basic knowledge of plant development and performance, which is necessary in order to better understand the interactions between nutrient utilization, optimal application timing for plant growth regulation, weed control, and other field operations. The conclusion is that digital herbage seed production and research are still in the early development stage.

The Handbook Digital Farming sheds light on the technological, economic, social, and legal perspectives of the digital transformation. The authors of the individual chapters explain the state of the art and the development of business models, enabling readers to draw conclusions for their own organizations. They also provide an outlook on trends, and further developments. The handbook provides technological facts from renowned experts and concrete business examples from experienced companies and start-ups. It is aimed at farmers, farm and business managers, decision-makers and developers of digital tools and strategies in the agri-food sector, as well as scientists and students. The handbook provides insights to the discussion of what contribution digital farming can make to the implementation of Green Deal, Farm to Fork and the new Common Agricultural Policy.

Farming is the backbone of the Indian economy and it has been unchartered territory for a technological solution. As of late one of the innovations, Artificial Intelligence has paved the way for digital farming. As an important sector, Indian farming has been facing various challenges like an abrupt change in climatic conditions, spoiling of yields, soil nutrient requirement, pest and weed control, and so forth. Robots with an emerging technique Artificial Intelligence with the integration of various sensors, enhance the better outcome. The network foundation and characteristic simulation of the mobile parameters are set through an Ad-Hoc system or remote sensor-related with each portable robot. Artificial Intelligence with cloud data guarantees and empowers the associated coordinate with mobile robots in all conditions. Through Global Positioning Systems the actual position of the robot is known and the information is retrieved back to the Access point through Beacon message. To view and download the paper for free, visit: http://pices-journal.com/ojs/index.php/pices/article/view/237

National audience; 'Digital agriculture' deals with the development, testing and deployment of information and communication technologies (ICT) for agricultural benefits, either at the farm level (optimisation of farm operations), in the services (seed producers, advisors) or at larger scales (territory level, global value chain) to build a more inclusive society with regard to agriculture. ICT has entered agriculture in the 70's, with earth observation, and has known a growing interest in research starting in 2010's with smartphones, more earth observation satellites, high-throughput phenotyping, connected objects, IoT, big data. Today, the time for digital agriculture has come with a favorable technology-push / market-pull conjunction. On the one hand, ICT technologies are seen as an opportunity for agriculture for both European countries and developing countries in which "[ICT] contributions to agriculture are both rapidly evolving and poorly understood [...] questions remain about how to make these innovations replicable, scalable, and sustainable for a larger and more diverse population". Digital agriculture has recently been put forward by the "Agriculture-Innovation 2025" report as one of the 4 key technologies needing research to prepare a sustainable French agriculture in 2025. On the other hand, "digital agriculture and food" appears to ICT sector as one of the 10 key areas, with 3 main areas of interest: robotics, precision agriculture, and big data. To boost the convergence of these two worlds, ie agriculture and ICT, and to accelerate the building up and diffusion of innovation in agriculture, we made the hypothesis that it is essential to pool intellectual and material resources in common infrastructure and to share them. This will reduce the costs, facilitate the creation of knowledge. This paper aims at introducing four French projects of resource pooling dedicated to ICT in agriculture, at various stages of development and encompassing various levers of innovation: - #DigitAg, a convergence institute for digital agriculture in Montpellier. - The Mediterannean Digital Farm, an exemplary farm for digital agriculture - AgGate : a gate for pooling data of agricultural interest - The GeoSud project : pooling satellite data

Mapping crop within-field yield variability provide an essential piece of information for precision agriculture applications. Leaf Area Index (LAI) is an important parameter that describes maize growth, vegetation structure, light absorption and subsequently maize biomass and grain yield (GY). The main goal for this study was to estimate maize biomass and GY through LAI retrieved from hyperspectral aerial images using a PROSAIL model inversion and compare its performance with biomass and GY estimations through simple vegetation index approaches. This study was conducted in two separate maize fields of 12 and 20 ha located in north-west Mexico. Both fields were cultivated with the same hybrid. One field was irrigated by a linear pivot and the other by a furrow irrigation system. Ground LAI data were collected at different crop growth stages followed by maize biomass and GY at the harvesting time. Through a weekly/biweekly airborne flight campaign, a total of 19 mosaics were acquired between both fields with a micro-hyperspectral Vis-NIR imaging sensor ranging from 400 to 850 nanometres (nm) at different crop growth stages. The PROSAIL model was calibrated and validated for retrieving maize LAI by simulating maize canopy spectral reflectance based on crop-specific parameters. The model was used to retrieve LAI from both fields and to subsequently estimate maize biomass and GY. Additionally, different vegetation indices were calculated from the aerial images to also estimate maize yield and compare the indices with PROSAIL based estimations. The PROSAIL validation to retrieve LAI from hyperspectral imagery showed a R

This study investigates the effect of different factors, such as demographic factors, agriculture factors, knowledge and perception, and support, on the interest to adopt a smart farming system for farmers in Sisaket province. Qualitative and quantitative analyses were conducted. Participants (n = 3) had an in-depth interview. Participants (n = 50) were also surveyed via online channels. Cross-case analysis was conducted from the in-depth interviews. Descriptive analysis was used to understand the nature of the data. The collected data from the surveys were analyzed using multiple regression. The results show that knowledge of technology and the support from the government have a statistically significant effect on an interest to adopt a smart farming system. However, the machinery experience, technology perception, negative smart farming perception, support from the private sector, and learning effectiveness from the non-government sector are shown to be insignificant.

Digital Farming ermöglicht Softwaretools, mit denen Prozesse wie z. B. der Pflanzenschutz schon vor der Appli­kation von Pflanzenschutzmitteln (PSM) im Detail geplant und darauf basierend Entscheidungen getroffen werden können. Mit dem entwickelten Assistenzsystem wird genau dies für den Pflanzenschutz umgesetzt, und für die praktische Landwirtschaft zur Verfügung gestellt. Durch die Einbindung verschiedener Services wird die Erstellung von Applikationskarten ermöglicht und dabei verschiedenste Informationsquellen aus Webservices zur Verfügung gestellt. Der Dateninput besteht zunächst aus langjährigen Ertragsdaten, Zonenmanagementkarten, digitalen Höhendaten, Satellitendaten aber auch Sensordaten, die im Assistenzsystem prozessiert, vom Anwender ggf. auch nachbearbeitet werden können und vom Feldspritzgerät mit Hilfe des erzeugten Kartenmaterials teilflächenspezifisch appliziert werden. Das Assistenz­system begleitet den Anwender durch den gesamten Prozess – Planung, Vorbereitung, Applikation und Dokumentation – des Pflanzenschutzes. Dazu werden zum Beispiel mittelspezifische Abstandsauflagen, Anwenderschutzbestimmungen, das Driftminderungspotenzial der eingesetzten Technik, die aktuellen Witterungsbedingungen und weitere Informationen vom digitalen Assistenzsystem verarbeitet und bei den Empfehlungen berücksichtigt. Journal für Kulturpflanzen, Bd. 73 Nr. 5-6 (2021): Themenheft: Assistenzsysteme für den Pflanzenschutz

RECENSIÓN A LA OBRA DERECHO AGROALIMENTARIO Y CIBERSEGURIDAD. AUTORA: ESTHER MUÑIZ ESPADA. Madrid, Reus, 2019. 230 páginas.

Chlorosis, or leaf yellowing, in crops is one of the quality issues that primarily occurs due to interference in the production of chlorophyll contents. The primary contributors to inadequate chlorophyll levels are abiotic stresses, such as inadequate environmental conditions (temperature, illumination, humidity, etc.), improper nutrient supply, and poor water quality. Various techniques have been developed over the years to identify leaf chlorosis and assess the quality of crops, including visual inspection, chemical analyses, and hyperspectral imaging. However, these techniques are expensive, time-consuming, or require special skills and precise equipment. Recently, computer vision techniques have been implemented in the agriculture field to determine the quality of crops. Computer vision models are accurate, fast, and non-destructive, but they require a lot of data to achieve high performance. In this study, an image processing-based solution is proposed to solve these problems and provide an easier, cheaper, and faster approach for identifying the chlorosis in lettuce crops grown in an aquaponics facility based on their sensory property, foliage color. The ‘HSV space segmentation’ technique is used to segment the lettuce crop images and extract red (R), green (G), and blue (B) channel values. The mean values of the RGB channels are computed, and a color distance model is used to determine the distance between the computed values and threshold values. A binary indicator is defined, which serves as the crop quality indicator associated with foliage color. The model’s performance is evaluated, achieving an accuracy of 95%. The final model is integrated with the ontology model through a cloud-based application that contains knowledge related to abiotic stresses and causes responsible for lettuce foliage chlorosis. This knowledge can be automatically extracted and used to take precautionary measures in a timely manner. The proposed application finds its significance as a decision support system that can automate crop quality monitoring in an aquaponics farm and assist agricultural practitioners in decision-making processes regarding crop stress management.