طراحی سیستم آبیاری زعفران مبتنی بر IOT

زعفران یک ادویه بسیار ارزشمند و مورد تقاضای جهانی است. با این وجود، نرخ تولید به دلایل مختلف قادر به پاسخگویی به تقاضای فزاینده فزاینده نیست. یکی از مشکلات عمده ای که در افزایش رشد زعفران با آن مواجه است، عدم شناخت بهترین شرایط است. عواملی مانند دما، رطوبت و شدت نور نقش حیاتی در رشد و نمو گیاهان دارند و نظارت و کنترل مستمر این عوامل برای اطمینان از رشد مطلوب ضروری است. برای پرداختن به این موضوع، این مقاله یک سیستم خودکار یکپارچه را معرفی می‌کند که برای توانمندسازی کشاورزان در بهینه‌سازی تولید و همزمان تسهیل جمع‌آوری داده‌ها برای اهداف تحقیقاتی، با هدف افزایش کمیت و کیفیت محصولات کشاورزی با استفاده از حسگرها و یک برنامه پخش زنده داده طراحی شده است. این امکان مدیریت کارآمد عملیات کشت زعفران را فراهم می کند و تنظیمات دقیق تری را ممکن می سازد. حسگرها را می توان از راه دور در مناطق کشت زعفران قرار داد و از طریق اتصالات بی سیم به برنامه متصل شد و به کشاورزان اجازه می دهد این عوامل را کنترل کرده و تغییرات را به طور مداوم پیشنهاد دهند. کشاورزان با استفاده از این سیستم می توانند از بهینه بودن شرایط رشد گیاه زعفران در هر زمان اطمینان حاصل کنند که منجر به افزایش تولید می شود. برنامه توسعه‌یافته از فناوری‌هایی مانند ReactJS و Google Firebase استفاده می‌کند و همچنین امکان پخش بی‌درنگ داده‌ها را فراهم می‌کند و کشاورزان را قادر می‌سازد تا شرایط فعلی را در هر زمان مشاهده کنند و بر اساس آن تنظیمات را انجام دهند. علاوه بر این، یک اپلیکیشن موبایل کاربرپسند توسعه داده شده است تا کشاورزان را قادر سازد تا به راحتی بر شرایط کشت خود نظارت کنند. این مقاله با ادغام عامل شدت نور و تأثیر آن بر زعفران در مرحله جوانه‌زنی و رشد، شکاف بین تحقیقات موجود را پر می‌کند، منطقه‌ای که به شدت تحت تحقیق است و ادغام جریان اصلی تقریباً ناچیز در مدل‌های نمونه اولیه مشابه را می‌یابد. علاوه بر این، این مقاله بر پتانسیل مدل‌های یادگیری ماشینی در آینده با برجسته کردن شرایط برای مطالعات بعدی با استفاده از داده‌های جمع‌آوری‌شده از طریق نمونه اولیه تاکید می‌کند، بنابراین پیشرفت‌های مداوم در تحقیقات و فناوری کشاورزی را تقویت می‌کند.

Saffron is a highly prized and globally demanded spice.Still, the rate of production is unable to keep up with the exponentially rising demand due to a variety of reasons. One of the major problems faced in increasing saffron growth is the lack of understanding of the best circumstances. Factors like Temperature, humidity, and light intensity play a vital role in the growth and development of plants, and continuous monitoring and control of these factors are necessary to ensure optimal growth. To address this issue this paper introduces an integrated automated system designed to empower farmers in optimizing production while simultaneously facilitating data collection for research purposes, aimed at enhancing both the quantity and quality of agricultural yields using the utilization of sensors and a live data streaming application. It allows for efficient management of saffron’s growing operations and enables more accurate adjustments. The sensors can be remotely located in the saffron growing areas and connected to the app via wireless connections, allowing farmers to monitor these factors and suggest changes continuously. Using this system, farmers can ensure that the conditions for saffron plant growth are optimal at all times, leading to increased production. The developed app utilizes technologies such as ReactJS and Google Firebase, and also allows for real-time data streaming, enabling farmers to view the current conditions at any time and make adjustments accordingly. Additionally, a user-friendly mobile application is developed to enable farmers to easily oversee their cultivation conditions. This paper bridges the gap between existing research by integrating the factor of luminous intensity and its effect on Saffron during it’s budding and growth stage, an area which is severely under researched and finds almost negligible mainstream integration in similar prototype models. Furthermore, the paper underscores the potential for future machine learning models by highlighting the provision for follow-up studies using the data collected through the prototype, thus fostering ongoing advancements in agricultural research and technology.