യുഎവികൾക്ക് വൈവിധ്യമാർന്ന റിമോട്ട് സെൻസിംഗ് സെൻസറുകൾ വഹിക്കാൻ കഴിയും, അവയ്ക്ക് മൾട്ടി-ഡൈമൻഷണൽ, ഹൈ-പ്രിസിഷൻ ഫാം ലാൻഡ് വിവരങ്ങൾ നേടാനും ഒന്നിലധികം തരം കൃഷിഭൂമി വിവരങ്ങളുടെ ചലനാത്മക നിരീക്ഷണം തിരിച്ചറിയാനും കഴിയും. അത്തരം വിവരങ്ങളിൽ പ്രധാനമായും വിളകളുടെ സ്ഥല വിതരണ വിവരങ്ങൾ (കൃഷിസ്ഥലം പ്രാദേശികവൽക്കരണം, വിളകളുടെ ഇനം തിരിച്ചറിയൽ, പ്രദേശം കണക്കാക്കലും മാറ്റത്തിൻ്റെ ചലനാത്മക നിരീക്ഷണം, ഫീൽഡ് ഇൻഫ്രാസ്ട്രക്ചർ എക്സ്ട്രാക്ഷൻ), വിള വളർച്ചാ വിവരങ്ങൾ (വിള പ്രതിഭാസ പരാമീറ്ററുകൾ, പോഷകാഹാര സൂചകങ്ങൾ, വിളവ്), വിള വളർച്ച സമ്മർദ്ദ ഘടകങ്ങൾ (വയൽ ഈർപ്പം) എന്നിവ ഉൾപ്പെടുന്നു. , കീടങ്ങളും രോഗങ്ങളും) ചലനാത്മകത.
കൃഷിഭൂമി സ്പേഷ്യൽ വിവരങ്ങൾ
വയലുകളുടെ ഭൂമിശാസ്ത്രപരമായ കോർഡിനേറ്റുകളും വിഷ്വൽ ഡിസ്ക്രിമിനേഷൻ അല്ലെങ്കിൽ മെഷീൻ റെക്കഗ്നിഷനിലൂടെ ലഭിച്ച വിളകളുടെ വർഗ്ഗീകരണങ്ങളും കൃഷിഭൂമിയുടെ സ്പേഷ്യൽ ലൊക്കേഷൻ വിവരങ്ങളിൽ ഉൾപ്പെടുന്നു. ഭൂമിശാസ്ത്രപരമായ കോർഡിനേറ്റുകൾ ഉപയോഗിച്ച് ഫീൽഡ് അതിരുകൾ തിരിച്ചറിയാൻ കഴിയും, കൂടാതെ നടീൽ പ്രദേശം കണക്കാക്കാനും കഴിയും. പ്രാദേശിക ആസൂത്രണത്തിനും പ്രദേശം കണക്കാക്കുന്നതിനുമുള്ള അടിസ്ഥാന ഭൂപടമായി ടോപ്പോഗ്രാഫിക് മാപ്പുകൾ ഡിജിറ്റൈസ് ചെയ്യുന്ന പരമ്പരാഗത രീതി മോശം സമയബന്ധിതമാണ്, അതിർത്തി സ്ഥാനവും യഥാർത്ഥ സാഹചര്യവും തമ്മിലുള്ള വ്യത്യാസം വളരെ വലുതും അവബോധമില്ലാത്തതുമാണ്, ഇത് കൃത്യമായ കൃഷി നടപ്പിലാക്കുന്നതിന് അനുയോജ്യമല്ല. പരമ്പരാഗത രീതികളുടെ താരതമ്യപ്പെടുത്താനാവാത്ത ഗുണങ്ങളുള്ള കൃഷിഭൂമിയുടെ സമഗ്രമായ സ്പേഷ്യൽ ലൊക്കേഷൻ വിവരങ്ങൾ തത്സമയം UAV റിമോട്ട് സെൻസിങ്ങിന് ലഭിക്കും. ഹൈ-ഡെഫനിഷൻ ഡിജിറ്റൽ ക്യാമറകളിൽ നിന്നുള്ള ഏരിയൽ ഇമേജുകൾക്ക് കൃഷിഭൂമിയുടെ അടിസ്ഥാന സ്പേഷ്യൽ വിവരങ്ങൾ തിരിച്ചറിയാനും നിർണ്ണയിക്കാനും കഴിയും, കൂടാതെ സ്പേഷ്യൽ കോൺഫിഗറേഷൻ സാങ്കേതികവിദ്യയുടെ വികസനം കൃഷിഭൂമിയുടെ ലൊക്കേഷൻ വിവരങ്ങളെക്കുറിച്ചുള്ള ഗവേഷണത്തിൻ്റെ കൃത്യതയും ആഴവും മെച്ചപ്പെടുത്തുകയും എലവേഷൻ വിവരങ്ങൾ അവതരിപ്പിക്കുമ്പോൾ സ്പേഷ്യൽ റെസലൂഷൻ മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു. , ഇത് കൃഷിഭൂമിയുടെ സ്പേഷ്യൽ വിവരങ്ങളുടെ സൂക്ഷ്മ നിരീക്ഷണം സാക്ഷാത്കരിക്കുന്നു.
വിള വളർച്ച വിവരം
ഫിനോടൈപ്പിക് പാരാമീറ്ററുകൾ, പോഷകാഹാര സൂചകങ്ങൾ, വിളവ് എന്നിവയെക്കുറിച്ചുള്ള വിവരങ്ങൾ വിളകളുടെ വളർച്ചയെ വിശേഷിപ്പിക്കാം. സസ്യങ്ങളുടെ ആവരണം, ഇലകളുടെ വിസ്തീർണ്ണ സൂചിക, ജൈവാംശം, ചെടികളുടെ ഉയരം മുതലായവയാണ് ഫിനോടൈപ്പിക് പാരാമീറ്ററുകളിൽ ഉൾപ്പെടുന്നത്. ഈ പരാമീറ്ററുകൾ പരസ്പരബന്ധിതവും കൂട്ടായി വിളകളുടെ വളർച്ചയെ ചിത്രീകരിക്കുന്നതുമാണ്. ഈ പരാമീറ്ററുകൾ പരസ്പരബന്ധിതവും കൂട്ടായി വിളകളുടെ വളർച്ചയുടെ സ്വഭാവവും അന്തിമ വിളവുമായി നേരിട്ട് ബന്ധപ്പെട്ടിരിക്കുന്നു. ഫാം ഇൻഫർമേഷൻ മോണിറ്ററിംഗ് ഗവേഷണത്തിൽ അവർ പ്രബലരാണ്, കൂടുതൽ പഠനങ്ങൾ നടന്നിട്ടുണ്ട്.
1) ക്രോപ്പ് ഫിനോടൈപ്പിക് പാരാമീറ്ററുകൾ
ഇല വിസ്തീർണ്ണ സൂചിക (എൽഎഐ) എന്നത് ഒരു യൂണിറ്റ് ഉപരിതല വിസ്തീർണ്ണമുള്ള ഒരു വശമുള്ള പച്ച ഇലകളുടെ ആകെത്തുകയാണ്, ഇത് വിളയുടെ പ്രകാശോർജ്ജത്തിൻ്റെ ആഗിരണം, വിനിയോഗം എന്നിവയെ നന്നായി ചിത്രീകരിക്കാൻ കഴിയും, ഇത് വിളയുടെ പദാർത്ഥങ്ങളുടെ ശേഖരണവും അന്തിമ വിളവുമായും അടുത്ത ബന്ധപ്പെട്ടിരിക്കുന്നു. UAV റിമോട്ട് സെൻസിംഗ് നിലവിൽ നിരീക്ഷിക്കുന്ന പ്രധാന വിള വളർച്ചാ പാരാമീറ്ററുകളിൽ ഒന്നാണ് ലീഫ് ഏരിയ സൂചിക. മൾട്ടിസ്പെക്ട്രൽ ഡാറ്റ ഉപയോഗിച്ച് സസ്യങ്ങളുടെ സൂചികകൾ (അനുപാത സസ്യ സൂചിക, നോർമലൈസ്ഡ് വെജിറ്റേഷൻ സൂചിക, മണ്ണ് കണ്ടീഷനിംഗ് സസ്യ സൂചിക, വ്യത്യാസ സസ്യ സൂചിക മുതലായവ) കണക്കാക്കുകയും ഗ്രൗണ്ട് ട്രൂട്ട് ഡാറ്റ ഉപയോഗിച്ച് റിഗ്രഷൻ മോഡലുകൾ സ്ഥാപിക്കുകയും ചെയ്യുന്നത് ഫിനോടൈപിക് പാരാമീറ്ററുകൾ വിപരീതമാക്കുന്നതിനുള്ള കൂടുതൽ പക്വമായ രീതിയാണ്.
വിളകളുടെ വളർച്ചയുടെ അവസാന ഘട്ടത്തിൽ നിലത്തിന് മുകളിലുള്ള ജൈവവസ്തുക്കൾ വിളവും ഗുണനിലവാരവുമായി അടുത്ത ബന്ധപ്പെട്ടിരിക്കുന്നു. നിലവിൽ, കാർഷിക മേഖലയിലെ UAV റിമോട്ട് സെൻസിംഗ് വഴിയുള്ള ബയോമാസ് എസ്റ്റിമേഷൻ ഇപ്പോഴും കൂടുതലായി മൾട്ടിസ്പെക്ട്രൽ ഡാറ്റ ഉപയോഗിക്കുന്നു, സ്പെക്ട്രൽ പാരാമീറ്ററുകൾ എക്സ്ട്രാക്റ്റ് ചെയ്യുന്നു, മോഡലിങ്ങിനായി സസ്യങ്ങളുടെ സൂചിക കണക്കാക്കുന്നു; സ്പേഷ്യൽ കോൺഫിഗറേഷൻ സാങ്കേതികവിദ്യയ്ക്ക് ബയോമാസ് എസ്റ്റിമേഷനിൽ ചില ഗുണങ്ങളുണ്ട്.
2) വിള പോഷകാഹാര സൂചകങ്ങൾ
വിളകളുടെ പോഷകാഹാര നിലയുടെ പരമ്പരാഗത നിരീക്ഷണത്തിന്, പോഷകങ്ങളുടെയോ സൂചകങ്ങളുടെയോ (ക്ലോറോഫിൽ, നൈട്രജൻ മുതലായവ) ഉള്ളടക്കം നിർണ്ണയിക്കാൻ ഫീൽഡ് സാമ്പിളും ഇൻഡോർ കെമിക്കൽ വിശകലനവും ആവശ്യമാണ്, അതേസമയം UAV റിമോട്ട് സെൻസിംഗ് വ്യത്യസ്ത പദാർത്ഥങ്ങൾക്ക് പ്രത്യേക സ്പെക്ട്രൽ പ്രതിഫലന-ആഗിരണ സ്വഭാവസവിശേഷതകൾ ഉണ്ടെന്ന വസ്തുതയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. രോഗനിർണയം. ദൃശ്യമായ ലൈറ്റ് ബാൻഡിൽ രണ്ട് ശക്തമായ ആഗിരണ മേഖലകളുണ്ടെന്ന വസ്തുതയെ അടിസ്ഥാനമാക്കിയാണ് ക്ലോറോഫിൽ നിരീക്ഷിക്കുന്നത്, അതായത് 640-663 nm ൻ്റെ ചുവന്ന ഭാഗം, 430-460 nm ൻ്റെ നീല-വയലറ്റ് ഭാഗം, 550 nm ന് ആഗിരണം ദുർബലമാണ്. വിളകൾക്ക് കുറവുണ്ടാകുമ്പോൾ ഇലയുടെ നിറവും ഘടനയുടെ സവിശേഷതകളും മാറുന്നു, കൂടാതെ വ്യത്യസ്ത പോരായ്മകൾക്കും അനുബന്ധ ഗുണങ്ങൾക്കും അനുയോജ്യമായ നിറത്തിൻ്റെയും ഘടനയുടെയും സ്ഥിതിവിവരക്കണക്കുകൾ കണ്ടെത്തുന്നത് പോഷക നിരീക്ഷണത്തിൻ്റെ താക്കോലാണ്. വളർച്ചാ പാരാമീറ്ററുകളുടെ നിരീക്ഷണത്തിന് സമാനമായി, സ്വഭാവസവിശേഷതകൾ, സസ്യ സൂചികകൾ, പ്രവചന മാതൃകകൾ എന്നിവയുടെ തിരഞ്ഞെടുപ്പ് ഇപ്പോഴും പഠനത്തിൻ്റെ പ്രധാന ഉള്ളടക്കമാണ്.
3) വിള വിളവ്
വിള വിളവ് വർദ്ധിപ്പിക്കുക എന്നത് കാർഷിക പ്രവർത്തനങ്ങളുടെ പ്രധാന ലക്ഷ്യമാണ്, കാർഷിക ഉൽപ്പാദനത്തിനും മാനേജ്മെൻ്റ് തീരുമാനങ്ങൾ എടുക്കുന്ന വകുപ്പുകൾക്കും വിളവിൻ്റെ കൃത്യമായ കണക്കുകൂട്ടൽ പ്രധാനമാണ്. മൾട്ടിഫാക്ടർ വിശകലനത്തിലൂടെ ഉയർന്ന പ്രവചന കൃത്യതയോടെ വിളവ് കണക്കാക്കൽ മോഡലുകൾ സ്ഥാപിക്കാൻ നിരവധി ഗവേഷകർ ശ്രമിച്ചിട്ടുണ്ട്.
കാർഷിക ഈർപ്പം
കൃഷിഭൂമിയിലെ ഈർപ്പം പലപ്പോഴും തെർമൽ ഇൻഫ്രാറെഡ് രീതികളിലൂടെ നിരീക്ഷിക്കപ്പെടുന്നു. ഉയർന്ന സസ്യജാലങ്ങളുള്ള പ്രദേശങ്ങളിൽ, ഇല സ്റ്റോമറ്റ അടയ്ക്കുന്നത് ട്രാൻസ്പിറേഷൻ മൂലമുള്ള ജലനഷ്ടം കുറയ്ക്കുന്നു, ഇത് ഉപരിതലത്തിലെ ഒളിഞ്ഞിരിക്കുന്ന താപ പ്രവാഹം കുറയ്ക്കുകയും ഉപരിതലത്തിലെ സെൻസിബിൾ താപ പ്രവാഹം വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു, ഇത് മേലാപ്പ് താപനിലയിൽ വർദ്ധനവിന് കാരണമാകുന്നു. ചെടിയുടെ മേലാപ്പ് താപനിലയായി കണക്കാക്കപ്പെടുന്നു. ജല സമ്മർദ്ദ സൂചികയിലെ വിള ഊർജ്ജ സന്തുലിതാവസ്ഥ പ്രതിഫലിപ്പിക്കുന്നതിനാൽ വിള ജലത്തിൻ്റെ ഉള്ളടക്കവും മേലാപ്പ് താപനിലയും തമ്മിലുള്ള ബന്ധം അളക്കാൻ കഴിയും, അതിനാൽ തെർമൽ ഇൻഫ്രാറെഡ് സെൻസർ വഴി ലഭിക്കുന്ന മേലാപ്പ് താപനില കൃഷിഭൂമിയുടെ ഈർപ്പനിലയെ പ്രതിഫലിപ്പിക്കും; നഗ്നമായ മണ്ണ് അല്ലെങ്കിൽ ചെറിയ പ്രദേശങ്ങളിലെ സസ്യ കവർ, മണ്ണിൻ്റെ ഈർപ്പം ഉപരിതലത്തിൻ്റെ താപനിലയുമായി പരോക്ഷമായി വിപരീതമാക്കാൻ ഉപയോഗിക്കാം, ഇതാണ് തത്വം: ജലത്തിൻ്റെ പ്രത്യേക ചൂട് വലുതാണ്, താപത്തിൻ്റെ താപനില മാറുന്നത് മന്ദഗതിയിലാണ്, അതിനാൽ പകൽ സമയത്ത് ഭൂഗർഭ താപനിലയുടെ സ്പേഷ്യൽ വിതരണം മണ്ണിൻ്റെ ഈർപ്പത്തിൻ്റെ വിതരണത്തിൽ പരോക്ഷമായി പ്രതിഫലിക്കും. അതിനാൽ, പകൽസമയത്തെ ഭൂഗർഭ താപനിലയുടെ സ്ഥലപരമായ വിതരണം മണ്ണിൻ്റെ ഈർപ്പത്തിൻ്റെ വിതരണത്തെ പരോക്ഷമായി പ്രതിഫലിപ്പിക്കും. മേലാപ്പ് താപനില നിരീക്ഷിക്കുന്നതിൽ, നഗ്നമായ മണ്ണ് ഒരു പ്രധാന ഇടപെടൽ ഘടകമാണ്. ചില ഗവേഷകർ നഗ്നമായ മണ്ണിൻ്റെ താപനിലയും വിളയുടെ ഭൂപ്രദേശവും തമ്മിലുള്ള ബന്ധം പഠിച്ചു, നഗ്നമായ മണ്ണ് മൂലമുണ്ടാകുന്ന മേലാപ്പ് താപനില അളവുകളും യഥാർത്ഥ മൂല്യവും തമ്മിലുള്ള അന്തരം വ്യക്തമാക്കി, നിരീക്ഷണത്തിൻ്റെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിന് കൃഷിഭൂമിയിലെ ഈർപ്പം നിരീക്ഷിക്കുന്നതിൽ തിരുത്തിയ ഫലങ്ങൾ ഉപയോഗിച്ചു. ഫലങ്ങൾ. യഥാർത്ഥ കൃഷിഭൂമി ഉൽപ്പാദന മാനേജ്മെൻ്റിൽ, വയലിലെ ഈർപ്പം ചോർച്ചയും ശ്രദ്ധാകേന്ദ്രമാണ്, ജലസേചന ചാനലിലെ ഈർപ്പം ചോർച്ച നിരീക്ഷിക്കാൻ ഇൻഫ്രാറെഡ് ഇമേജറുകൾ ഉപയോഗിച്ച് പഠനങ്ങൾ നടന്നിട്ടുണ്ട്, കൃത്യത 93% വരെ എത്താം.
കീടങ്ങളും രോഗങ്ങളും
സസ്യ കീടങ്ങളുടെയും രോഗങ്ങളുടെയും സമീപ-ഇൻഫ്രാറെഡ് സ്പെക്ട്രൽ റിഫ്ലൻസ് നിരീക്ഷണത്തിൻ്റെ ഉപയോഗം, ഇവയെ അടിസ്ഥാനമാക്കി: സ്പോഞ്ച് ടിഷ്യു, വേലി ടിഷ്യു നിയന്ത്രണം, ആരോഗ്യമുള്ള സസ്യങ്ങൾ, ഈ രണ്ട് ടിഷ്യു വിടവുകൾ ഈർപ്പവും വികാസവും നിറഞ്ഞ ഈ രണ്ട് ടിഷ്യു വിടവുകൾ വഴി പ്രതിഫലനത്തിന് സമീപമുള്ള ഇൻഫ്രാറെഡ് മേഖലയിലെ ഇലകൾ , വിവിധ വികിരണങ്ങളുടെ നല്ല പ്രതിഫലനമാണ്; ചെടിക്ക് കേടുപാടുകൾ സംഭവിക്കുമ്പോൾ, ഇലയ്ക്ക് കേടുപാടുകൾ സംഭവിക്കുന്നു, ടിഷ്യു വാടിപ്പോകുന്നു, വെള്ളം കുറയുന്നു, ഇൻഫ്രാറെഡ് പ്രതിഫലനം നഷ്ടപ്പെടുന്നതുവരെ കുറയുന്നു.
വിളകളുടെ കീടങ്ങളുടെയും രോഗങ്ങളുടെയും ഒരു പ്രധാന സൂചകമാണ് താപനിലയുടെ തെർമൽ ഇൻഫ്രാറെഡ് നിരീക്ഷണം. ആരോഗ്യകരമായ അവസ്ഥയിലുള്ള സസ്യങ്ങൾ, പ്രധാനമായും ഇലകളുടെ സ്റ്റോമറ്റൽ തുറക്കുന്നതും ട്രാൻസ്പിറേഷൻ റെഗുലേഷൻ അടയ്ക്കുന്നതും നിയന്ത്രിക്കുന്നതിലൂടെ, സ്വന്തം താപനിലയുടെ സ്ഥിരത നിലനിർത്താൻ; രോഗത്തിൻ്റെ കാര്യത്തിൽ, പാത്തോളജിക്കൽ മാറ്റങ്ങൾ സംഭവിക്കും, രോഗകാരി - ചെടിയിലെ രോഗകാരിയിലെ ആതിഥേയ ഇടപെടലുകൾ, പ്രത്യേകിച്ച് ആഘാതത്തിൻ്റെ ശ്വാസോച്ഛ്വാസവുമായി ബന്ധപ്പെട്ട വശങ്ങളിൽ, താപനില ഉയരുന്നതിൻ്റെയും തകർച്ചയുടെയും ബാധിച്ച ഭാഗത്തെ നിർണ്ണയിക്കും. പൊതുവേ, പ്ലാൻ്റ് സെൻസിംഗ് സ്റ്റോമറ്റൽ ഓപ്പണിംഗിൻ്റെ നിയന്ത്രണം മാറ്റുന്നതിലേക്ക് നയിക്കുന്നു, അതിനാൽ ആരോഗ്യമുള്ള പ്രദേശത്തേക്കാൾ രോഗബാധിത പ്രദേശത്ത് ട്രാൻസ്പിറേഷൻ കൂടുതലാണ്. ശക്തമായ ട്രാൻസ്പിറേഷൻ രോഗബാധിത പ്രദേശത്തിൻ്റെ താപനില കുറയുന്നതിനും ഇലയുടെ ഉപരിതലത്തിൽ നെക്രോറ്റിക് പാടുകൾ പ്രത്യക്ഷപ്പെടുന്നതുവരെ ഇലയുടെ ഉപരിതലത്തിൽ സാധാരണ ഇലയേക്കാൾ ഉയർന്ന താപനില വ്യത്യാസത്തിനും കാരണമാകുന്നു. നെക്രോറ്റിക് ഏരിയയിലെ കോശങ്ങൾ പൂർണ്ണമായും നിർജ്ജീവമാണ്, ആ ഭാഗത്തെ ട്രാൻസ്പിറേഷൻ പൂർണ്ണമായും നഷ്ടപ്പെടുന്നു, താപനില ഉയരാൻ തുടങ്ങുന്നു, എന്നാൽ ഇലയുടെ ബാക്കി ഭാഗങ്ങൾ രോഗബാധിതരാകാൻ തുടങ്ങുന്നതിനാൽ, ഇലയുടെ ഉപരിതലത്തിലെ താപനില വ്യത്യാസം എപ്പോഴും കൂടുതലാണ്. ആരോഗ്യമുള്ള ഒരു ചെടി.
മറ്റ് വിവരങ്ങൾ
കൃഷിഭൂമി വിവര നിരീക്ഷണ മേഖലയിൽ, UAV റിമോട്ട് സെൻസിംഗ് ഡാറ്റയ്ക്ക് വിപുലമായ ആപ്ലിക്കേഷനുകൾ ഉണ്ട്. ഉദാഹരണത്തിന്, ഒന്നിലധികം ടെക്സ്ചർ സവിശേഷതകൾ ഉപയോഗിച്ച് ചോളത്തിൻ്റെ വീണ പ്രദേശം വേർതിരിച്ചെടുക്കാനും എൻഡിവിഐ സൂചിക ഉപയോഗിച്ച് കോട്ടൺ മെച്യൂരിറ്റി സ്റ്റേജിലെ ഇലകളുടെ മെച്യൂരിറ്റി ലെവൽ പ്രതിഫലിപ്പിക്കാനും അബ്സിസിക് ആസിഡ് സ്പ്രേ ചെയ്യുന്നതിനെ ഫലപ്രദമായി നയിക്കാൻ കഴിയുന്ന അബ്സിസിക് ആസിഡ് ആപ്ലിക്കേഷൻ കുറിപ്പടി മാപ്പുകൾ സൃഷ്ടിക്കാനും ഇത് ഉപയോഗിക്കാം. കീടനാശിനികളുടെ അമിതമായ പ്രയോഗം ഒഴിവാക്കാൻ പരുത്തിയിൽ, തുടങ്ങിയവ. കൃഷിഭൂമി നിരീക്ഷണത്തിൻ്റെയും മാനേജ്മെൻ്റിൻ്റെയും ആവശ്യങ്ങൾക്കനുസരിച്ച്, യുഎവി റിമോട്ട് സെൻസിംഗ് ഡാറ്റയുടെ വിവരങ്ങൾ തുടർച്ചയായി പര്യവേക്ഷണം ചെയ്യുകയും അതിൻ്റെ ആപ്ലിക്കേഷൻ ഫീൽഡുകൾ വിപുലീകരിക്കുകയും ചെയ്യുന്നത് ഇൻഫർമേറ്റൈസ്ഡ് ഡിജിറ്റൈസ്ഡ് കൃഷിയുടെ ഭാവി വികസനത്തിന് അനിവാര്യമായ ഒരു പ്രവണതയാണ്.
പോസ്റ്റ് സമയം: ഡിസംബർ-24-2024