Βραβεία & Iστορίες Eπιτυχίας
Διάκριση Επιστημονικής Εργασίας “A Compilation of UAV Applications for Precision Agriculture”
Η επιστημονική εργασία με τίτλο “A Compilation of UAV Applications for Precision Agriculture” η οποία υλοποιήθηκε από τους Π. Ράδογλου-Γραμματίκη, Π. Σαρηγιαννίδη, Θ. Λάγκα και Ι. Μοσχολιός στο πλαίσιο του έργου MARS τοποθετείται στη 2η θέση ερευνητικών άρθρων με τις περισσότερες ετεροαναφορές και λήψεις στο διεθνές αναγνωρισμένο επιστημονικό περιοδικό ELSEVIER Computer Networks.
Οι ραγδαίες εξελίξεις στους τομείς της γενετικής, της ρομποτικής και της χημείας έχουν οδηγήσει σε σημαντικές βελτιώσεις στον τομέα της Γεωργίας Ακριβείας (ΓΑ). Ωστόσο, η εξαγωγή των προϊόντων από τον πρωτογενή τομέα χρειάζεται να βελτιωθεί σημαντικά λόγω της σημαντικής αύξησης του παγκόσμιου πληθυσμού.
Παράλληλα, ο γεωργικός τομέας χρειάζεται να αντιμετωπίσει σημαντικές προκλήσεις, όπως η κλιματική αλλαγή, η περιορισμένη διαθεσιμότητα καλλιεργήσιμων εκτάσεων, καθώς και την αυξανόμενη ανάγκη για γλυκό νερό.
- Σύμφωνα με τους οργανισμούς Food and Agriculture Organization of the United Nations και International Telecommunication Union η παραγωγή φαγητού χρειάζεται να αυξηθεί σημαντικά μέχρι και 70% μέχρι το 2050 προκειμένου να εξυπηρετήσει τις ανάγκες του παγκόσμιου πληθυσμού.
- Η κατάλληλη υιοθέτηση και χρησιμοποίηση των Τεχνολογιών Πληροφορικής και Επικοινωνιών (ΤΠΕ) και ιδιαίτερα του Διαδικτύου των Πραγμάτων (ΔτΠ), προσφέρουν σημαντικές λύσεις, οι οποίες δύνανται να μεγιστοποιήσουν την παραγωγικότητα γεωργικών προϊόντων, όπως φυτοφάρμακα και λιπάσματα, ενώ παράλληλα δύνανται να μειώσουν το λειτουργικό κόστος.
- Η έλευση του ΔτΠ και συγκεκριμένα η ραγδαία ανάπτυξη των Μη Επανδρωμένων Αεροχημάτων (ΜΕΑ) και των Ασύρματων Δικτύων Αισθητήρων (ΑΔΑ) δύνανται να αναπτύξουν οικονομικές εφαρμογές ΓΑ, όπως αέρια παρακολούθηση καλλιεργειών και διεργασίες ψεκασμού.
- 20 εφαρμογές ΓΑ αναλύονται λεπτομερώς, περιλαμβάνοντας υλοποιήσεις όπως αέρια παρακολούθηση καλλιεργειών και διεργασίες ψεκασμού μέσω μεθόδων βελτιστοποίησης, μηχανικής μάθησης και ανάλυσης δεδομένων.
Η κλιματική αλλαγή έχει εισάγει σημαντικές προκλήσεις συμπεριλαμβανομένου του αγροτικού τομέα. Συγκεκριμένα σύμφωνα με τους οργανισμούς Food and Agriculture Organization of the United Nations (FAO) και International Telecommunication Union (ΙΤU), ο παγκόσμιος πληθυσμός πρέπει να ανακαλύψει νέες λύσεις για την αύξηση της παραγωγής τροφίμων κατά 70% μέχρι το 2050. Η απάντηση σε αυτήν την κρίσιμη απειλή είναι η κατάλληλη υιοθέτηση και αξιοποίηση των Τεχνολογιών Πληροφορικής και Επικοινωνιών (ΤΠΕ) προσφέροντας δυνατότητες, οι οποίες δύνανται να αυξήσουν την παραγωγικότητα των αγροχημικών προϊόντων, όπως π.χ. τα φυτοφάρμακα και τα λιπάσματα και ταυτόχρονα να ελαχιστοποιήσουν το λειτουργικό κόστος. Αναλυτικότερα η εμφάνιση του Διαδικτύου των Πραγμάτων (ΔτΠ) και συγκεκριμένα η ταχεία εξέλιξη των Μη Επανδρωμένων Αεροσκαφών (ΜΕΑ) και των Ασύρματων Δικτύων Αισθητήρων (ΑΔΑ) δύνανται να οδηγήσουν σε πολύτιμες και ταυτόχρονα οικονομικές εφαρμογές Γεωργίας Ακριβείας (ΓΑ), όπως η εναέρια παρακολούθηση καλλιεργειών και οι έξυπνες εργασίες ψεκασμού. Στο συγκεκριμένο άρθρο, παρέχεται μια αναλυτική μελέτη σχετικά με την πιθανή χρήση των ΜΕΑ στην ΓΑ, εστιάζοντας σε 20 συναφείς εφαρμογές. Ακριβέστερα, παρατίθεται μία λεπτομερή επισκόπηση της ΓΑ, περιγράφοντας τις διάφορες πτυχές και τεχνολογίες που περιλαμβάνει, όπως η χαρτογράφηση εδάφους και η χαρτογράφηση παραγωγής, καθώς και τον ρόλο των Συστημάτων Παγκόσμιας Τοποθέτησης (ΣΠΤ) και των Γεωγραφικών Πληροφοριακών Συστημάτων (ΓΠΣ). Ακολούθως, διακρίνονται και αναλύονται οι διάφοροι τύποι ΜΕΑ με βάση τα τεχνικά χαρακτηριστικά και το ωφέλιμο φορτίο που δύνανται να φέρουν. Τέλος, διερευνώνται λεπτομερώς 20 εφαρμογές ΜΕΑ, οι οποίες εστιάζουν είτε σε διαδικασίες εναέριας παρακολούθησης καλλιεργειών είτε σε εργασίες ψεκασμού. Για κάθε εφαρμογή εξετάζεται η μεθοδολογία που υιοθετείται, η προτεινόμενη αρχιτεκτονική ΜΕΑ, ο τύπος ΜΕΑ καθώς και τα αντίστοιχα τεχνικά χαρακτηριστικά και το ωφέλιμο φορτίο.
Διάκριση Επιστημονικής Εργασίας “Towards Smart Farming: Systems, Frameworks and Exploitation of Multiple Sources”
Η επιστημονική εργασία με τίτλο «Towards Smart Farming: Systems, Frameworks and Exploitation of Multiple Sources» η οποία υλοποιήθηκε από τους Α. Λύτο, Θ. Λάγκα, Π. Σαρηγιαννίδη, Γ. Λιβανό και Μ. Ζερβάκη στο πλαίσιο του έργου MARS τοποθετείται στη 8η θέση ερευνητικών άρθρων με τις περισσότερες ετεροαναφορές και λήψεις στο διεθνές αναγνωρισμένο επιστημονικό περιοδικό.
Οι πρόσφατες εξελίξεις στον τομέα των τεχνολογιών πληροφοριών και επικοινωνιών (ΤΠΕ) και η ανάγκη βελτίωσης της παραγωγικότητας της γεωργίας, ενώ παράλληλα υπάρχει η ανάγκη για εφαρμογή βιώσιμων πρακτικών, άνοιξαν το δρόμο για την ενσωμάτωση των Δεδομένων Μεγάλου Όγκου (Big Data) στα λογισμικά (frameworks) στο χώρο της γεωργίας. Σε αυτό το πλαίσιο, μια ανάλυση για την προστιθέμενη αξία της εκμετάλλευσης πολλαπλών πηγών δεδομένων (multiple sources of data) και μια ταξινόμηση των υπαρχόντων λογισμικών μπορεί να προσφέρει σημαντική αξία τόσο σε επίπεδο έρευνας όσο και στη βιομηχανία.
Με την εμφάνιση του Διαδικτύου των Πραγμάτων (Internet of Things – IoT) τα παραγόμενα δεδομένα αυξάνονται ταχύτατα και ένα σημαντικό μέρος αυτών δημιουργείται από αισθητήρες (sensors), ενεργοποιητές (actuators) ή είναι αποτέλεσμα εκτέλεση προγραμμάτων λογισμικού, παρέχοντας μια χρήσιμη εικόνα για διάφορα θέματα και πιθανά προβλήματα. Επιπλέον, η ψηφιοποίηση των πληροφοριών και τα υψηλότερα επίπεδα τεχνολογικής κατάρτισης έχουν δημιουργήσει διάφορες πηγές πληροφοριών, όπως:
- Τα περιγραφικά δεδομένα (descriptive data) είναι αριθμητικά και/ή κατηγορηματικά δεδομένα που έχουν συλλεχθεί και αποθηκευτεί χωρίς τη χρήση κάποιου αυτοματισμού, όπως μία ανάλυση των χημικών ιδιοτήτων του εδάφους σε εξωτερικό εργαστήριο.
- Τα διανυσματικά δεδομένα (vector data) παρουσιάζουν χαρακτηριστικά του πραγματικού κόσμου (αγροτεμάχια, βοσκοτόπια, δάση κ.λπ.) μέσα σε περιβάλλον GIS και κάθε χαρακτηριστικό (feature) περιέχει συγκεκριμένα γνωρίσματα (attributes), τα οποία αποτελούνται από κείμενο ή αριθμητικές πληροφορίες που τα περιγράφουν.
- Τα δορυφορικά δεδομένα (satellite data) και δεδομένα τηλεπισκόπησης (remote sensing) έχουν συλλεχθεί μέσω δορυφορικών αισθητήρων και είναι ικανά να ανιχνεύουν και να παρακολουθούν τα φυσικά χαρακτηριστικά μιας περιοχής μετρώντας την ανακλώμενη και εκπεμπόμενη ακτινοβολία από την περιοχή ενδιαφέροντος.
- Τα δεδομένα IoT έχουν συλλεχθεί μέσω αισθητήρων σε ένα δίκτυο IoT, παρέχοντας σε σχεδόν πραγματικό χρόνο χρήσιμες πληροφορίες, όπως θερμοκρασία, υγρασία εδάφους και αέρος.
- Οι εικόνες από μη επανδρωμένα εναέρια οχήματα (drones) χρησιμοποιούνται για την εξαγωγή διαφόρων δεικτών βλάστησης (Vegetation Index) είτε για την αναγνώριση μοτίβων καλλιέργειας
Η δημοσίευση με τίτλο "Detection and Characterization of Stressed Sweet Cherry Tissues Using Machine Learning", των Χ. Χασχατζή, Χ. Καραίσκου, Ε. Μουρατίδη, Ε. Καραγιάννη, και Π. Σαρηγιαννίδη, επιλέχθηκε για το εξώφυλλο του προσεχούς τεύχους (Drones, Τόμος 6, Τεύχος 1 Ιανουαρίου 2022).
Η δημοσίευση με τίτλο “Detection and Characterization of Stressed Sweet Cherry Tissues Using Machine Learning”, των Χ. Χασχατζή, Χ. Καραίσκου, Ε. Μουρατίδη, Ε. Καραγιάννη, και Π. Σαρηγιαννίδη, επιλέχθηκε για το εξώφυλλο του προσεχούς τεύχους (Drones, Τόμος 6, Τεύχος 1 Ιανουαρίου 2022). Στόχος της δημοσίευσης είναι να παρέχει λύσεις για την προστασία των καλλιεργειών κερασιών χρησιμοποιώντας αλγορίθμους μηχανικής μάθησης (Yolov5). Η έρευνα συγχρηματοδοτήθηκε από την Ευρωπαϊκή Ένωση και τα εθνικά ταμεία της Ελλάδας μέσω του Επιχειρησιακού Προγράμματος «Ανταγωνιστικότητα, Επιχειρηματικότητα και Καινοτομία», αριθμός επιχορήγησης T1EDK-04759.
Greek 
English