دانلود ترجمه مقاله تحلیل فناوری های کلان داده برای استفاده در کشاورزی

1. مقدمه 2. آنالیز 3. نتیجه گیری و توصیه ها

نتیجه گیری و توصیه ها: در این پژوهش، سه مورد کاربردی تشریح شده که موضوعات مختلف مرتبط با تکنولوژی ها و کاربرد کلان داده ها در حوزه کشاورزی و محیط زیست را مورد خطاب قرار می دهند. این مطالعات همچنین چشم اندازی از یک چارچوب تئوریکی برای ساختاردهی پیچیدگی ها را مورد بررسی قرار داده اند. در موارد تحلیل شده، طیف وسیعی از مسائل در ارتباط با مشخصه های کلان داده ها و لایه های سلسله مراتب DIKW بودند. موارد عموما روی کشف و ترکیب مجموعه های داده ای ناهمگن برای مدل سازی و تصمیم گیری در حوزه های بین رشته ای تمرکز داشتند. با وجود اینکه این موضوع کاملا واضح است که چالش هایی در ارتباط با ابعاد حجم و سرعت وجود دارند و تاکنون راه حل ها و رویکردهای شفافی برای همه این موارد ارائه نشده اند، با این حال جهت گیری ها و رویکردها امیدوارکننده ای در تحقیقات آتی به چشم می خورند، که می تواند ترکیب ذخیره سازی مبتنی بر ابر و رایانش با اجزای زیرساختی بهبود یافته و ادغام شده، باشد. طرح های تحقیقاتی، زیرساخت های نوآورانه ای را کشف و توسعه داده و خدمات تجاری متعددی در این زمینه پیشنهاد شده اند. مهم تر از همه در حوزه کشاورزی و محیط زیست، گام های بزرگی در راستای بهبود کنترل کلان داده ها برداشته شده است از جمله بررسی داده های فضایی – زمانی که در این حوزه بسیار رایج و شناخته شده است. الزامات پردازشی خاص این نوع داده ها در بر گیرنده بسط یا کاهش فضایی و زمانی و دسته بندی طیف وسیعی از سیستم های مرجع فضایی می گردد. چنین پردازش هایی را می توان به واسطه یک لایه نرم افزاری اضافی به طور کارآمدی کنترل کرده به عنوان مثال از طریق یک طراحی داده محور که در آن بیشتر امور پردازشی به مکانی انتقال داده می شود که داده ها در آن ذخیره شده اند.

Conclusions and recommendations: Three use cases are described that have addressed different issues related to Big Data usage and technologies in the agro-environmental domain. These have also been put into the perspective of a theoretical framework to structure their complexity. In the analysed cases, a variety of issues were encountered spanning the whole range of Big Data characteristics (the 4 V's) and the layers of the DIKW hierarchy. Cases generally focused on discovering and combining heterogeneous datasets for modelling and decision making in interdisciplinary domains. While it is obvious that challenges regarding the volume and velocity aspects exist, and there are not yet clear solutions in all cases, the contours of future technical solutions are already visible, combining cloud based storage and computing with improved and better integrated infrastructural components. Research initiatives explore and develop innovative infrastructures and several commercial services are offered. More important for the agro-environmental domain is that steps are being taken to improve the handling of Big Data, including the aspect of dealing with the spatio-temporal data that is very common to the domain. Specific processing requirements of this type of data include spatial and temporal up- or down-scaling and handling a large variety of spatial reference systems. Such processing could be more effectively handled by an additional software layer, e.g. through a data centric design, where much of the processing is moved to the places where the data is stored.