TWM561876U - 智慧型農業及環境管理系統 - Google Patents

Abstract

本創作涉及一種用於智慧型農業及環境管理的系統，包含監測單元、傳輸單元、計算單元、控制單元及目標物質施用單元。監測單元收集監測區域中環境的原始資料；傳輸單元與監測單元相耦接，用以接收並傳輸原始資料；計算單元與傳輸單元相耦接，用以接收來自傳輸單元的原始資料，且依據策略演算法於目標物質資料庫中選用目標物質並歸納管理資訊；控制單元與計算單元相耦接，用以接收管理資訊並產生控制訊號；及目標物質施用單元與所述控制單元相連接，用以接收控制訊號，並依據控制訊號於監測區域中施用預定濃度及預定量的一或多種目標物質。

Description

智慧型農業及環境管理系統

本創作涉及一種智慧型農業及環境管理系統。

智慧型農業是應用「資訊和通訊科技」的技術(Information and Communication Technology,ICT)及「自動化裝置」的技術以改善當前農業種植生產的狀況及難題，並結合傳統農業技術模式及概念，以提高生產效率及生產高附加價值的農產品為目標。

由於智慧型手機的普及，實體物件與資訊通訊連結的物聯網(Internet of Things，IoT)科技開始蓬勃發展。依據物聯網的概念，不同且分隔的實體物件可透過有線或無線網路來即時偵測、監測、運算、處理、通訊並執行各種相關工作，且因此具有運用於各種領域的潛力。

智慧型農業(Smart Farming)是結合大數據分析、感測技術、精準農業、智能機器裝置、物聯網及機器對機器(Machine to Machine,M2M)等技術，精確調整栽培管理的方式。在氣候變遷、水資源缺乏、蟲害、暖化效應、新型病蟲害的影響下，依據土壤與作物狀況，斟酌化學肥料的量 與水所噴灑的多寡，或利用全球定位系統(Global Positioning System,GPS)操控拖拉機的裝置，以實現大規模生產。智慧型農業將使農業生產智慧化。然而這項技術需要龐大資金與人才，精確資料的收集及相關技術的配合。

智慧型農業廣義上包含：農業資訊化(Agri-Informatics,AI)及精密農業的技術，亦即應用網際網路、情報資訊、雲端運算(Cloud Computing)、遠端操控、自動化裝置、以及一般軟硬體技術。其目的在於節省勞力且大量生產、發揮作物最大極限、確保工作人員的安全作業環境以及提供消費者與實際需求者對於食品安全(材料源頭的提供端)的信賴感。

在農業或環境管理上，常常面臨到諸如化學肥料、化工產品、殺蟲劑、除草劑、激素類及調節類催長劑等化學性物質的過量選用，導致地表水及地下水的污染，成為農業及環境科學領域所關注的問題。因此，需要精確的控制所欲施加於環境中或作物上的化學性物質的濃度及用量。因此，諸如生物性胜肽或蛋白質的農藥、毒素或肥料等具有較小殘留性、對環境友善以及對特定物種具專一性的物質，便逐漸被開發以取代傳統農藥、化學性農藥、毒素或肥料等。

生物性農藥或生物製劑，例如：天然素材農藥、微生物農藥、生化農藥及基因工程技術產製的微生物農藥，經由動物、植物、微生物及其所衍生的產品，亦漸被開發以取代現有的農藥。

微生物製劑是指用於作物病原、害蟲、雜草防治或誘發作物抗性的微生物或其有效成分經由配方所製成的產品，其來源包括細菌、真菌、病毒和原生動物，一般可經由自然界分離而取得，或者可再經由諸如人為誘變、汰選或遺傳基因改造等技術進行改良，進而取代現有的農藥。

生化製劑是指生化農藥包括昆蟲費洛蒙(pheromone)等以生物性素材經過化學粹取或合成，其作用機制無毒害者，例如：甜菜夜蛾性費洛及斜紋夜蛾性費洛蒙，亦漸被開發以取代現有的農藥。

天然素材包括菸鹼(nicotine)、除蟲菊精(pyrethrum)、魚藤精(rotenone)、藜蘆鹼(sabadilla,vertine)、印楝(azadirachtin)、素皂素(saponins)等天然產物，不以化學方法精製或再加以合成者。

然而，生物性胜肽或蛋白質相較於化學性物質較容易自然降解，因而難以掌握其於田野或環境區域間的選用量，並需要大量人力追蹤並人工選用此類生物性胜肽或蛋白質。因此，有必要運用物聯網的概念，發展可更精準且更輕易地調控環境中所需程度的化學性物質，亦或是生物性胜肽的裝置或方法。

本揭露之另外態樣及其它特徵將於下列描述中闡述，而其中部分描述對於所屬技術領域中具有通常知識者而言在審視下文過後會是清楚明白的，或者所屬技術領域中具有通常知識者可從本揭露之實行而得知。本揭露之優 點可如所附申請專利範圍中特定指出者實現及獲得。

大體上，本文所揭示的主體係關於一種智慧型農業及環境管理系統，其包含監測單元、傳輸單元、計算單元、控制單元及目標物質施用單元。監測單元收集監測區域中環境的原始資料。

1、2、3、4、5‧‧‧智慧型農業及環境管理系統

10‧‧‧監測區域

15‧‧‧原始資料

20‧‧‧監測單元

20’‧‧‧主監測單元

25、35、35’、55‧‧‧傳輸單元

30‧‧‧控制單元

40‧‧‧目標物質施用單元

40’‧‧‧主目標物質施用單元

45‧‧‧目標物質

50‧‧‧雲端

60‧‧‧遠端操作單元

65‧‧‧計算單元

100‧‧‧控制訊號

200‧‧‧人工控制訊號

210‧‧‧筒體

211‧‧‧閘口

220‧‧‧通道

230‧‧‧容置裝置

230’‧‧‧容置裝置

240‧‧‧紅外線計數器

231‧‧‧誘蟲光源

232‧‧‧目標昆蟲引誘劑

233‧‧‧費洛蒙生合成活化神經肽

234‧‧‧筒壁

241‧‧‧紅外線發射器

242‧‧‧紅外線接收器

250‧‧‧訊號處理器及電荷儲存裝置

300‧‧‧管理資訊

400‧‧‧操作介面

500、600‧‧‧傳輸網路

2000‧‧‧目標昆蟲計數感測裝置

第1圖展示了本創作的智慧型農業及環境管理系統的示意圖。

第2圖展示了Hv1a(蛋白質分子量為5.3kDa)及蛋白質標記的十二烷基硫酸鈉聚丙烯醯胺凝膠電泳圖。

第3圖展示了Hv1a-凝集素(Hv1a-lectin，HL，蛋白質分子量為17.1kDa)及蛋白質標記的十二烷基硫酸鈉聚丙烯醯胺凝膠電泳圖。

第4圖展示了經胰蛋白酶作用一天後，Hv1a(蛋白質分子量為5.3kDa)及蛋白質標記的十二烷基硫酸鈉聚丙烯醯胺凝膠電泳圖。

第5圖展示了經胰蛋白酶作用一天後，Hv1a-凝集素(HL，蛋白質分子量為17.1kDa)及蛋白質標記的十二烷基硫酸鈉聚丙烯醯胺凝膠電泳圖。

第6圖展示了Hv1a(實線)和Hv1a-凝集素(虛線)的胰蛋白酶降解速率的雙倒數圖。橫軸代表受質濃度的倒數，縱軸代表速率的倒數。回歸線與x軸的截距代表-KM,p的倒數，及y軸的截距則代表Vm,p的倒數。

第7A圖至第7F圖展示了在不同n值下紫外光輻射分 解的降解速率的模擬圖。其中，橫軸代表時間，縱軸代表相對於起始值，剩餘的濃度百分比。

第8圖展示了四種蛋白質在2小時內的降解曲線圖，其中橫軸代表時間，縱軸代表剩餘蛋白質濃度。

第9圖展示了Hv1a-凝集素在波長為286nm及強度為36.4mW/m²的紫外光照射下，模型預測曲線與實驗結果的比較圖。

第10圖展示了本創作智慧型農業及環境管理系統的目標昆蟲計數感測裝置的示意圖。

第11A圖及圖11B圖展示了本創作的另一實施例的智慧型農業及環境管理系統的示意圖。

第12A圖及圖12B圖展示了本創作的另一實施例的智慧型農業及環境管理系統的示意圖。

第13圖展示了本創作的另一實施例的智慧型農業及環境管理系統的示意圖。

下面的實施例可以使本領域技術人員更全面地理解本創作，但不以任何方式限制本創作。下面通過參照附圖中所示的非限制例子來更加充分地解釋本創作的態樣及其特定的特徵、優點以及細節。省略對已知材料、製造工具、製程技術等的說明，以免在細節上不必要地模糊本創作。不過，應當理解，用以說明本創作態樣的詳細說明及具體例子僅作為示例，而非限制。本領域的技術人員將會從本創作中瞭解在基礎的創作概念的精神及/或範圍內的各種 替代、修改、添加及/或佈局。

本創作說明書及權利要求書中所使用的近似語言可用以修改任意定量的表達，其可在允許範圍內變動而不會導致與其相關的基本功能的變化。因此，由一個或多個術語例如“約”修改的值不限於所指定的精確值。在一些實例中，該近似語言可對應用以測量值的儀器的精度。

本創作所使用的術語僅是出於說明特定例子的目的，並非意圖限制本創作。除非上下文中明確指出，否則這裡所使用的單數形式“一個”以及“該”也意圖包括複數形式。還應當理解，術語“包括”(以及任意形式的包括)、“具有”(以及任意形式的具有)以及“包含”(以及任意形式的包含)都是開放式連接動詞。因此，“包括”、“具有”或“包含”一個或多個步驟或元件的方法或裝置具有那些一個或多個步驟或元件，但並不限於僅僅具有那些一個或多個步驟或元件。類似地，“包括”、“具有”或“包含”一個或多個特徵的一種方法的步驟或一種裝置的元件具有那些一個或多個特徵，但並不限於僅僅具有那些一個或多個特徵。而且，以特定方式配置的裝置或結構至少以那種方式配置，但也可以未列出的方式配置。

本創作所使用的術語“連接”用於兩個物理元件時，是指該兩個物理元件之間的直接連接。此外，術語“耦接”用於兩個物理元件時，可指該兩個物理元件是直接連接或者通過一個或多個中間元件的連接。

本創作所使用的術語“可”以及“可能是”表示在 一系列條件下發生的可能性；具有特定的屬性、特性或功能；以及/或者修飾另一動詞，通過表達與該修飾動詞相關聯的一種或多種能力、功能或可能性的方式進行修飾。因此，考慮到在某些情況下，被修飾的術語可能有時不適當、不能夠或不合適，“可”以及“可能是”的使用表示被修飾的術語明顯是適當的、有能力的或適合所示性能、功能或用途。例如，在一些情況下，事件或性能可以預期，而在其它情況下，該事件或性能無法發生，這個區別由術語“可”以及“可能是”體現。

下面參照附圖，為有利於理解，該些附圖並非按比例繪製，其中，不同附圖中所使用的相同元件符號表示相同或類似的元件。

第1圖顯示本創作的智慧型農業及環境管理系統(1)，其包含監測單元(20)、傳輸單元(25、35、35’)、計算單元(65)、控制單元(30)、以及目標物質施用單元(40)。在智慧型農業及環境管理系統(1)中，監測單元(20)可偵測監測區域(10)中環境的原始資料(15)。一般而言，所述原始資料(15)包含監測區域(10)中的一或多種目標昆蟲的種類、數量、齡數的目標昆蟲資料、紫外光強度，以及除了紫外光強度外的至少一氣候資料。在此，藉由齡數的判斷，使得各種目標昆蟲的生命週期亦列為參數，進而可推導明瞭目前及未來的目標昆蟲的種類、數量與齡數，因此可更便於判斷所需選用的目標物質的種類與濃度。另外，在一較佳實施例中，所述紫外光強度包括UVB紫外光強度、UVA紫外 光強度或UVC紫外光強度。

原始資料(15)包括監測區域(10)中的至少一種氣候資料，例如：氣壓、平均氣壓、最高氣溫、最低氣溫、平均氣溫、最高濕度、最低濕度、平均濕度、降雨量、平均降雨量、瞬間降雨量、風速、風向、霧靄分布程度、霧霾分布程度、照度、平均時間照度、土壤濕度、各種氣體濃度等資料。此將於下文中進一步詳述，且此些示例僅用於說明性目的而非用於限制本創作。

監測單元(20)與傳輸單元(25)耦接，在監測單元(20)監測及收集原始資料(15)後，傳輸單元(25)進行資料接收及傳輸，其中，傳輸單元(25)包括無線通訊網或有線通訊網路。監測單元(20)於監測及收集原始資料(15)後，藉由無線通訊網將原始資料(15)傳輸至雲端(50)。當原始資料(15)傳送且被計算單元(65)接收後，計算單元(65)可基於原始資料(15)，依據策略演算法於目標物質資料庫中選用針對目標昆蟲的一或多種目標物質(45)。在此，目標物質資料庫可為內建於計算單元(65)中的資料庫，或可使計算單元(65)耦接至任何其他裝置、單元或系統中的資料庫，且本創作不限於此。

所述目標物質資料庫的建立可經由爬蟲(Crawler)步驟來收集登錄各種待選胜肽於該目標物質資料庫，並至少記錄該些待選胜肽的鹼基對數量、物種來源、雙硫鍵數量、作用或毒性分子目標及針對物種、基因序列及蛋白質序列的資訊。此將於後文中詳述。

在如上所述選擇了適用的一或多種目標物質(45)後，依據該一或多種目標物質(45)的降解數學模型，並使用原始資料(15)來計算相對應原始資料(15)的管理資訊，控制單元(30)接收該管理資訊並據以發出控制訊號(100)。而該控制訊號藉由無線通訊網路傳輸且為目標物質施用單元(40)所接收。接收控制訊號的目標物質施用單元(40)依據控制訊號(100)於監測區域(10)選用預定濃度及預定量的一或多種目標物質(45)。

在一個實施例中，在如上所述選擇了適用的一或多種目標物質(45)後，計算單元(65)依據目標物質(45)的降解數學模型及原始資料(15)來歸納出相對應原始資料(15)的管理資訊。

具體而言，無線通訊網路包括藍芽、WiFi、無線電、無線射頻識別(RFID)、超音波、紅外線、電磁感應等無線通訊技術。雲端(50)包括各種商業化、非商業化及/或自行開發的雲端管理中心、雲端資料庫、或雲端伺服器，例如聯發科(MediaTek)所開發的MediaTek Cloud Sandbox的雲端數據平台，但不以此為限。

傳輸單元(25、35、35’)可結合任何中介介面或平台來建立物聯網。例如，可使用台灣交通大學所研發的IoT平台「IoTtalk」來作為架構整個智慧型農業及環境管理系統的物聯網的連接橋樑。在一較佳實施例中，透過IoTtalk，本創作的智慧型農業及環境管理系統(1)的監測單元(20)將感測器等所偵測到的數值傳送至已架設的IoTtalk 平台，並以此為中介介面，再將數據傳送至MediaTek Cloud Sandbox，以建立線上的資料庫，並進一步使用此資料庫來進行數據分析，以評估或監測區域(10)的狀態。當物聯網設備連接至智慧型農業及環境管理系統(1)時，針對各種感測器，IoTtalk會自動產生或使用應用軟體來處理，因此每一個輸入設備可以相當方便地連接至輸出設備。然而，本創作不限於此，且只要可以建立所需的溝通通訊，本創作的智慧型農業及環境管理系統(1)可使用任何用於建立物聯網的技術與中介介面。

中介介面系統架構包含網路部分及設備部分，其中網路部分由至少一系統組成，建立、設定及管理系統，並且系統性的將物聯網設備特性分類，管理並自動設定輸入及輸出功能的連結，儲存所有相關資訊於資料庫系統。執行與通訊系統由兩個子系統組成。通訊子模組系統定義為HTTP based RESTful API(Application Programming Interface)，並且提供給設備應用來傳送或取得輸入/輸出設備資訊。當物聯網設備註冊/取消註冊(register/deregister)到該執行與通訊系統時，該設備應用會經由HTTP API要求該建立、設定及管理系統去改變資料庫中的設備狀態。當物聯網設備完成註冊至該設備應用後，即可經由該執行與通訊系統彼此相互通訊。執行子模組系統代表執行網路應用中連接相關輸入及輸出的功能，其中，圖形介面(Graphical User Interface)提供一個方便使用者的網頁介面，可用來快速建立連線以及物聯網間的溝通，經由該圖 形介面，使用者可以指揮該中介介面系統架構去執行所需求工作，用以建立或設定設備特性、功能、以及連線設定。

當傳輸單元(25、35、35’)為有線通訊網路的情況下，控制單元(30)可為位於雲端(50)或非位於雲端(50)的處理器、或同時部分位於雲端(50)或部分位於非雲端的處理器、計算中心、超級電腦、運算資料庫等各種數據處理平台或數據處理裝置。

在一實施例中，一或多種目標物質(45)可選自於化學物質及生物性胜肽所組成的群組。

在一其他的實施例中，舉例而言，目標物質(45)可包含但不限於化學性成分或含有胜肽或蛋白質成分的殺蟲劑、營養劑、除草劑、生長調節劑、酸鹼調節劑、除汙劑、抗凍劑、分解劑等各種農藥、肥料、農用物質或環境用物質。此外，監測區域(10)包括田野、山區、湖泊、溪流、沙灘、海域、濕地、溫室、住宅區、公園、運動場地等各種場景。

具體而言，根據一較佳實施例，目標物質(45)包括具有三個雙硫鍵與球狀二級結構的μ-segestritoxin-sf1a，且監測區域(10)包括受到雙翅目及鱗翅目的害蟲侵擾的區域。在此情況下，選用的μ-segestritoxin-sf1a可使區域中的害蟲減緩行動或癱瘓而減少啃食作物，且最終可能使害蟲因飢餓致使死亡。根據另一實施例，目標物質(45)可為具有類似於μ-segestritoxin-sf1a的雙硫鍵及球狀二級結構的ω-hexatoxin-Hv1a(Hv1a)。上述對於目標物質(45)及監 測區域(10)的舉例僅為說明，且在符合本創作的意旨下，目標物質(45)及監測區域(10)並不限於上述的示例。

根據所選用的目標物質(45)的種類，控制單元(30)接著可發出控制訊號(100)，以使目標物質施用單元(40)選用所選定的目標物質(45)於監測區域(10)中。再進一步而言，當選用一或多種目標物質(45)為化學物質時，計算單元(65)可利用藉由使用至少一種氣候資料所推導的化學物質的降解速率模型來進行計算；而當選用一或多種目標物質(45)為生物性胜肽時，計算單元(65)可利用藉由至少使用紫外光強度所推導的生物性胜肽的降解速率模型來進行計算。接著，計算單元(65)可根據所計算的一或多種目標物質(45)的降解狀態來調整及控制要使目標物質施用單元(40)施加於監測區域(10)中的目標物質(45)的預定數量及預定濃度。因此，可使得該監測區域(10)中目標物質(45)維持可針對目標昆蟲作用或毒害的程度，且減少可能的過度累積。

在一實施例中，根據所選用的目標物質(45)的種類，控制單元(30)可發出控制訊號(100)，以使目標物質施用單元(40)施用所選定的目標物質(45)於監測區域(10)中。再進一步而言，當所選用的一或多種目標物質(45)為化學物質時，控制單元(30)亦可使用至少一氣候資料所推導的化學物質的降解速率模型來進行計算；而當所選用的一或多種目標物質(45)為生物性胜肽時，控制單元(30)亦可使用紫外光強度所推導的生物性胜肽的降解速率模型來進行計算。接著，控制單元(30)亦可根據所計算的一或多種目標物質 (45)的降解狀態來調整及控制要使目標物質施用單元(40)施加於監測區域(10)中的目標物質(45)的預定數量及預定濃度。因此，可使得監測區域(10)中目標物質(45)維持可針對目標物質(45)作用或毒害的程度，且減少可能的過度累積。

在一實施例中，目標物質施用單元(40)包括固態、液態或氣態供給裝置，且在接收指定一預定量的控制訊號(100)後，以固態、液態或氣態供給方式將預定濃度或預定量的目標物質選用到監測區域(10)中。然而，本創作不限於此，且目標物質施用單元(40)包括可藉由各種方式將目標物質(45)選用至監測區域(10)中的各種裝置。

舉例而言，目標物質施用單元(40)包括流放或噴灑裝置，且例如可藉由流放的方式，將包含目標物質(45)的營養劑釋放至流通灌溉渠道中，隨著另外的灌溉管道或方式分布到標的監測區域(10)中。然而，本創作不限於此，且流放或噴灑裝置包括適用固態、氣態或液態的裝置。

承上所述，只要可檢測所需的原始資料(15)或釋放目標物質(45)於監測區域(10)中，監測單元(20)與目標物質施用單元(40)可位於監測區域(10)內或位於監測區域(10)之外。

在一實施例中，計算單元(65)是使用策略演算法及降解數學模型的架構與運算。策略演算法所使用的目標物質資料庫可為已知的一或多個目標物質資料庫，或為搭配本創作的一實施例的計算單元(65)所建立的目標物質資料 庫。當目標物質資料庫搭配計算單元(65)建立時，可藉由爬蟲(Crawler)步驟來收集登錄各種待選胜肽於該目標物質資料庫。詳細而言，可自各種蛋白質資料庫以及針對族群、毒性的研究成果所發表的論文上收集毒性或作用胜肽的資料來建立資料庫。

在一實施例中，控制單元(30)是使用策略演算法及降解數學模型的架構與運算。策略演算法所使用的目標物質資料庫可為已知的一或多個目標物質資料庫，或為搭配本創作的一實施例的控制單元(30)所建立的目標物質資料庫。當目標物質資料庫搭配控制單元(30)建立時，可藉由爬蟲(Crawler)步驟來收集登錄各種待選胜肽於該目標物質資料庫。詳細而言，可自各種蛋白質資料庫以及針對族群、毒性的研究成果所發表的論文上收集毒性或作用胜肽的資料來建立資料庫。

舉例而言，根據本創作的一實施例，當目標為可對斜紋夜盜蛾(鱗翅目)具口服毒性的毒素時，可在UniProtKB/Swiss-Prot上搜尋「insecticidal NOT crystal」(含有「殺蟲」，但不含有「結晶」)，來找出所有含有殺蟲活性，但不包括蘇力菌的結晶蛋白的蛋白質。承上所述，根據所得的216個蛋白質，自UniProt記錄登錄11項蛋白質的資訊於所述目標物質資料庫中，包括蛋白質名字、功能、物種、胺基酸序列、胺基酸長度、雙硫鍵數量、原胜肽(pro-peptide)、訊息胜肽、主鏈、UniProt條目號和Arachnoserver編號，並以此建立目標物質資料庫。

具體而言，所述蛋白質名字、功能、物種、胺基酸序列、胺基酸長度、雙硫鍵數量為蛋白質的基本資料，而功能為蛋白質功能的敘述，物種為胺基酸序列的來源物種。前胜肽和訊息胜肽代表胺基酸序列在N-端是否存在成熟或活化時會切斷的序列。若蛋白質含有前胜肽或訊息胜肽，則需另外收集完整的胺基酸序列以及其成熟胺基酸序列(稱為主鏈)。在此，UniProt條目號為蛋白質在UniProtKB中的登錄號，Arachnoserver ID則是另一個蜘蛛毒素資料庫ArachnoServer的登錄號。再進一步而言，可從Arachno Server中收集7個有關於蛋白質毒性的資料：分子目標、針對物種、半數有效量、半數致死量、半數癱瘓量、定性描述、蛋白質序列以助於參考。其中，分子目標為毒胜肽的作用位置，如電壓門控離子通道、抑制性神經傳導物質(例如：GABA)受器等。針對物種、半數有效量、半數致死量、半數癱瘓量、定性描述則來自於實驗的結果。

承上所述，藉由爬蟲步驟，可建立計算單元(65)中所運用的目標物質資料庫。

承上所述，藉由爬蟲步驟，可建立控制單元(30)中所運用的目標物質資料庫。

然而，上述的爬蟲步驟僅為示例，且只要在至少記錄待選胜肽的鹼基對數量、物種來源、雙硫鍵數量、作用或毒性分子目標及針對物種、基因序列及蛋白質序列的資訊並符合本創作的意旨下，爬蟲步驟可由各種方式設定各種參數來進行。此外，在計算單元(65)直接使用已知的一或 多個目標物質資料庫下，計算單元(65)亦可先實施爬蟲步驟來抽出待選目標物質(45)。

在一實施例中，計算單元(65)可基於目標物質資料庫或基於所抽出的待選目標物質來進行過濾步驟及篩選步驟。具體而言，根據本創作的一實施例的計算單元(65)使用策略演算法，其包含搜尋適用於生物性胜肽的以下步驟：過濾步驟，自上述目標物質資料庫或基於所抽出的待選目標物質來搜尋同時具有預設數量鹼基對、預設物種來源、大於或等於預設雙硫鍵數量的胜肽，再從搜尋結果中依序以分子目標及針對物種含有非脊椎、分子目標及針對物種針對目標昆蟲，且小於預定雙硫鍵數量的胜肽的條件進行過濾；以及選擇步驟，使用蛋白質基礎局部配對搜尋工具(例如Protein BLAST)及多重配對工具(例如COBALT)來依據相似序列性對從過濾步驟中獲得的胜肽分組，自分組結果中包含胜肽數量最多的前一或多個組別中找尋共有結構域，並依共有結構域挑選在前一或多個組別中具該共有結構域的代表性牲肽作為目標物質。在此，過濾步驟中設定的預設數量鹼基對可基於作用或毒性針對目標昆蟲的特定作用結構域而選定。

舉例來說，約有90%的蜘蛛毒胜肽含有抑制子半胱胺酸結構模體(Inhibitor Cystine Knot，ICK)結構，此結構也是最主要針對目標昆蟲的電壓門控離子通道和一些其他受器作用的位置。因此，目標昆蟲的特定作用結構域可為抑制子半胱胺酸結構模體的結構，且過濾步驟中設定的預設數 量鹼基對可基於ICK結構而選定。

承上所述，ICK結構的分子量在1至10kDa之間，以及含有至少3個雙硫鍵。因此，根據本創作的一實施例，為了自依據上述實施例的爬蟲步驟所建立的216個蛋白質中找到所需生物性胜肽，可於該過濾步驟中設定三個篩選條件：預設數量鹼基對、預設物種來源、預設雙硫鍵數量；其中，預設數量鹼基對設定為27到271鹼基對(1kDa的蛋白質平均含有9個胺基酸，也就是27個鹼基對)、預設物種來源設定為蜘蛛或狼蛛、預設雙硫鍵數量的大於或等於3，或為小於4。最後，依此可篩選得到113個胜肽。

在一實施例中，為了自上述113個胜肽進一步篩選，依序進行：藉由分子目標含有「非脊椎」進行篩選，但是保留沒有相對應資料的胜肽(結果63個胜肽)；由於根據此實施例的目標昆蟲為斜紋夜蛾，自篩選後剩下的胜肽(共有14種不同的針對物種，其中包含了4種鱗翅目的昆蟲)檢索針對物種包含至少一種Spodoptera litura,Heliothisvirescens,Manduca sexta及Spodoptera exigua，但是保留沒有資料的胜肽。再來，考量人工量產胜肽的限制性，設定預定雙硫鍵數量的上限。例如，人工量產可能使用E.coli來生產胜肽，而E.coli(例如：E.coli Rosetta-gami品種)一般難以表現含有雙硫鍵的蛋白質。因此，為了確保所選用的胜肽可由人工製造，可設定預定雙硫鍵數量為小於4來過濾掉過多雙硫鍵的胜肽。承上所述，可得到46個胜肽，且這些胜肽的分子目標都是電壓門控離子通道(不包含 沒有資料)。

在一實施例中，在最後的選擇步驟中，可利用NCBI的線上分析工具來處理這些胜肽。具體而言，可先使用蛋白質基礎局部配對搜尋工具(Protein BLAST)，找出分別與此46個胜肽相似的胺基酸序列，並依此將46個胜肽分組。接著，使用多重配對工具(COBALT)來找出組內與組間的相似關係，並將因為支鏈等因素而在前一步驟沒有分在一組的組別合併。最後，將46個胜肽分為了4組，分別有27、12、3、2個胜肽，以及2個單獨的胜肽。完成上述過程後，再用結構域搜尋，找出最大的3個組分別共有的結構域。如第二大的組別，能夠發現其皆屬於Toxin_28 Superfamily(c106928)。其中，括號內的字串為蛋白質結構域家族資料庫內的編號。最後，在這46個胜肽中，選擇這些結構域家族的代表性胜肽來驗證設計。根據本創作的此示範性實施例，代表性胜肽為Hv1a、Sf1a、OAIP。

承上所述，在一較佳實施例中，可使用具有多個雙硫鍵與球狀二級結構的原態蛋白質作為目標物質(45)。舉例而言，可使用ω-hexatoxin-Hv1a(Hv1a)或μ-segestritoxin-Sf1a的生物性驅蟲劑作為目標物質(45)。其中，ω-hexatoxin-Hv1a(Hv1a)及μ-segestritoxin-Sf1a包含具多個雙硫鍵的穩定球型結構域，抑制子半胱胺酸結構模體(ICK)，故使其具有較高的穩定性。上述實施爬蟲步驟、過濾步驟及選擇步驟的過程僅為示例，且在符合本創作的意旨下，爬蟲步驟、過濾步驟和選擇步驟可依據需求 及要求設定參數及內容。此外，目標物質資料庫亦可包含化學性物質，且挑選化學性物質及生物性胜肽的過程可分別或整合進行。

再進一步而言，依據上述原始資料(15)亦可包含一或多種目標昆蟲的種類、數量、齡數的目標昆蟲資料，可相應地挑選對應同一目標昆蟲的不同時期(齡數)的有效目標物質(45)。例如，可依據收集到的目標昆蟲的幼蟲數過高選用針對目標昆蟲的幼蟲的目標物質(45)等。

承上所述，當目標物質(45)為化學性物質時，可以基於該化學性物質相對於溫度、濕度、降水等至少一氣候資料的降解關係所推導的降解數學模型來歸納管理資訊。詳細而言，可針對每種登錄的化學性物質，針對其對於氣候資料所反應的關係進行數學化，經由機器學習、人工智慧及經濟學賠率模型去預測並調整套用其降解模型。另外，為了預測類似於ω-hexatoxin-Hv1a(Hv1a)或μ-segestritoxin-Sf1a，且具有穩定蛋白質結構的原態蛋白質的選用時機或時間間隔，計算單元(65)可使用生物性胜肽(蛋白質)相對於紫外光強度的降解關係所推導的降解數學模型來歸納管理資訊。在一或多種目標物質為生物性胜肽的情況下，為了建立以蛋白質的降解速率為基礎的數學模型，首先須研究蛋白質可能的降解途徑。其中，蛋白質可能的降解途徑分別為水解、蛋白酶降解以及紫外光輻射分解。

在一實施例中，由於此類原態蛋白質的生物性驅蟲劑 的驅蟲效果來自於其三級結構，若變性成線性蛋白質，亦視為被降解，故變性成線性蛋白質的速率亦須考量在數學模型中。以下分別依據第2圖至第9圖，針對這四種途徑進一步詳細的分析說明。

根據第2圖及第3圖的水解途徑的分析，蛋白質可以經由水解而變回組成的胺基酸。由於水解是反應機構為親核分子攻擊醯胺基的碳而打斷肽鍵的E2反應，其反應速率是由親核分子及蛋白質的濃度決定。

水解途徑的反應速率方程式1如下：反應速率方程式1：，其中，[P]為胜肽或蛋白質的濃度，K_h為水解的反應速率常數，k_A、k_N、k_B為與酸鹼值有關，用來決定K_h的參數。對於此類蛋白質的生物性驅蟲劑，創作人在實際運用於田野時，因為其所在環境的酸鹼值變動不大，故可以將K_h視為一個固定的常數。因此，水解反應的降解速率正比於蛋白質的濃度，蛋白質濃度會呈現指數衰減的趨勢。

為了測試水解反應的降解性質，創作人測試球型(原態)和線性的Hv1a在4℃中性PBS(Phosphate Buffered Saline,pH=7.2-7.5)的水解穩定性。當Hv1a在4℃中性PBS經過1天及7天後，創作人以十二烷基硫酸鈉聚丙烯醯胺凝膠電泳(SDS-PAGE，sodium dodecyl sulfate polyacrylamide gel electrophoresis)及ImageJ軟體計算剩餘的蛋白質濃度。第2圖及第3圖顯示相關結果，其中第2圖為Hv1a(蛋白質分 子量為5.3kDa)及蛋白質標記的十二烷基硫酸鈉聚丙烯醯胺凝膠電泳圖，而第3圖為Hv1a-凝集素(HL，蛋白質分子量為17.1kDa)及蛋白質標記的十二烷基硫酸鈉聚丙烯醯胺凝膠電泳圖。其中，「凝集素」是雪花蓮凝集素(Snowdrop lectin)，且Hv1a-凝集素代表Hv1a與雪花蓮凝集素的融合蛋白。在一些實施例中，雪花蓮凝集素可用於協助生物性驅蟲劑以口服途徑傳遞至昆蟲腸上皮，接著通過腸壁進入昆蟲的血淋巴。由第2圖及第3圖的實驗結果發現，球型Hv1a的濃度在一天及七天後變化不大(一天：98%、七天：87%)，而線性Hv1a在一天後只剩下9%，在七天後幾乎都已降解。Hv1a-凝集素也有類似的結果。球型Hv1a-凝集素在七天內皆不會被降解(一天：110%、七天：105%)，但線性Hv1a-凝集素在一天後剩下16%，七天後只剩下3%。從實驗結果可以推斷出，球型蛋白質(原態蛋白質)在4℃中性PBS中，七天內並不會被水解，或是水解速率很慢，但線性蛋白質會隨著時間快速地降解。

根據第4圖至第6圖及表1來探討蛋白酶對於目標胜肽或蛋白質的降解速率，創作人是運用米氏動力學(Michaelis-Menten kinetics)來模擬因蛋白酶產生的降解速率。由於蛋白酶降解途徑的反應速率取決於蛋白酶與作用位置結合的速率，且在體外的蛋白酶降解因為變性蛋白質會被迅速的降解而可被視為是不可逆的。

蛋白酶降解途徑的反應速率方程式2如下所示(考慮速率限制步驟)：，其中，[P]為胜肽 或蛋白質的濃度，V_m,p為蛋白酶降解的最大速率，為酵素總濃度與蛋白酶轉換率K_cat的乘積，取決於不同的受質，需從實驗結果求得。K_M,p為米氏常數，也代表當反應速率為V_m,p一半時的受質濃度。基於體外的蛋白酶通常皆為活化態且保持平衡，可假設V_m,p為常數，來代表環境中所有蛋白酶的等效最大反應速率。

在測試蛋白酶的降解性質方面，創作人設計兩個實驗以測試生物性驅蟲劑Hv1a及Hv1a-凝集素對蛋白酶的抗性。第一個實驗為球型蛋白質和線性蛋白質在蛋白酶的作用下，一天的內的降解程度(第4圖及第5圖)；另一個實驗為線性蛋白質在4小時內的降解速率(第6圖及表1)。

在第一個實驗中，蛋白質被溶在中性PBS(pH=7.2-7.5)，並添加絲氨酸蛋白酶(胰蛋白酶)於37℃中反應一天。上述測試結果顯示於第4圖及第5圖，其中，第4圖為經胰蛋白酶作用一天後，Hv1a(蛋白質分子量為5.3kDa)及蛋白質標記的十二烷基硫酸鈉聚丙烯醯胺凝膠電泳圖，而第5圖為經胰蛋白酶作用一天後，Hv1a-凝集素(HL，蛋白質分子量為17.1kDa)及蛋白質標記的十二烷基硫酸鈉聚丙烯醯胺凝膠電泳圖。上述實驗結果顯示，兩種球型蛋白質皆表現出對胰蛋白酶的抗性(111%和100%)，而線性蛋白質則會被胰蛋白酶降解(剩下67%和18%)。而在第二個實驗中，創作人測量在4小時內，線性蛋白質的降解速率，並以Lineweaver-Burk plot(亦稱作雙倒數圖)來求得線性Hv1a和線性Hv1a-凝集素的V_m,p和K_M,p。上述結果顯 示於第6圖及下列表1。

承上所述，將參照第7A圖至第9圖探討由於光照所分解蛋白質的降解速率。溶劑(通常為水)受到光照中的紫外光照射後，會產生高活性的自由基分子，這些自由基分子經過傳播過程，直到終止前，都能夠攻擊蛋白質並打斷共價鍵，而使蛋白質降解。

創作人將實際上較為複雜的自由基反應機制簡化成與自由基濃度的未知次方n有關，可以推導出蛋白質的紫外光輻射分解的速率方程式3及方程式4，並如下所示：

在上列方程式3及4中，其中，[radical]代表自由基的總濃度，[P]代表胜肽或蛋白質濃度，Gγ代表溶劑在單位時間內，每單位質量所吸收的輻射能量(對於水來說為1.42Gy/s)，Aγ代表溶劑每吸收一單位能量可以產生的自由基數量(對於水來說為0.045μmol/J)，I代表太陽光中紫外光UVB的強度，可由紫外光強度傳感器(UVM30A)或其他感測器測量而得，R_T代表自由基終止反應的速率常數，約為2.365×10-7mol^-1．s^-1，K_UV代表紫外光輻射分解的速率常數， 可以由實驗結果求得，在模擬時創作人使用44mol^-1．s^-1進行分析。

上述的方程式3及4僅為示例，且在符合本創作的意旨下，更包含任何後續相關修正項，以增加預測正確的降解速率，其中，該修正項是依據上述的至少一氣候資料所產生相關參數並進行降解速率準確性的相關修正或收斂。

由於自然環境中的溶劑一般為水，故接下來的模擬及實驗皆利用水作為溶劑。依據上述方程式，創作人使用MATLAB計算軟體模擬紫外光輻射分解的降解速率。如第7A圖至第7F圖所示，降解速率隨著n的增加也越加快速，而且最終會被完全降解，該推導出的數學模型符合在自然界中使用的狀況。

為了進一步推導方程式3及方程式4，創作人進一步將四種不同的生物性驅蟲劑(Hv1a、Sf1a、OAIP及Hv1a-凝集素)的球型蛋白質，放置於紫外光透射儀(UVB，實驗條件為波長302nm及強度50mW/m²)下照射2小時。

OAIP是來自澳大利亞狼蛛的毒素的口服活性殺蟲劑縮氨酸(Orally Active Insecticidal Peptide)的簡稱。在第8圖中的實驗結果顯示，四種蛋白質降解的情形皆符合上述的推導模型。在上述結果中，不含有凝集素及含有凝集素的蛋白質在降解速率上有很明顯的差異。對於此結果，一種可能的原因為越長的蛋白質有越高的機率被自由基攻擊，因而有較快的降解速率。創作人將實驗結果與模型(方程式4)進行匹配，進而得到模型中的常數n約為0.78。 Hv1a、Sf1a、OAIP及Hv1a-凝集素的K_UV則分別為2.4、7.8、15.7及90.3。為了驗證上述推導，創作人將Hv1a-凝集素放置於不同強度的紫外光透射儀(UVB，波長為286nm及強度為36.4mW/m²)進行測試，並以上述結果進行降解速率的模擬，再與實際實驗結果進行比較，比較結果顯示於第9圖，可得知推導模型可預測蛋白質的降解情形。

創作人針對水解、蛋白酶以及紫外光輻射等三種對於蛋白質降解的影響途徑進行探討，並以此建立控制單元(30)所使用的數學模型。蛋白質實際上的降解速率應為三種途徑的總和再加上轉變成線性蛋白質的速率R_SS。降解速率方程式5整理後如下所示：

依據降解速率方程式5，經過實驗測試後，由於球型蛋白質對於水解、蛋白酶都有很高的抗性，故K_h和V_m,p相較於K_UV要小的多。承上所述，基本上水解的降解速率與蛋白酶的降解速率相較於紫外光輻射的降解速率皆可忽略不計。另外，因為蛋白質的雙硫鍵提供了很高的穩定性，所以在大自然中，轉變成線性蛋白質的速率R_SS相較於紫外光輻射分解的降解速率亦可忽略不計。

因此，降解速率方程式5可以進一步簡化成上述的方程式4，且可搭配上述紫外光輻射分解的自由基相關方程式3來進行推導：

其中，K_UV代表相對應於目標胜肽的紫外光輻射分解速率常數，[radical]代表自由基總濃度，[P]代表前一次選用的目標胜肽的胜肽濃度，Gγ代表目標胜肽的溶劑在單位時間內每單位質量所吸收的輻射能量，Aγ代表溶劑每吸收一單位能量所產生的自由基數量，I代表UVB紫外光強度，R_T代表自由基終止反應的速率常數，n=0.6-0.9，t代表降解時間。因此，根據上述方程式3及方程式4的數學模型，能夠依據紫外光強度來準確模擬胜肽的降解速率。

根據智慧型農業及環境管理系統(1)經由物聯網溝通監測單元(20)、控制單元(30)、計算單元(65)、傳輸單元(25、35、35’)以及目標物質施用單元(40)，並根據上述各種數學模型來評估需施用目標物質(45)的時機、次數、原因、種類或時間間隔。在一實施例中，原始資料(15)包含紫外光強度，特別是UVB紫外光強度。在此情況下，監測單元(20)偵測感知紫外光強度後，將紫外光強度的原始資料(15)傳送至計算單元(65)。接著，計算單元(65)依據紫外光強度套用數學模型，以評估以生物性胜肽為目標物質(45)的降解程度，進而在目標物質(45)缺乏或即將缺乏時命令目標物質施用單元(40)施用目標物質(45)。

上述根據本創作的一較佳實施例所使用的原始資料及數學模型的架構與運算僅為示例，本創作不限於此。具體而言，除了上述原始資料(15)以及目標物質(45)的降解程度的數學模型外，本創作的智慧型農業及環境管理系統(1)的原始資料(15)與數學模型可單獨或進一步包含其他參數 及推導方程式。

第10圖顯示根據在原始資料(15)包含一或多種目標昆蟲的採樣數量下，監測單元(20)可包含或可單獨為目標昆蟲計數感測裝置(2000)。目標昆蟲計數感測裝置(2000)可包括捕蟲容器，其包含具有一或多個閘口(211)設置於筒壁(234)上的筒體(210)、一端連通閘口(211)且另外一端連通容置裝置(230)的通道(220)、以及容置裝置(230、230’)。筒體(210)可用於保護整個目標昆蟲計數感測裝置(2000)，且目標昆蟲可藉由閘口(211)進入目標昆蟲計數感測裝置(2000)中。此外，在一較佳實施例中，方形孔洞或梯形孔洞的六個閘口(211)可分別設於六角型筒體(210)的六面下方，以使目標昆蟲可以進入，且相較於設置於上方的情況，設於下方的閘口(211)於降雨時較不易使雨水灌入。在此，外殼型狀、開口的大小、數量及位置均僅為示例，本創作不限於此。

上述目標昆蟲計數感測裝置(2000)的容置裝置(230、230’)可包含誘蟲光源(231)、目標昆蟲引誘劑(232)、以及費洛蒙生合成活化神經肽(PBAN)(233)中的至少一種。具體而言，誘蟲光源(231)所產生的色光、目標昆蟲引誘劑(232)以及由目標昆蟲攝入費洛蒙生合成活化神經肽(233)所合成的費洛蒙具有吸引目標昆蟲的能力。

舉例而言，誘蟲光源(231)可為市售的藍光發光二極體(LED)所焊接成的燈條，並以熱熔膠黏著於容置裝置(230或230’)上，例如壓克力箱體上。在誘蟲光源(231)為藍光 發光二極體(LED)的情況下，會被藍光吸引的目標昆蟲，例如斜紋夜盜蛾，可較容易被吸引而進入容置裝置(230及230’)中。此外，可於容置裝置(230及230’)中另外設置目標昆蟲喜歡的食物、營養劑、或氣味散發劑等的目標昆蟲引誘劑(232)，以使目標昆蟲被吸引而進入容置裝置(230及230’)中。亦或可於容置裝置(230及230’)中另外設置費洛蒙生合成活化神經肽(233)。當目標昆蟲進入容置裝置(230及230’)中並攝取費洛蒙生合成活化神經肽(233)時，費洛蒙生合成活化神經肽(233)會刺激目標昆蟲釋放費洛蒙，所釋放的費洛蒙會更進一步專一性地吸引更多該目標昆蟲進入容置裝置(230及230’)中。在上述示例中，容置裝置(230及230’)可僅包含誘蟲光源(231)、目標昆蟲引誘劑(232)或費洛蒙生合成活化神經肽(233)中的一種，亦或是容置裝置(230及230’)可包含誘蟲光源(231)、目標昆蟲引誘劑(232)或費洛蒙生合成活化神經肽(233)中多個的組合。

根據本創作實施例的目標昆蟲計數感測裝置(2000)，於單向通行閘口(211)上另外設置有紅外線計數器(240)，以在目標昆蟲經過單向通行閘口(211)時計算通過的目標昆蟲數量。舉例而言，紅外線計數器(240)可設置於單向通行閘口(211)或通道(220)上。當目標昆蟲經過單向通行閘口(211)或通道(220)而截斷由紅外線發射器(241)所發出的紅外線時，目標昆蟲計數感測裝置(2000)會記錄紅外線接收器(242)未接收到紅外線的次數，用以計算目標昆蟲的採樣數量。

在一實施例中，可包含兩組紅外線偵測器，且當兩組紅外線偵測器的紅外線被依序截斷時，才會記錄為目標昆蟲的採樣數量，以避免目標昆蟲在通道中振翅或徘徊等情況造成的誤計。於此，紅外線計數器僅為示例，只要可偵測目標昆蟲的採樣數量，則計數器可為各種裝置。

除了上述裝置外，目標昆蟲計數感測裝置(2000)可進一步包含訊號處理器及電荷儲存裝置(250)，訊號處理器及電荷儲存裝置(250)可提供目標昆蟲計數感測裝置(2000)所需的能源及/或初步處理並傳輸來自紅外線計數器(240)所計數的原始資料(15)至計算單元(65)。

舉例而言，訊號處理器及電荷儲存裝置(250)可為Arduino Mega 2560開發板，且Arduino Mega 2560開發板將原始資料(15)透過I2C方式傳至Linkit Smart 7688 Duo開發板進行雲端上傳至控制單元或其他裝置(例如，手機APP)來達到監測目的。其中，Linkit Smart 7688 Duo開發板可具有MPU及MCU(例如：聯發科晶片與Arduino晶片)，且MCU接收原始資料(15)再傳輸至MPU，而MPU進行運算處理成所需的資訊。再進一步而言，例如，MCU可為ATmega32U4，且MPU可為MT7688AN。然而，本創作不限於此，且只要可進行上述微控功能的任何線路、晶片、電路、裝置等皆可用於作為訊號處理器及電荷儲存裝置(250)。例如，可以MCP23008/MCP23S17 IC進行I/O擴充輔以NE555來取代Arduino Mega 2560開發板。

在一實施例中，容置裝置(230及230’)可包含筒壁 (234)及由筒壁(234)所包圍的容置空間，且該容置空間通過傾斜隔間裝置分隔成倒錐空間及陷阱空間。其中，該倒錐空間的上部分具有連通通道的一或多個入口，且該倒錐空間的下部分具有通往陷阱空間的連接口。在此情況下，設計為倒金字塔型的倒錐空間使目標昆蟲能夠方便進入下方陷阱空間中但卻不易逃出，進而達到誘捕的目的。在此，倒錐空間的入口及連接口的比例是為了方便說明起見而概略繪示，且其尺寸及相對比例可非為圖中所示。例如，在一較佳實施例中，連接口可遠遠小於入口。舉例而言，連接口與入口的大小比例可為1：2、1：3、1：4、1：5、1：10、1：12、1：15、或1：20等，且不限於此。

根據上述實施例，目標昆蟲引誘劑(232)以及費洛蒙生合成活化神經肽(233)可以置放在陷阱空間中。然而，根據本創作的一較佳實施例，目標昆蟲引誘劑(232)以及費洛蒙生合成活化神經肽(233)可設置於倒錐空間中，以更輕易地吸引目標昆蟲。舉例而言，可在孔洞塞以棉花或衛生紙的類纖維性物質，以毛細現象將液態的誘餌吸上，或可在連接口的部分範圍設置支撐板或隔板，且將目標昆蟲引誘劑(232)以及費洛蒙生合成活化神經肽(233)放置於支撐板或隔板上。然而，上述僅為示例，且只要可吸引目標昆蟲，目標昆蟲引誘劑(232)以及費洛蒙生合成活化神經肽(233)可依據需求設置於上述的任何結構中，且不限於在此所具體列出的實施例。

此外，上述設計亦可分別分隔成不同夾層空間。舉例 而言，可分別將倒錐空間及陷阱空間分隔成一個以上的夾層空間，各夾層空間放置針對不同目標昆蟲的費洛蒙誘餌或泡開的費洛蒙生合成活化神經肽(233)，並設置孔洞，塞以棉花或衛生紙的類纖維性物質，以毛細現象將液態的誘餌吸上供目標昆蟲食用，進而吸引不同特定目標昆蟲。

在上述倒錐空間及陷阱空間的設計下，可另外搭配通道(220)，如用3D列印的「弓」字形體或是迷宮式通道，放入紅外線發射器(241)及紅外線接收器(242)來計算通過不同通道(220)進入不同夾層空間的目標昆蟲數量。

在此，目標昆蟲計數感測裝置(2000)的筒體(210)、筒壁(234)、用於分隔出倒錐空間及陷阱空間的傾斜隔間裝置、用於分隔針對不同目標昆蟲的夾層空間的隔件及/或其他空間設置分隔用件可為壓克力、玻璃、不銹鋼、金屬、合金或3D列印材料等。然而，本創作不限於此。且在符合本創作的意旨下，筒體(210)、筒壁(234)、傾斜隔間裝置、隔件及/或其他空間設置分隔用件可為各種材料及尺寸。

上述對於目標昆蟲計數感測裝置(2000)的說明皆為示例，且在符合本創作的意旨下，目標昆蟲計數感測裝置(2000)的配置及設計可具有各種變化或可搭配其他裝置或結構來組合運用。

在監測單元(20)包含目標昆蟲計數感測裝置(2000)以使原始資料(15)包含一或多種目標昆蟲的採樣數量的情況下，控制單元(30)可進一步依據一或多種目標昆蟲的採樣數量是否超過預設量，而發出控制訊號(100)，使目標物質 施用單元(40)施用殺蟲劑或驅蟲劑。

昆蟲營養劑等為減少或增加目標昆蟲的管控用物質。在此情況下，控制單元(30)的數學模型可為一或多種目標昆蟲的採樣數量與上述降解速率各別以不同權重衡量的整合數學模型。然而，本創作不限於此，且計算單元(65)的數學模型亦可僅以一或多種目標昆蟲的採樣數量或上述降解速率來建立。

在一實施例中，控制單元(30)的數學模型可利用不同參數及一或多種目標昆蟲的採樣數量來預期未來的目標昆蟲數量，而提前或在適當時機選用目標物質(45)。亦即，計算單元(65)的數學模型可包含目標昆蟲預測模型。

舉例而言，在一實施例中，目標物質(45)可能對於特定生長時期的目標昆蟲具有專一性，而對相同目標昆蟲的其他生長時期不具有專一性。因此，根據本創作，可進一步監測過去一段期間內的原始資料來預測特定時期的目標昆蟲數量。例如，若目標昆蟲為蛾類，且目標胜肽對於蛾類的幼蟲較為有效，而危害農作物的主要是蛾類的幼蟲時，由於蛾類從蛹變成蛾的時間從6天到14天不等，可依此設定需監測過去20天蛾的積累數量(於第20天捕獲的蛾在第1天一定是幼蟲，然而此僅為示例，且亦可設定其他數值)，以作為預測模型的目標。建立此預測模型可適時選用目標胜肽影響蛾類的幼蟲，以管控未來可能的蛾類的成蟲的數量。

在一實施例中，創作人設計原始資料可包含過去20 天的氣壓、平均氣壓、最高氣溫、最低氣溫、平均氣溫、最高濕度、最低濕度、平均濕度、降雨量、平均降雨量、瞬間降雨量、風速、風向、霧靄分布程度、霧霾分布程度、照度、平均時間照度、土壤濕度、各種氣體濃度等至少一資料以及累積的目標昆蟲的採樣數量。依據此較佳實施例，監測單元(20)可進一步包含用於偵測上述原始資料(15)的各種習知或未來開發的感測器或感測裝置。

在此情況下，預測模型可使用python 3.5，利用遞歸神經網絡(RNN)和人工神經網絡(ANN)的組合以tensor flow的深層學習框架所構建，並以上述原始資料來修正訓練預測模型。其中，上述20天的7個特徵總共140個特徵是藉由遞歸神經網絡依據時間序列先壓縮成7個壓縮特徵，7個壓縮特徵(氣候資料)、與第1天至第10天的累積蛾類的成蟲數量及第10天至第20天的累積蛾類的成蟲數量(補充的兩個特徵)共9個特徵神經元，再輸入至人工神經網絡來預測結果。藉著計算實際答案和輸出之間的誤差，使用梯度下降和反向傳播來修改每個網絡中每個神經元的權重。經過訓練後，創作人得到具有約80%的準確性的預測模型。然而，本創作不限於此，且可持續使用在監測區域(10)中收集的數據來重新訓練修正預測模型，並可依據不同場地區域重新修改並訓練以獲得特定預測模型。

儘管上述使用了過去20天的氣壓、平均氣壓、最高氣溫、最低氣溫、平均氣溫、最高濕度、最低濕度、平均濕度、降雨量、平均降雨量、瞬間降雨量、風速、風向、霧 靄分布程度、霧霾分布程度、照度、平均時間照度、土壤濕度、各種氣體濃度等至少一種資料以及累積的目標昆蟲的採樣數量來修正訓練神經網絡的人工智慧模型，然而本創作不限於此。舉例而言，依據不同目標昆蟲或目標胜肽的不同生長期針對性，可使用即時、過去1天、過去3天、過去5天、過去10天、過去15天、或過去30天等不同的時間期間來收集預測模型的原始資料(15)，且可使用氣壓、最高氣溫、最低氣溫、平均氣溫、濕度、降水、風速的一或多個的組合來搭配修正訓練模型，亦或是使用上述特徵外的原始資料(15)來修正模型。例如，可使用上述特徵以外的氣候參數，或者是氣候參數以外的不同環境參數，包含但不限於以上所述者來修正訓練模型。

接下來，將參照第11A圖至第13圖說明根據本創作的其他實施例的智慧型農業及環境管理系統。在第11A圖至第13圖中，將主要說明與第1圖不同的差異，且於第1圖中已詳細說明的細節將為了簡潔及清晰起見而簡略敘述或省略。

首先，參照第11A圖，智慧型農業及環境管理系統(2)進一步包含遠端操作單元(60)。遠端操作單元(60)從計算單元(65)經由無線通訊網路(55)接收並顯示原始資料(15)、管理資訊或原始資料(15)與管理資訊的組合，且具有操作介面以選擇性地發出人工控制訊號(200)至目標物質施用單元(40)以施用目標物質(45)。舉例而言，參照第11B圖，遠端操作單元(60)可為智慧型手機，且使用者可從智慧型手 機接收原始資料(15)或者是經控制單元(30)或計算單元(65)處理過後的管理資訊(300)。具體而言，智慧型手機可直接顯示包含溫度、風速、溼度、及目標昆蟲採樣數量等的原始資料(15)，並顯示經計算單元(65)或是控制單元(30)處理計算後建議使用者的管理資訊(300)。使用者在參考上述原始資料(15)、管理資訊(300)或兩者的組合後，可藉由操作介面(400)決定是否施加目標物質(45)，且所下的指令將藉由人工控制訊號(200)傳輸至目標物質施用單元(40)採取行動。

在一實施例中，根據第12A圖，智慧型農業及環境管理系統(3)的監測單元可分為監測單元(20)與主監測單元(20’)，且自每個監測單元(20)於監測區域(10)的不同區塊中收集到的原始資料(15)會先經由例如藍芽的傳輸網路(500)傳輸至主監測單元(20’)。主監測單元(20’)在彙整來自各監測單元(20)的原始資料(15)後，再如第1圖所示，經由傳輸單元(25)傳輸至計算單元(65)或控制單元(30)。

在一實施例中，根據第12B圖，智慧型農業及環境管理系統(4)的目標物質施用單元可分為目標物質施用單元(40)與主目標物質施用單元(40’)，且來自控制單元(30)、計算單元(65)或遠端操作單元(60)的指令先傳輸至主目標物質施用單元(40’)，再經由例如藍芽的傳輸網路(600)傳輸並控制各目標物質施用單元(40)於監測區域(10)中的不同區塊中的選用。

在第12A圖及第12B圖中，為了方便說明起見，智慧 型農業及環境管理系統中與監測單元或目標物質施用單元無關的其他裝置將予於省略。此外，第12A圖及第12B圖所示的配置可與上述其他實施例的智慧型農業及環境管理系統的態樣進行組合，以使包含田野或其他場地的監測區域(10)的監測與管控變得更為精準。

在一實施例中，第13圖與第1圖所示的智慧型農業及環境管理系統(1)不同，智慧型農業及環境管理系統(5)亦可將監測單元(20)所接收的原始資料(15)直接傳輸至目標物質施用單元(40)，且目標物質施用單元(40)可直接依據內建的數學模型來評估選用何種目標物質(45)及/或是否應施用目標物質(45)。或者，智慧型農業及環境管理系統(5)亦可在監測單元(20)中將所接收的原始資料(15)先行使用數學模型處理後，再傳令至目標物質施用單元(40)，使其選用並施用目標物質(45)。

除了上述配置外，在符合本創作的意旨下，智慧型農業及環境管理系統可為上述不同智慧型農業及環境管理系統的配置的組合或套用。另外，智慧型農業及環境管理系統亦可整合並搭配其他裝置或設備使用。例如，智慧型農業及環境管理系統的監測單元(20)、計算單元(65)、控制單元(30)、目標物質施用單元(40)、及/或遠端操作單元(60)的一或多個的組合，皆可發出回饋訊號及統整資訊給研究機構，且研究機構可利用這些回饋訊號及統整資訊來進一步研究，甚至修正物聯網所使用的數學模型或架構。

上文中所揭示的搭配數學模型與物聯網的智慧型農 業及環境管理系統可用於各種用途。舉例而言，智慧型農業及環境管理系統可用於監測住宅區中登革熱病媒蚊的數量，並選用可殺死或驅逐登革熱病媒蚊的病媒蚊專一性毒性胜肽來管控病媒蚊數量。在另一實施例中，智慧型農業及環境管理系統可使用來自管網蜘蛛(Segestria florentina)(Tube-web spider)的μ-segestritoxin-Sf1a或具有類似結構的人工重組蛋白作為生物性農藥，進而專一性地管控田野中常見雙翅目(蠅類)及鱗翅目(蛾類)害蟲的目標昆蟲的數量。此類常見的害蟲例如為斜紋夜盜蛾(Spodoptera litura)、甜菜夜蛾(Spodoptera exigua Hubner)、豆莢螟(Maruca testulalis)等。在又一實施例中，智慧型農業及環境管理系統可在田野中散播對有益目標昆蟲具專一性的吸引胜肽或化學性物質，以使此類有益目標昆蟲的數量維持在預期程度。

上述闡釋智慧型農業及環境管理系統的用途僅為示例，且在符合本創作的意旨下，本創作的智慧型農業及環境管理系統可應用在各種場景及用途上。

承上所述，依據本創作的智慧型農業及環境管理系統，包含將策略演算法及降解速率模型整合至物聯網系統中，並可另外進一步結合目標昆蟲預測模型，以較為精確地持續選用預定程度的目標物質，進而達到預期的農業環境管控。藉由智慧型農業及環境管理系統，可建立減少人力、較為環保的環境管理系統，以減少超過預期量外的目標物質的殘留性及選用隨機性。

本領域技術人員應理解，以上實施例僅是示例性實施例，在不背離本創作的精神和範圍的情況下，可以進行多種變化、替換以及改變。

Claims (20)

1. 一種智慧型農業及環境管理系統，包括：監測單元，用以收集監測區域中的原始資料；傳輸單元，與所述監測單元相耦接，用以接收並傳輸所述原始資料；計算單元，與所述傳輸單元相耦接，用以接收來自所述傳輸單元的原始資料，以及依據策略演算法於目標物質資料庫中選用目標物質，俾依據所述目標物質的降解數學模型及所述原始資料來歸納管理資訊；控制單元，與所述計算單元相耦接，用以接收所述管理資訊並產生控制訊號；以及目標物質施用單元，與所述控制單元相連接，用以接收所述控制訊號，以依據所述控制訊號於所述監測區域施用預定濃度及預定量的所述目標物質。
2. 如申請專利範圍第1項所述的智慧型農業及環境管理系統，其中，所述監測單元包括目標昆蟲計數感測裝置、溫度感測裝置、雨量器、照度感測裝置、二氧化碳感測裝置、紫外光強度感測裝置、土壤濕度感測裝置及氣壓感測裝置的至少其中一個。
3. 如申請專利範圍第2項所述的智慧型農業及環境管理系統，其中，所述目標昆蟲計數感測裝置包括捕蟲容器及設置於所述捕蟲容器內的誘蟲光源、目標昆蟲引誘劑以及紅外線計數器。
4. 如申請專利範圍第3項所述的智慧型農業及環境管理系統，其中，所述捕蟲容器包括：筒體，具有筒壁及至少一開口端，所述至少一開口端設於所述筒壁的兩端，所述筒體的內部以傾斜隔間裝置區分為第一空間及第二空間，且所述第一空間及第二空間相連通；至少一蓋體，設置於所述筒體的至少一開口端，所述至少一蓋體具有設置於所述蓋體內側的固定部，用以固定所述目標昆蟲引誘劑；以及至少一單向通行閘口，設置於所述筒壁，其中，所述紅外線計數器設置於所述筒體的內部，且位於所述筒壁上並鄰近於所述至少一單向通行閘口。
5. 如申請專利範圍第4項所述的智慧型農業及環境管理系統，其中，所述捕蟲容器進一步包括訊號處理器，其設置於所述筒體的內部，並與所述紅外線計數器及所述誘蟲光源相耦接。
6. 如申請專利範圍第4項所述的智慧型農業及環境管理系統，其中，所述捕蟲容器進一步包括電荷儲存裝置，其與所述筒體相連接，用以提供所述捕蟲容器的電能。
7. 如申請專利範圍第1項所述的智慧型農業及環境管理系統，其中，所述目標物質為化學物質、生物性胜肽或其組合。
8. 如申請專利範圍第1項所述的智慧型農業及環境管理系統，其中，所述目標物質為生物性胜肽，且所述降解 數學模型是依據下列公式1及公式2，並透過紫外光強度推導而產生所述生物性胜肽的降解速率模型： 其中，K_UV代表所述生物性胜肽的紫外光輻射分解速率常數；[radical]代表自由基總濃度；[P]代表前一次施用的所述生物性胜肽的濃度；G γ代表所述生物性胜肽的溶劑在單位時間內每單位質量所吸收的輻射能量；A γ代表所述溶劑每吸收一單位能量所產生的自由基數量；I代表所述紫外光強度；R_T代表自由基終止反應的速率常數；t代表分解時間，以及n=0.6-1.5。
9. 如申請專利範圍第1項所述的智慧型農業及環境管理系統，其中，所述計算單元進一步依據所述原始資料和經由目標昆蟲計數感測裝置所得的目標昆蟲數量預測模型來歸納所述管理資訊。
10. 如申請專利範圍第9項所述的智慧型農業及環境管理系統，其中，所述目標昆蟲數量預測模型係使用python，並利用遞歸神經網絡和人工神經網絡的組合，以tensor flow的深層學習框架所構建，其中所述原始資料進一步包含複數個參數，且所述目標昆蟲數量預測模型是使用所述複數個參數和累積的所述目標昆蟲數量來修正訓練，並藉由所述遞歸神經網絡依據時間序列將所述複數個參數分別壓縮成壓縮特徵。
11. 如申請專利範圍第10項所述的智慧型農業及環境管理 系統，其中，所述壓縮特徵和補充設定特徵共同輸入至所述人工神經網絡，藉由使用梯度下降和反向傳播來修改所述壓縮特徵及所述補充設定特徵的各權重。
12. 如申請專利範圍第1項所述的智慧型農業及環境管理系統，進一步包含遠端操作單元，所述遠端操作單元顯示所述原始資料、所述管理資訊或其組合，且所述遠端操作單元具有操作介面，用以選擇性地發出人工控制訊號至所述目標物質施用單元，以施用預定濃度和預定量的所述目標物質。
13. 如申請專利範圍第8項所述的智慧型農業及環境管理系統，其中，所述策略演算法包含搜尋適用於施用所述生物性胜肽的步驟，包括：過濾步驟，自爬蟲步驟所建立的所述目標物質資料庫中搜尋同時具有預設數量鹼基對、預設物種來源、大於或等於預設雙硫鍵數量的胜肽，再從搜尋結果中以分子目標及針對物種含有非脊椎、分子目標及針對物種含有目標昆蟲，且小於預定雙硫鍵數量的胜肽的條件進行過濾；以及選擇步驟，使用蛋白質基礎局部配對搜尋工具及多重配對工具來依據相似序列性分組從所述過濾步驟中獲得的胜肽，自分組結果中包含胜肽數量最多的前組別中找尋共有結構域，並依所述共有結構域挑選在所述前組別中具有所述共有結構域的代表性胜肽作為所述目標物質。
14. 如申請專利範圍第13項所述的智慧型農業及環境管理系統，其中，所述預設數量鹼基對設定為27到271鹼基對，所述預設物種來源設定為蜘蛛或狼蛛，以及所述預設雙硫鍵數量的第一設定值為大於或等於3，及第二設定值為小於或等於4。
15. 如申請專利範圍第13項所述的智慧型農業及環境管理系統，其中，所述預設數量鹼基對是基於作用或毒性針對所述目標昆蟲的特定作用結構域而設定。
16. 如申請專利範圍第15項所述的智慧型農業及環境管理系統，其中，所述特定作用結構域為抑制子半胱胺酸結構模體的結構。
17. 如申請專利範圍第13項所述的智慧型農業及環境管理系統，其中，所述爬蟲步驟包含收集登錄各種候選胜肽於所述目標物質資料庫，並記錄至少所述候選牲肽的鹼基對數量、物種來源、雙硫鍵數量、作用或毒性分子目標及針對物種、基因序列及蛋白質序列的資訊。
18. 如申請專利範圍第1項所述的智慧型農業及環境管理系統，其中，所述目標物質包含ω-hexatoxin-Hvla或μ-segestritoxin-Sfla。
19. 如申請專利範圍第3項所述的智慧型農業及環境管理系統，其中，所述目標昆蟲引誘劑為昆蟲費洛蒙生合成活化神經肽。
20. 如申請專利範圍第3項所述的智慧型農業及環境管理系統，其中，所述誘蟲光源為藍光LED發光體。