هوش مصنوعی در کشاورزی Artificial Intelligence in agriculture
عملیات مستقل، سنجش خودکار و نظارت از راه دور
توانایی عملیات از راه دور مزرعه و گردش کار ، به لطف بسته های حسگر و زیرساخت اینترنت اشیا برای موفقیت در کشاورزی مدرن حیاتی است. فناوریهای مورد استفاده برای انجام این کار شامل هواپیماهای بدون سرنشین، ماهوارهها و حسگرهای زمینی است که دادهها را جمعآوری کرده و به روشی قابل استفاده برای کشاورزان ارائه میدهند.
تشخیص آفات و بیماری های محصول: ابزارهایی برای کاهش تلفات جهانی محصول
تحقیقات نشان می دهد که “آفات کشاورزی سالانه بین 20 تا 40 درصد از تولید محصول جهانی را از بین میبرند“ و دانشمندان کامپیوتر چگونگی تکنیک های یادگیری ماشینی مانند ماشین بردار پشتیبان (SVM) ، درخت تصمیم (DT) ، بیز ساده (NB) را بررسی کرده اند . حافظه کوتاه مدت (LSTM) ، شبکه عصبی پیچیده عمیق (DCNN) و شبکه باور عمیق (DBN) میتواند برای کاهش تلفات از طریق تشخیص فعال آفت استفاده شود.
فنآوری پیچیده سنجش از راه دور – که از طریق بینایی کامپیوتری ، تحلیل باند طیفی و تصویربرداری حرارتی فعال میشود – همچنین میتواند تغییرات در سلامت گیاهان را قبل از اینکه برای چشم انسان قابل مشاهده باشد، تشخیص دهد. نکته کلیدی فعال بودن است. بدون بینشهای مشخص، که بسیاری از آنها میتوانند توسط هوش مصنوعی ارائه شوند، انجام اقدامات معنادار دشوار (اگر نه غیرممکن) است.
تشخیص استرس آب: استفاده از 70 درصد آب شیرین جهان (یا کمتر) هوشمندانه تر
موسسه هوش مصنوعی برای سیستمهای غذایی در دانشگاه کالیفرنیا دیویس در حال انجام پروژهای برای توسعه «یک چارچوب مبتنی بر هوش مصنوعی برای نظارت تقریباً همزمان و پیشبینی قابل تعمیم در بسیاری از محصولات ویژه است» با هدف تغییر «سیستمهای غذایی ایالات متحده با نوآوری». فناوری هوش مصنوعی برای سیستم تولید مواد غذایی پایدارتر.» کاهش تنش آبی یک هدف کلیدی است.
این امر حیاتی است زیرا در حالی که سنجش تنش آب برای اطمینان از پایداری محیطی ضروری است، میتوان از آن برای بهبود سلامت گیاه، بهینهسازی عملکرد محصول و اجرای آبیاری دقیق استفاده کرد – که همگی دارای مزایای اقتصادی برای کشاورزان هستند.
حسگرهای بی سیم برای شرایط محیطی: تشخیص سریعتر چالش ها
شبکههای حسگر بیسیم Onset از رطوبت خاک گرفته تا بارندگی پیشبینیشده، سرعت باد، رطوبت برگ و تبخیر و تعرق، سیگنالهای بیسیم زیر گیگاهرتز، شبکههای مش و بستههای حسگر پیچیده را ارائه میکنند که میتوانند برای هر مزرعهای پیکربندی شوند. زیرساخت حسگر مانند Onset که با هوش مصنوعی ادغام شده است تا جمعآوری دادهها را خودکار کند و بینشهای عملی ایجاد کند، روند مقابله با چالشهای شناساییشده را آسانتر میکند.
Fresh به مشتریان با خدمات مهندسی RF کمک میکند تا بستههای حسگر بیسیم سفارشی و بدون پوسته را با عملکرد بیشتر و با هزینه بهتر (به دلیل فرآیند مهندسی تثبیتشده و در عین حال قابل سفارشیسازی ) بسازند – – این یک مثال واضح از چگونگی ما است. در حال حاضر به مشتریان AgriTech کمک می کند.
خودکارسازی ارزیابی کیفیت خاک: تجسم نامرئی
مقالهای از AZo Robotics به یک استارتآپ کشاورزی برزیلی – Inceres – میپردازد که « برنامهای را توسعه داده است که میتواند کیفیت و حاصلخیزی خاک را بر اساس کاربرد خاک و جذب مواد مغذی پیشبینی کند. این تجزیه و تحلیل بر اساس دادههای مربوط به ترکیب شیمیایی خاک، شرایط آب و هوایی، انواع محصولات و تصاویر ماهوارهای است که نرخ رشد گیاهان را نشان میدهد.
نویسندگان چالش دادهها (چگونگی مدیریت کمیت و کیفیت مورد نیاز برای توسعه الگوریتمهای هوش مصنوعی و ML) را بهعنوان یک مانع میپذیرند، اما توانایی مدیریت سلامت خاک در مقیاس از طریق هوش مصنوعی و ML فرصت قابلتوجهی برای کشاورزان است.
پیاده سازی سیستم های کنترل هوشمند: ماشین هایی که قادر به استدلال و عمل مستقل هستند
سیستمهای کنترل هوشمند با تغییرات محیطی سازگار میشوند، از دادههای جدید یاد میگیرند و کارهای پیچیده را از طریق شبکههای عصبی ، منطق فازی و یادگیری تقویتی انجام میدهند . در کشاورزی، موارد استفاده برای سیستم های کنترل هوشمند شامل کنترل آبیاری خودکار، برداشت خودکار، کشاورزی دقیق، کنترل آب و هوای خودکار و موارد دیگر است.
با وجود کاربرد آنها، ایجاد سیستم های کنترل هوشمند برای کسانی که در کشاورزی یا هر زمینه دیگری کار می کنند یک کار دشوار است. با همکاری مایکروسافت، مهندسان Fresh با ساخت ابزاری که به دانشمندان غیر داده اجازه میدهد سیستمهای کنترل هوشمند را به روشی زمانبر، کمهزینه و فنی کمتر طراحی کنند، با چالش «دموکراتیزه کردن» فرآیند توسعه مقابله کردند.
پروژه بونسای تصمیم گیرندگان را قادر می سازد تا سیستم های کنترل هوشمند مخصوص کشاورزی را برای خودکارسازی کالیبراسیون ماشین ها و ناوگان، ایجاد زیرساخت های ذخیره انرژی کارآمدتر و فعال کردن کنترل حرکت از راه دور برای تجهیزات خودران بسازند. به موازات پروژه بونسای، تیم Fresh برنده جایزه Red Dot 2022 “Moab” موآب(moab) را ایجاد کرد، یک ربات متعادل کننده که به مهندسان با پیشینه های مختلف اجازه می دهد تا با فناوری Bonsai آزمایش کنند، سناریوها را شبیه سازی کنند و بر مهارت های لازم برای ساخت و پیاده سازی هوشمند تسلط پیدا کنند.
ساخت یک راه حل هوش مصنوعی آماده مزرعه نیاز به کار فنی گسترده ای دارد. با دستگاهی مانند Moab و ابزار یادگیری تقویتی (RL) مانند Bonsai، تصمیم گیرندگان می توانند هوش مصنوعی را آزمایش کرده و احتمالات را قبل از شروع توسعه در مقیاس کامل بررسی کنند.
ماشین آلات مستقل برای افزایش بهره وری
ماشین آلات خودران، هواپیماهای بدون سرنشین و ناوگان روباتیک برای مقابله با چالش های مختلف نیروی کار مرتبط با کشاورزی، محوری خواهند بود. در زیر برخی از راههایی که میتوان از این فناوریها برای افزایش کارایی، افزایش بهرهوری و اجازه دادن به کشاورزان برای رسیدگی فعالانه به چالشهای نیروی کار استفاده کرد، فهرست شده است.
تراکتورها و دروگرهای خودمختار: ماشین هایی که قادر به کار شبانه روزی هستند
تراکتورهای خودران و دروگرها می توانند ساعات زیادی کار کنند، بنابراین بهره وری عملیات مزرعه را افزایش می دهند. دستگاهها و شبکههای IoT هوشمند که از طریق هوش مصنوعی بهبود یافتهاند، نقش اساسی در تعیین مسیرهای از پیش برنامهریزیشده، کمک به وسایل نقلیه برای اجتناب از موانع، و انجام وظایف با دقت بالا مانند شخم زدن، بذرپاشی و برداشت دارند.
برای حل یک چالش نیروی کار مشابه در صنعت ساختوساز، ROC ایجاد شد، یک برنامه کاربردی مبتنی بر ابر که به اپراتورها اجازه میدهد تا به راحتی ماموریتهای خودرو را برنامهریزی کنند، عملکرد را در زمان واقعی نظارت کنند، طرحبندیهای سایت را ویرایش کنند و سایر عملیات ناوگان را مدیریت کنند.
همچنین Harmony توسعه داده شد ، یک پلتفرم یکپارچه به عنوان یک سرویس (Ipaas) که ابزارهای مدیریت، ناوبری و هماهنگی را برای ناوگان روباتها فراهم میکند . پلت فرم Orion، که برای عملکرد در فضای داخلی بدون GPS طراحی شده است ، می تواند به عملیات در فضای باز نیز تعمیم داده شود، مجهز به ابزارهای مشابه برای جلوگیری از برخورد، که در مزارع حیاتی است که در آن انسان ها و ماشین ها باید با همکاری یکدیگر کار کنند و ایمنی در بالاترین حد خود باشد.
مانیتورینگ هواپیماهای بدون سرنشین: دریافت دید پرنده از عملیات مزرعه
پهپادهای مجهز به هوش مصنوعی قادر به نظارت بر سلامت محصولات، تجزیه و تحلیل خاک، و نظارت بر دام و بسیاری موارد دیگر هستند. در یک پست لینکدین، ClearSpot.ai کاهش هزینه، کاهش اثرات زیست محیطی و مداخله زودهنگام را به عنوان نتایج مثبت ذکر کرده است. وب سایت آنها عمیق تر به نرم افزار آنها می پردازد، که وقتی با پهپادها (وسایل نقلیه هوایی بدون سرنشین) یکپارچه می شود، از حسگرهای پیشرفته برای جمع آوری داده های با وضوح بالا برای نقشه برداری و مدل سازی دقیق استفاده می کند. دادههای جمعآوریشده با هوش مصنوعی و ML پردازش میشوند تا به کشاورزان هشدارهای بلادرنگ داده شود تا بتوانند بر اساس شواهد تصمیمات مطمئنی بگیرند.
در طیف وسیعی از موارد استفاده کشاورزی، پهپادهای مجهز به هوش مصنوعی و سایر پهپادها از حسگرهای چند طیفی برای ارزیابی و نظارت بر سلامت محصول و شناسایی سایر مسائل استفاده میکنند. از آنجایی که پهپادها می توانند مناطق وسیعی از زمین را به سرعت پوشش دهند، کشاورزانی که از پهپاد استفاده می کنند می توانند زمان پاسخگویی خود را تسریع کنند.
آبیاری دقیق: استفاده از یک منبع محدود با دقت بیشتر
Nelson Irrigation پیشرو در زمینه آبیاری است و راه حل هایی را برای مناطق مستعد خشکسالی در سراسر ایالات متحده ارائه می دهد. ابزارهایی مانند PivotMapper در راستای تعهد Nelson Irrigation به پایداری ساخته می شوند و به عنوان راهی برای ارائه ارزش به مشتریان خود و صرفه جویی در انرژی و منابع در کل صنعت عمل می کنند.
از آنجایی که ابزارهایی مانند ابزارهای ایجاد شده توسط Nelson Irrigation با پهپادهای مجهز به هوش مصنوعی و سایر فناوریهای هوشمند جفت میشوند، حتی قدرتمندتر میشوند و امکان کشاورزی دقیق را فراهم میکنند و آب را دقیقاً در مکان و زمانی که لازم است تحویل میدهند.
کاشت، بذر، و وجین دقیق: بینش بیسابقه در زمین و محصولات و ابزارهای مراقبت مستقل از محصولات کشاورزی
ابزارهای کشاورزی دقیق مبتنی بر هوش مصنوعی جان دیر به کشاورزان بینشی نسبت به زمین خود در سطح بذر می دهد. سایر ابتکارات کشاورزی هوش مصنوعی آنها به ماشینها کمک میکند بین علفهای هرز و محصولات زراعی تمایز قائل شوند، وسایل نقلیه خودران را راهاندازی کنند و مشتریان را با بینشهای مبتنی بر داده در مورد همه موارد فوق مرتبط کنند.
همراه با پهپادها و پهپادهایی که قادر به کاشت بذر پس از جمع آوری بینش و تدوین برنامه هستند، این راه حل های خلاقانه هوش مصنوعی پتانسیل کاشت و بذر را با دقت بی سابقه ای دارند.
LaserWeeder خودمختار کربن رباتیک مستقر در سیاتل “کنترل دقیق علف های هرز را از طریق مجموعه ای از لیزرهای پرقدرت بدون توجه به آب و هوا یا زمان روز امکان پذیر می کند. وجین لیزری عملکرد محصول را افزایش می دهد، هزینه های کشاورزی را کاهش می دهد و از کشاورزی پایدار حمایت می کند.
پشته فناوری LaserWeeder یک نمونه قدرتمند از بهترین ابزارهای کلاس است که برای هوش مصنوعی در کشاورزی کاربرد دارد:
- مجهز به پردازندههای گرافیکی Nvidia
- ۴۲ دوربین با وضوح بالا که علفهای هرز را هدف قرار میدهند
- مدل های بینایی کامپیوتری مبتنی بر یادگیری عمیق
با قابلیت عملیات 24/7. دقت نقطه ای در حذف علف های هرز، یک پلت فرم انعطاف پذیر برای مزارع مختلف و بیش از 40 محصول است. اگر بگوییم Carbon Robotics نمونه بارز آینده هوش مصنوعی در کشاورزی است، زیاده روی نیست.
جمع آوری خودکار داده ها: استفاده از AMR و پهپاد برای جمع آوری اطلاعات در مقیاس
ماشینآلات و هواپیماهای بدون سرنشین ابزارهای عالی برای جمعآوری دادهها در مورد جنبههای مختلف عملیات مزرعه هستند و دادهها را میتوان به سیستم مدیریت مزرعه برای حمایت از تصمیمگیری مبتنی بر دادهها وارد کرد.
Venture Beat گزارش می دهد که چگونه کشاورزی دقیق – – کشاورزی هوشمند – – از حسگرهای از راه دور و هوشمند، پهپادها، حسگرهای GPS و فن آوری های راهنمایی استفاده می کند که مزارع را قادر می سازد کمتر از آب، زمین، علف کش ها و حشره کش ها استفاده کنند. آنها همچنین به تحقیقاتی اشاره میکنند که رشد پیشبینیشده بازار کشاورزی دقیق را نشان میدهد ، از 8.5 میلیارد دلار در سال 2022 به 15.6 میلیارد دلار تا سال 2030.
این مقاله همچنین به مثال Solinftec، یک رهبر جهانی در ابزارهای SaaS مبتنی بر هوش مصنوعی (نرمافزار به عنوان سرویس) برای کشاورزی به نام ALICE AI میپردازد.
راه حل Solfintec، فراتر از داده های خام است و به کشاورزان کمک می کند تا در لحظه تصمیم گیری کنند که چه چیزی برای محصولاتشان بهترین است.
با روباتهای مستقلی مانند Solix که توسط ALICE AI طراحی شده است، کشاورزان نه تنها توانایی تجزیه و تحلیل مزارع را دارند، بلکه بر اساس بینشهایی که حاصل میشود برای حفظ آنها عمل میکنند.
اصلاح و بهبود ژنتیکی محصولات با هوش مصنوعی
هوش مصنوعی میتواند نقشی کلیدی در اصلاح محصولات زراعی و بهبود ژنتیکی نیز ایفا کند و روند توسعه انواع محصولات را تسریع بخشد و بر چالشهای مربوط به تغییرات آب و هوایی، آفات و بیماریهای گیاهی غلبه کند.
انتخاب ژنومی: پرورش محصولات مقاوم تر
نویسندگان مرزها در هوش مصنوعی به تحقیقاتی در مورد چگونگی انتخاب دقیق ژنومی برای غلبه بر چالش تولید غذا اشاره میکنند: «انتخاب واریتههایی با فنوتیپهای مطلوب از مجموعهای از گونههای یک محصول برای پرورش دهندگان ضروری است، زیرا انتخاب صحیح میتواند منجر به بهبودهایی مانند مقاومت به خشکی، مقاومت به تنش های زنده و غیر زنده، عملکرد و مقاومت در برابر بیماری شود.
مدلهای AI، ML و Deep Learning میتوانند برای تجزیه و تحلیل مقادیر انبوهی از دادههای ژنومی و پیشبینی بهترین گیاهان برای پرورش مورد استفاده قرار گیرند، که در غیر این صورت فرآیندی بسیار وقتگیر را تسریع میکند.
تجزیه و تحلیل فنوتیپی: بینایی کامپیوتری برای مشاهده صفات گیاهی
محققان از Frontiers in Plant Science درباره CropQuant-Air، یک سیستم نرمافزاری مبتنی بر هوش مصنوعی که مدلهای یادگیری عمیق (DL) و الگوریتمهای پردازش تصویر را ترکیب میکند تا تشخیص سنبلههای گندم و آنالیز فنوتیپی با استفاده از تاج گندم را امکانپذیر کند، بحث میکنند. تصویر برداری این سیستم میتواند توسط پهپادهای ارزان قیمت صورت گیرد.
هوش مصنوعی مبتنی بر دید – “تشخیص اشیا، طبقه بندی، تقسیم بندی معنایی و تشخیص الگو“ – پتانسیل امیدوارکننده ای برای زمینه فنوتیپ هوایی دارد. استفاده از هوش مصنوعی و ML برای تجزیه و تحلیل فنوتیپهای گیاهی («ویژگیهای فیزیکی قابل مشاهده»)، تصاویر گرفته شده توسط پهپادها یا حسگرهای زمینی میتواند به پرورشدهندگان کمک کند تا الگوهای ظریفی را که در گذشته ممکن بود از دست بدهند را بدست آورده و شناسایی کنند و بینش جدیدی بدست آورند ، بینشهایی که میتوان از آنها برای رشد گیاهان سالمتر استفاده کرد. Fresh این کار را انجام داده است. کار گسترده ای در توسعه ادراک ربات برای محیط های غیر ایده آل و ایجاد کتابخانه های ادراک قوی ، که هر دو می توانند برای استفاده در کشاورزی مجهز به هوش مصنوعی استفاده شوند.
ویرایش ژن: ایجاد انواع مقاوم برای تغذیه جهان
ویرایش ژن به دلیل CRISPR-CAS9 « قیچی ژن » امکانپذیر است.
این مفهوم پیچیده به نظر می رسد اما استفاده از آن هم کاربردی و هم هیجان انگیز است. با اجرای عملی ویرایش ژن، دانشمندان میتوانند ژنهای گیاهی را اصلاح کنند، گونههای مقاوم در برابر آب و هوا را توسعه دهند، منابع مورد نیاز برای کشت را کاهش دهند و بازدهی بالاتری برای تغذیه جمعیت رو به رشد جهان ارائه کنند.
هوش مصنوعی و کشاورزی می توانند دست به دست هم بدهند. در حالی که بسیاری از موارد استفاده کنونی از هوش مصنوعی ممکن است به طور مستقیم با «فناوری خوب» مرتبط نباشند، اما میتواند موجب استفاده هیجانانگیز مرتبط با هوش مصنوعی و پایداری شود. موارد زیر نمونه هایی از کاربرد و استفاده از هوش مصنوعی را نشان میدهد.
- Rainforest Connection ، شرکتی که از الگوریتمهای ML برای مهار جنگلزدایی غیرقانونی استفاده میکند
- چگونه هوش مصنوعی سیستم های فناوری آینده را برای کاهش بحران آب و هوا بهبود می بخشد
- فناوری Rouxcel ، خالق «قلادههای کرگدن» مجهز به هوش مصنوعی که بر رفتار نظارت میکند، مکان حادثه را از طریق GPS شناسایی میکند و از شکار غیرقانونی جلوگیری میکند.
- Agvolution ، یک راه حل “AI برای آب و هوا” که می تواند از طریق API در یک سیستم موجود ادغام شود
- Open Climate Fix ، یک “آزمایشگاه محصول غیرانتفاعی که کاملاً بر کاهش انتشار گازهای گلخانه ای در سریع ترین زمان ممکن متمرکز است” از طریق نمونه سازی سریع ، آزمایش و تکرار
مقاومت به بیماری: درک آسیب شناسی گیاهی در سطح عمیق تر
در مصاحبه ای با کارن گرت، آسیب شناس گیاهی، از آزمایشگاه گرت و دانشگاه فلوریدا ، نویسندگان AnalystNews دیدگاه او را در مورد استفاده از هوش مصنوعی برای مقاومت در برابر بیماری های گیاهی و انعطاف پذیری محصول نقل می کنند: «هوش مصنوعی می تواند با ساخت ابزارهای بهتر برای نظارت بر محصولات، طراحی بهتر کمک کند. رباتهایی برای تحویل آفتکشها یا برداشت، و نرمافزارهای بهتر برای کمک به پرورش صفاتی مانند مقاومت در برابر بیماری و تحمل به خشکی.
موارد استفاده ضروری برای هوش مصنوعی مرتبط با آسیب شناسی گیاهی شامل شناسایی الگوها در داده های ژنتیکی و فنوتیپی مربوط به مقاومت به بیماری است که به پرورش دهندگان کمک می کند محصولاتی را توسعه دهند که انعطاف پذیرتر هستند.
کشف صفت: دروازه ای برای توسعه واریته های گیاهی ایده آل
کشف صفت ( اندازه و شکل گیاهان، انعطاف پذیری آنها در برابر شرایط مختلف محیطی و غیره ) به کشاورزان اجازه می دهد تا محصولاتی را توسعه دهند که می توانند از سختی ها جان سالم به در ببرند و به مبارزه با بحران های جهانی گرسنگی کمک کنند. همانطور که توسط آلیسون اسنایدر از Axios گزارش شده است ، در حال حاضر از هوش مصنوعی برای شناسایی صفات استفاده می شود تا پرورش دهندگان بتوانند محصولات را متناسب با شرایط آب و هوایی توسعه دهند. مدلهای هوش مصنوعی و یادگیری ماشین برای فرآیند شناسایی صفات مطلوب و توسعه انواع محصولات جدید حیاتی هستند
منابع:
- UNESCO
- IBM’s Explainable AI
- نشنال جئوگرافیک
- بانک جهانی
- Syngenta Group
- موسسه ملی غذا و کشاورزی
- پایگاه دانش سرباغ