Artificial Intelligence in agriculture هوش مصنوعی در کشاورزی – قسمت دوم

 سازگار با اهداف سرباغ 

تصمیم گیری مبتنی بر داده و تجزیه و تحلیل پیش بینی

5 1

یکی از چیزهایی که در رابطه با هوش مصنوعی مولد ، اتوماسیون فرآیند رباتیک (RPA) و دیگر کاربردهای هوش مصنوعی بسیار شیفته حذاب و کاربردی است  بهبود تصمیم گیری مبتنی بر داده و تجزیه و تحلیل پیش بینی کننده است.

کشاورزی دقیق: یک استراتژی قدرتمند مدیریت  برای مزرعه

یک مزیت کلیدی کشاورزی دقیق را کاهش “پیچیدگی و [انجام] وظایف ضروری که فقط یک انسان می تواند انجام دهد” ذکر می کنند.

با کشاورزی دقیق، کارهای دستی از لحاظ تاریخی می توانند خودکار شوند تا نه تنها کارهای کسل کننده، کثیف و خطرناک را کاهش دهند ، بلکه کارهایی را که ماشین ها به خوبی برای انجام آن ها مجهز هستند، تسریع کنند.

در کشاورزی دقیق، داده ها (از منابع مختلف مانند حسگرهای خاک، هواپیماهای بدون سرنشین، تصاویر ماهواره ای و فناوری GPS) برای نظارت بر سلامت محصول، شرایط خاک و الگوهای آب و هوا استفاده می شود. این مجموعه غنی از داده ها، کشاورزان را قادر می سازد تا تصمیمات دقیق تری در مورد زمان کاشت، کود دهی، آبیاری و برداشت محصول بگیرند. کشاورزی دقیق یک استراتژی قابل اعتماد برای به حداکثر رساندن عملکرد و در عین حال به حداقل رساندن ضایعات ارائه می دهد، که یک مزیت مستقیم برای کشاورزان در سراسر طیف است.

تجزیه و تحلیل پیش بینی کننده: روشی برای بهبود عملکرد محصول

در چارچوب CNN-RNN برای پیش‌بینی عملکرد محصول ، محققان اذعان می‌کنند که پیش‌بینی عملکرد محصول به دلیل وابستگی آن به عوامل متعددی مانند ژنوتیپ محصول، عوامل محیطی، شیوه‌های مدیریتی و تعاملات آن‌ها بسیار چالش برانگیز است. پیش‌بینی عملکرد محصول یک اندازه برای همه نیست – رویکرد کشاورزان در غرب میانه آمریکا، کشاورزان در ژاپن و کشاورزان در آمریکای جنوبی به‌طور اساسی متفاوت به نظر می‌رسد.

اما تحقیقات نشان می‌دهد که شبکه‌های عصبی کانولوشنال (CNN) ، شبکه‌های عصبی مکرر (RNN) ، جنگل‌های تصادفی (RF) ، شبکه‌های عصبی کاملاً متصل عمیق (DFNN) و LASSO می‌توانند برای خودکارسازی فرآیند پیش‌بینی کلی استفاده شوند.

نتیجه اجرای این اشکال هوش مصنوعی در کشاورزی، بینش های خودکار است – آماده سازی کشاورزان و سهامداران برای درک تقاضاهای بازار، پیش بینی نوسانات قیمت و پاسخ فعالانه. با تجزیه و تحلیل داده‌های تاریخی همراه با داده‌های مزرعه‌ای بلادرنگ، مدل‌های پیش‌بینی تخمینی از کمیت و کیفیت عملکرد محصول برای یک فصل خاص ارائه می‌کنند و به کشاورزان اجازه می‌دهند تا برنامه‌ریزی و استراتژی داشته باشند.

بهینه سازی زنجیره تامین: ساده سازی تولید و توزیع

لاکی گریفین مزایای یک زنجیره تامین بهینه شده با هوش مصنوعی – برای کشاورزان، مصرف کنندگان و توزیع کنندگان – را در یک هوش مصنوعی در مدیریت زنجیره تامین کشاورزی مورد بحث قرار می دهد :

“هوش مصنوعی می تواند چندین متغیر از جمله مسیرهای حمل و نقل، ظرفیت های خودرو، شرایط آب و هوایی و برنامه های تحویل، برای بهینه سازی حرکت محصولات کشاورزی از مزرعه به بازار. با به حداقل رساندن هزینه های حمل و نقل، کاهش زمان تحویل و بهینه سازی مدیریت موجودی، هوش مصنوعی کارایی کلی زنجیره تامین را بهبود می بخشد و ضایعات را کاهش می دهد. این به نفع کشاورزان و مصرف کنندگان است و اطمینان حاصل می شود که محصولات تازه به سرعت به بازار می رسد.

همراه با مدل‌های پیش‌بینی‌کننده که تقاضا برای محصولات مختلف را پیش‌بینی می‌کنند، هر بخش از زنجیره تامین را می‌توان برای ساده‌سازی عملیات و به حداقل رساندن ضایعات بهینه کرد.

سازگاری هوشمند با تغییرات اقلیمی: سودمند برای مزارع، مصرف کنندگان و محیط زیست

کلودیا رینگلر ، مدیر منابع طبیعی و انعطاف پذیری (NRR) در مؤسسه تحقیقات سیاست غذایی بین المللی، “افزایش دمای هوای سطح جهانی نه تنها بر عملکرد محصول بلکه بر ارزش غذایی محصولات نیز تأثیر می گذارد

تجزیه و تحلیل پیش‌بینی‌کننده می‌تواند به کشاورزان کمک کند تا با پیش‌بینی الگوهای آب‌وهوای بلندمدت و تأثیر احتمالی آن‌ها بر محصولات، خود را با تغییرات آب و هوایی سازگار کنند. با تصمیم‌گیری مبتنی بر داده، کشاورزان می‌توانند در مورد اینکه چه محصولاتی را بکارند، چه زمانی آنها را بکارند، تصمیم بگیرند یا اگر داده‌ها نشان ‌دهد به کشت محصولات متفاوتی نسبت به آنچه که در گذشته کشاورزی کرده‌اند، بپردازند.

مدیریت منابع: عملیات بهینه سازی مزرعه و بهبود تجربه کارگر

برنامه‌هایی مانند Harvust، مدیریت منابع انسانی را برای مزارع ساده‌تر می‌کنند و کار، آموزش و ارتباطات را بسیار ساده‌تر می‌کنند. مدیریت کارگران انسانی – منبعی حیاتی برای مزارع – ضروری است.

هوش مصنوعی توانایی خودکارسازی بیشتر پلتفرم های نرم افزاری متمرکز بر منابع انسانی را فراهم می کند. مدیریت منابعی مانند انرژی، آب و کودها از طریق هوش مصنوعی نیز آسان‌تر است   بینش در مورد مصرف سوخت باعث صرفه‌جویی در هزینه و پایداری بیشتر عملیات می‌شود، آبیاری بهینه مصرف آب را کاهش می‌دهد، و داده‌های مربوط به سلامت محصولات می‌تواند مصرف کود را کاهش دهد، که همه اینها دارای ارزش مالی هستند. و مزایای زیست محیطی کشاورزی هوش مصنوعی مطمئناً خود را در نرم افزارهای مورد استفاده برای عملیات مزرعه نشان خواهد داد

عملیات مستقل، سنجش خودکار و نظارت از راه دور

helping AI

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 دست می دهند” 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  می‌تواند تغییرات در سلامت گیاهان را قبل از اینکه برای چشم انسان قابل مشاهده باشد، تشخیص دهد. نکته کلیدی فعال بودن فناوری است. بدون بینش‌های مشخص، که بسیاری از آنها می‌توانند توسط هوش مصنوعی ارائه شوند، انجام اقدامات معنادار دشوار و گاهی غیرممکن  است.

تشخیص استرس آب: استفاده هوشمندانه تر از 70 درصد از آب شیرین جهان (یا کمتر)

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” را ایجاد کرد، یک ربات متعادل کننده توپ 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. سیستم های کنترل برای موارد استفاده آنها

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.

منابع: