Pilvepõhine transformatiivne põllukultuuride soovitusmudel, mis muudab täppispõllumajandust

Põllumajandus on teelahkmel. Kuna maailma rahvaarv peaks 2050. aastaks ulatuma 9,7 miljardini, peavad põllumehed tootma 70% rohkem toitu, võideldes samal ajal kliimamuutuste, mulla degradeerumise ja veepuudusega.

Traditsioonilised põllumajandusmeetodid, mis tuginevad aegunud tavadele ja oletustele, ei ole enam piisavad. Tutvuge Transformatiivne põllukultuuride soovitusmudel (TCRM), tehisintellektil põhinev lahendus, mis on loodud nende väljakutsetega otsekoheselt tegelema.

See artikkel uurib, kuidas TCRM kasutab masinõpet, asjade interneti andureid ja pilvandmetöötlust, et pakkuda 94% täpsed saagisoovitused, andes põllumajandustootjatele võimaluse suurendada saagikust, vähendada jäätmeid ja võtta kasutusele säästvaid tavasid.

Kasvav vajadus tehisintellekti järele tänapäevases põllumajanduses

Toidunõudlus kasvab hüppeliselt, kuid traditsiooniline põllumajandus ei suuda sammu pidada. Sellistes piirkondades nagu Punjab Indias – mis on suur põllumajanduskeskus – halveneb mulla seisund väetiste ülekasutamise tõttu ja põhjaveevarud ammenduvad kiiresti.

Põllumajandustootjatel puudub sageli juurdepääs reaalajas andmetele, mis viib halbade otsusteni põllukultuuride valiku, niisutamise ja ressursside kasutamise osas. Siin on koht, kus täppispõllumajandus, mida toetab tehisintellekt, muutub kriitilise tähtsusega.

Erinevalt tavapärastest meetoditest kasutab täppispõllumajandus põllutingimuste analüüsimiseks ja kohandatud soovituste pakkumiseks tehnoloogiat nagu IoT-andurid ja masinõpe. Täppispõllumajandus on selle lähenemisviisi näide, pakkudes põllumeestele praktilisi teadmisi mulla toitainete, ilmastikumustrite ja ajalooliste andmete põhjal.

Tehisintellekti põllumajandusse integreerimisega ületab TCRM lõhe traditsiooniliste teadmiste ja tänapäevase innovatsiooni vahel, tagades, et põllumehed suudavad tulevasi toidunõudlusi säästvalt rahuldada.

“Asi pole ainult tehnoloogias – asi on selles, et igal põllumehel oleksid edu saavutamiseks vajalikud vahendid.”

Kuidas TCRM töötab: andmete ühendamine ja masinõpe

Oma olemuselt on TCRM Tehisintellekti põllukultuuride soovitussüsteem mis ühendab mitut tehnoloogiat täpsete nõuannete pakkumiseks. Protsess algab andmete kogumisega. Põldudele paigaldatud IoT-andurid mõõdavad kriitilisi parameetreid, nagu mulla lämmastik (N), fosfor (P), kaalium (K), temperatuur, niiskus, sademete hulk ja pH tase.

Need andurid edastavad reaalajas andmeid pilvepõhisele platvormile, mis hangib ka ajaloolisi saagikuse andmeid globaalsetest andmebaasidest, nagu NASA ja FAO. Pärast kogumist läbib andmed põhjaliku puhastamise.

Puuduvad väärtused, näiteks mulla pH näidud, täidetakse piirkondlike keskmiste abil, samas kui kõrvalekalded – näiteks järsud niiskuse kõikumised – filtreeritakse välja. Puhastatud andmed normaliseeritakse seejärel järjepidevuse tagamiseks; näiteks sademete väärtused skaleeritakse analüüsi lihtsustamiseks vahemikus 0 (100 mm) kuni 1 (1000 mm).

Järgmisena võtab võimust TCRM-i hübriidne masinõppe mudel. See ühendab endas Juhusliku metsa algoritmid– meetod, mis kasutab vigade vältimiseks 500 otsustuspuud – koos süvaõppe kihtidega, mis tuvastavad keerulisi mustreid.

Oluline uuendus on mitme peaga tähelepanu mehhanism, mis tuvastab muutujate vahelisi seoseid. Näiteks tunnistab see, et suur sademete hulk on sageli korrelatsioonis parema lämmastiku imendumisega sellistes põllukultuurides nagu riis.

Mudelit treenitakse 200 tsükli (epohhi) jooksul õppimiskiirusega 0,001, täpsustades ennustusi, kuni saavutatakse täpsus 94%. Lõpuks annab süsteem soovitusi pilvepõhise rakenduse või SMS-teavituste kaudu, tagades, et isegi äärealadel elavad põllumehed saavad õigeaegseid nõuandeid.

Miks TCRM edestab traditsioonilisi põllumajandusmeetodeid

Traditsioonilistel põllukultuuride soovitamise süsteemidel, näiteks logistilise regressiooni või K-lähimate naabrite (KNN) meetodil põhinevatel süsteemidel, puudub keerukus põllumajanduse keerukusega toimetulekuks.

Näiteks on KNN-il probleeme tasakaalustamata andmetega – kui andmestikus on rohkem kirjeid nisu kui läätsede kohta, kalduvad selle ennustused nisu poole. Samamoodi saavutas AdaBoost, teine algoritm, uuringus ülemäärase sobitamise tõttu täpsuse vaid 11,5%. TCRM ületab need puudused oma hübriiddisaini abil.

Puupõhiste algoritmide (läbipaistvuse tagamiseks) ja süvaõppe (keeruliste mustrite käsitlemiseks) ühendamise abil tasakaalustatakse täpsust ja tõlgendatavust.

Katsetes saavutas TCRM a 97,67% ristvalideerimise skoor, mis tõestab selle usaldusväärsust erinevates tingimustes. Näiteks Punjabis testimisel soovitati granaatõuna kasvatada kõrge kaaliumisisaldusega (120 kg/ha) ja mõõduka pH-ga (6,3) taludes, mis viis 30% saagikuse suurenemiseni.

Põllumajandustootjad vähendasid ka väetiste kasutamist 15% ja vee raiskamist 25% võrra, kuna süsteem andis täpsed toitainete ja niisutuse juhised. Need tulemused rõhutavad TCRMi potentsiaali muuta põllumajandus ressursimahukast tööstusharust jätkusuutlikuks ja andmepõhiseks ökosüsteemiks.

Reaalse maailma mõju: Punjabi juhtumiuuringud

Pandžabi põllumehed seisavad silmitsi tõsiste probleemidega, sealhulgas põhjavee ammendumise ja mulla toitainete tasakaalustamatusega. TCRM-i testiti siin selle praktilise väärtuse hindamiseks.

Näiteks üks põllumees sisestas andmed, mis näitasid mulla lämmastikku 80 kg/ha, fosforit 45 kg/ha ja kaaliumi 120 kg/ha, pH taset 6,3 ja aastast sademete hulka 600 mm.

TCRM analüüsis neid andmeid, tuvastas kõrge kaaliumitaseme ja optimaalse pH vahemiku ning soovitas granaatõuna – põllukultuuri, mis on tuntud sellistes tingimustes edenemise poolest. Põllumees sai SMS-teate, milles oli üksikasjalikult kirjeldatud põllukultuuri valikut ja ideaalseid väetisi (lämmastiku jaoks karbamiid, fosfori jaoks superfosfaat).

Kuue kuu jooksul teatasid TCRM-i kasutavad põllumehed 20–30% suuremad saagid selliste põhikultuuride nagu nisu ja riis puhul. Ka ressursitõhusus paranes: väetiste kasutamine vähenes 151 TP3 T võrra, kuna süsteem tuvastas täpsed toitainevajadused, ja vee raiskamine vähenes 251 TP3 T võrra tänu sademete prognoosidega kooskõlas olevale niisutamisele.

Need tulemused näitavad, kuidas tehisintellektil põhinevad tööriistad, näiteks TCRM, saavad suurendada tootlikkust, edendades samal ajal keskkonnasäästlikkust.

TCRM-i edu taga olevad tehnilised uuendused

TCRMi edu sõltub kahest läbimurdest. Esiteks, selle mitme peaga tähelepanu mehhanism võimaldab mudelil kaaluda muutujate vahelisi seoseid.

Näiteks tuvastas see tugeva positiivse korrelatsiooni (0,73) sademete ja lämmastiku omastamise vahel, mis tähendab, et suure sademete hulgaga piirkondades kasvatatavad põllukultuurid saavad kasu lämmastikurikastest väetistest.

Seevastu leiti mulla pH ja fosfori imendumise vahel kerge negatiivne seos (-0,14), mis selgitab, miks happelised mullad vajavad enne fosforirikaste põllukultuuride, näiteks kartulite istutamist lubjatöötlust.

Teiseks, TCRM-id pilve ja SMS-i integratsioon tagab skaleeritavuse. Amazon Web Services'il (AWS) majutatav süsteem haldab samaaegselt üle 10 000 kasutaja, mistõttu on see suurtele ühistutele sobiv.

Väikepõllumeestele, kellel puudub internet, saadab Twilio API SMS-märguandeid – ainuüksi Punjabis üle 3000 teate kuus – koos saagi ja väetise kohta käivate nõuannetega. See kahesuunaline lähenemisviis tagab, et ükski põllumees ei jää internetiühenduse puudumisel maha.

Tehisintellekti kasutuselevõtu väljakutsed põllumajanduses

Vaatamata oma lubadusele seisab TCRM silmitsi takistustega. Paljud põllumehed, eriti vanemad, ei usalda tehisintellekti soovitusi, eelistades traditsioonilisi meetodeid. Punjabis võttis katsetuste ajal TCRM-i kasutusele vaid 351 ja 3 t põllumeest.

Hind on veel üks takistus: IoT andurid on kallid $–$500 aakri kohta, mis on väikepõllumeestele liiga kallis. Lisaks keskendusid TCRM-i koolitusandmed India põllukultuuridele nagu nisu ja riis, mis piiras nende kasulikkust kinoa või avokaado kasvatajatele teistes piirkondades.

Uuring toob esile ka testimise lüngad. Kuigi TCRM sai ristvalideerimisel 97,67% punkti, ei hinnatud seda äärmuslikes tingimustes, nagu üleujutused või pikaajalised põuad. Tulevased versioonid peavad need piirangud lahendama, et suurendada vastupidavust ja usaldust.

Tehisintellekti tulevik põllumajanduses

Tulevikku vaadates plaanivad TCRM-i arendajad integreerida Selgitatav tehisintellekt (XAI) tööriistad nagu SHAP ja LIME. Need selgitavad soovitusi – näiteks näitavad põllumeestele, et saak valiti seetõttu, et kaaliumi tase oli 20% piirnormist kõrgem.

Globaalne laienemine on samuti prioriteet; Aafrika (nt mais Keenias) ja Lõuna-Ameerika (nt sojaoad Brasiilias) andmekogumite lisamine muudab TCRM-i universaalselt kohaldatavaks.

Samuti on tulemas reaalajas asjade interneti integreerimine droonide abil. Droonid saavad põlde kaardistada iga tunni tagant, uuendades soovitusi muutuva ilma või kahjurite aktiivsuse põhjal.

Sellised uuendused aitaksid ennustada jaanileivaputukaid või seeninfektsioone, võimaldades ennetavaid meetmeid. Lõpuks võiksid valitsustega tehtavad partnerlused toetada asjade interneti andureid, muutes täppispõllumajanduse kättesaadavaks kõigile põllumeestele.

Kokkuvõte

Transformatiivne põllukultuuride soovitusmudel (TCRM) kujutab endast hüpet edasi põllumajandustehnoloogias. Tehisintellekti, asjade interneti ja pilvandmetöötluse kombineerimise abil pakub see põllumeestele... 94% täpne, reaalajas otsustustööriist, mis suurendab saagikust ja säästab ressursse.

Kuigi sellised väljakutsed nagu kulud ja kasutuselevõtu takistused püsivad, on TCRM-i potentsiaal põllumajandust revolutsiooniliselt muuta vaieldamatu. Kuna maailm maadleb kliimamuutuste ja rahvastiku kasvuga, on sellised lahendused nagu TCRM jätkusuutliku ja toiduga kindlustatud tuleviku loomisel üliolulised.

ViideSingh, G., Sharma, S. Täppispõllumajanduse täiustamine pilvepõhise transformatiivse põllukultuuride soovitamise mudeli abil. Sci Rep 15, 9138 (2025). https://doi.org/10.1038/s41598-025-93417-3