Бұлттық негізделген трансформативті дақылдарға арналған ұсыныс моделі дәл ауыл шаруашылығын өзгертеді

Ауыл шаруашылығы қиылыста тұр. 2050 жылға қарай әлемдік халық саны 9,7 миллиардқа жетеді деп күтілуде, сондықтан фермерлер климаттың өзгеруімен, топырақтың деградациясымен және су тапшылығымен күресіп, 70% көбірек азық-түлік өндіруі тиіс.

Ескірген тәсілдер мен болжауға негізделген дәстүрлі егіншілік әдістері енді жеткіліксіз. Міне, Өзгеріс әкелетін дақылдарға арналған ұсыныстар моделі (TCRM), осы қиындықтарды тікелей шешуге арналған жасанды интеллект негізіндегі шешім.

Бұл мақала TCRM машинамен оқыту, IoT сенсорлары және бұлтты есептеуді пайдалана отырып қалай жеткізетінін зерттейді. 94% дәл дақылдар бойынша ұсыныстар, фермерлерге өнімділікті арттыруға, қалдықтарды азайтуға және тұрақты тәжірибелерді енгізуге мүмкіндік береді.

Қазіргі заманғы ауыл шаруашылығында жасанды интеллектуалды жүйелерге өсіп келе жатқан қажеттілік

Азық-түлікке сұраныс күрт өсіп жатыр, бірақ дәстүрлі ауыл шаруашылығы оны қанағаттандыруға шамасы жетпейді. Үндістанның Пәңжаб сияқты ірі ауыл шаруашылығы аймақтарында тыңайтқыштарды шамадан тыс қолдану салдарынан топырақтың құнарлылығы төмендеп, жер асты суларының қорлары тез таусылып барады.

Шаруалар жиі нақты уақыттағы деректерге қол жеткізе алмайды, бұл дақылдарды таңдау, суару және ресурстарды пайдалану жөніндегі дұрыс емес шешімдерге әкеледі. Міне, осы жерде дәл ауыл шаруашылығы, ЖИ негізіндегі ... маңызды болады.

Дәстүрлі әдістерден айырмашылығы, дәл ауыл шаруашылығы дала жағдайларын талдау және жекелендірілген ұсыныстар беру үшін IoT сенсорлары мен машинамен оқыту сияқты технологияларды пайдаланады. TCRM осы тәсілді айқын көрсетеді: ол фермерлерге топырақтың қоректік заттары, ауа райы үлгілері және тарихи деректер негізінде іс-қимылға жарамды түсініктер ұсынады.

AI-ды ауыл шаруашылығына енгізу арқылы TCRM дәстүрлі білім мен заманауи инновация арасындағы алшақтықты жояды, фермерлерге болашақтағы азық-түлік сұранысын тұрақты түрде қанағаттандыруға мүмкіндік береді.

“Бұл тек технология туралы ғана емес — бұл әрбір фермердің өркендеуіне қажетті құралдармен қамтамасыз ету туралы.”

TCRM қалай жұмыс істейді: деректер мен машинамен оқытуды біріктіру

Негізінде, TCRM — бұл Егінді ұсыну бойынша жасанды интеллект жүйесі дәл әрі нақты кеңес беру үшін бірнеше технологияны біріктіреді. Процесс деректерді жинаудан басталады. Далада орнатылған IoT сенсорлары топырақтағы азот (N), фосфор (P), калий (K), температура, ылғалдылық, жауын-шашын және рН деңгейлері сияқты маңызды параметрлерді өлшейді.

Бұл сенсорлар нақты уақыттағы деректерді бұлттық платформаға жібереді, ол сондай-ақ NASA мен FAO сияқты жаһандық дерекқорлардан дақылдардың тарихи өнімділік жазбаларын да алады. Деректер жиналғаннан кейін олар мұқият тазаланады.

Жоқ мәндер, мысалы топырақтың рН көрсеткіштері, өңірлік орташа мәндермен толтырылады, ал ауытқушылықтар — мысалы ылғалдылықтың кенеттен жоғарылауы — сүзгіден өткізіледі. Тазаланған деректер кейіннен біркелкілікті қамтамасыз ету үшін нормаластырылады; мысалы, жауын-шашын мөлшері талдауды жеңілдету үшін 0 (100 мм) мен 1 (1000 мм) аралығында шкалаланады.

Келесіде TCRM-нің гибридті машинамен оқыту моделі іске қосылады. Ол араластырады Random Forest алгоритмдері—қателіктерді болдырмау үшін 500 шешім ағашын пайдаланатын әдіс—күрделі үлгілерді анықтайтын терең оқыту қабаттарымен.

Негізгі жаңашылдық – көпбасты назар аудару механизмі, ол айнымалылар арасындағы байланыстарды анықтайды. Мысалы, ол жоғары жауын-шашынның күріш сияқты дақылдардағы азот сіңірілуінің жақсаруымен жиі байланысты екенін анықтайды.

Модель 200 цикл (эпоха) бойы 0,001 үйрену жылдамдығымен оқытылып, болжамдарын 94% дәлдікке жеткенше ұсақ-түзете отырып реттейді. Соңында жүйе бұлттық қосымша немесе SMS-хабарламалар арқылы ұсыныстарды жіберіп, тіпті шалғайдағы фермерлерге де уақытылы кеңес алуды қамтамасыз етеді.

Неліктен TCRM дәстүрлі егіншілік әдістерінен артық

Дәстүрлі дақылдарға ұсыныстар жасайтын жүйелер, мысалы логистикалық регрессия немесе K-жақын көршілер (KNN) әдістерін қолданатын жүйелер, ауыл шаруашылығының күрделілігін шешуге жеткілікті деңгейде дамымаған.

Мысалы, KNN теңгерімсіз деректермен қиындыққа тап болады — егер деректер жиынтығында бидай жазбалары бұршақ жазбаларынан көп болса, оның болжамдары бидайға қарай ығысады. Сол сияқты, AdaBoost алгоритмі зерттеу барысында артық үйрену (overfitting) салдарынан тек 11,51 % дәлдік көрсетті. TCRM гибридті құрылымы арқылы осы кемшіліктерді жояды.

Ағаш негізіндегі алгоритмдерді (айқындылық үшін) күрделі үлгілерді өңдеуге арналған терең оқытумен біріктіре отырып, ол дәлдік пен түсіндіргіштікті теңестіреді.

Сынақтарда TCRM қол жеткізді 97.67% кросс-валидация көрсеткіші, әртүрлі жағдайларда өз сенімділігін дәлелдеді. Мысалы, Пенджабта сынақтан өткізгенде, калий деңгейі жоғары (120 кг/га) және рН мөлшері орташа (6,3) фермерлік алқаптарға гранатты өсіруді ұсынды, бұл өнімділікті 30,1 %-ға арттырды.

Фермерлер жүйенің дәл қоректік заттар мен суару жөніндегі нұсқаулықтарын ұсынуы арқасында тыңайтқыш қолдануды 151 TP3T-ға және су шығынын 251 TP3T-ға азайтты. Бұл нәтижелер TCRM-нің ауыл шаруашылығын ресурстарды көп тұтынатын саладан тұрақты, деректерге негізделген экожүйеге айналдыру әлеуетін көрсетеді.

Нақты әлемдегі әсері: Пенджабтан алынған кейс-зерттеулер

Пенджаб фермерлері жер асты суларының сарқылуы мен топырақтағы қоректік заттардың теңгерімсіздігі сияқты ауыр қиындықтарға тап болуда. ТСРМ-нің практикалық құндылығын бағалау үшін мұнда сынақтан өткізілді.

Мысалы, бір фермер топырақтағы азотты 80 кг/га, фосфорды 45 кг/га, калийді 120 кг/га, сондай-ақ рН-ды 6,3 және жылдық жауын-шашын мөлшерін 600 мм деп көрсететін деректерді енгізді.

TCRM бұл деректерді талдап, калий деңгейінің жоғары және рН мөлшерінің оңтайлы екенін анықтап, осындай жағдайларда жақсы өсетін алма ағашын өсіруді ұсынды. Фермерге дақыл таңдау мен мінсіз тыңайтқыштар (азот үшін мочевина, фосфор үшін суперфосфат) туралы SMS-хабарлама жіберілді.

Алты ай ішінде TCRM пайдаланған фермерлер хабарлады 20–30% жоғары өнімділік Бидай мен күріш сияқты негізгі дақылдарға. Ресурстарды тиімді пайдалану да жақсарды: жүйе дәл қоректік заттарға деген қажеттілікті анықтап, тыңайтқыш қолдану 15%-ға азайды, ал жаңбыр болжамына сәйкес суару нәтижесінде су шығыны 25%-ға төмендеді.

Бұл нәтижелер TCRM сияқты жасанды интеллект негізіндегі құралдардың өнімділікті арттыра отырып, экологиялық тұрақтылықты ілгерілете алатынын көрсетеді.

TCRM-нің табысының артындағы техникалық инновациялар

TCRM-нің табысы екі жаңалыққа тәуелді. Біріншіден, оның көпбасты назар аудару механизмі модельге айнымалылар арасындағы байланыстарды салмақтауға мүмкіндік береді.

Мысалы, жауын-шашын мен азот сіңіру арасындағы мықты оң корреляция (0,73) анықталды, яғни көп жауын-шашын түсетін аймақтардағы дақылдар азотқа бай тыңайтқыштардан пайда көреді.

Керісінше, топырақтың рН деңгейі мен фосфор сіңіруі арасында -0,14 көрсеткішпен әлсіз теріс байланыс анықталды, бұл қышқыл топырақтарды картоп сияқты фосфорды көп қажет ететін дақылдарды отырғызар алдында әктаспен өңдеу қажеттігін түсіндіреді.

Екіншіден, TCRM-нің Бұлттық қызмет пен SMS интеграциясы масштабталуын қамтамасыз етеді. Amazon Web Services (AWS) платформасында орналастырылған жүйе бір уақытта 10 000-нан астам пайдаланушыны қабылдай алады, бұл оны ірі кооперативтер үшін тиімді етеді.

Интернеті жоқ шағын фермерлерге Twilio API дақылдар мен тыңайтқыштар жөніндегі кеңестерді қамтитын SMS-хабарламаларды жібереді — тек Пенджабта айына 3 000-нан астам. Бұл екі тәсіл байланыс мүмкіндігіне қарамастан ешбір фермердің артта қалмауын қамтамасыз етеді.

Ауыл шаруашылығында жасанды интеллектіні енгізудегі қиындықтар

Уәдесіне қарамастан, TCRM бірқатар кедергілерге тап болуда. Көптеген фермерлер, әсіресе қарт фермерлер, жасанды интеллект ұсыныстарына сенбей, дәстүрлі әдістерді артық көреді. Пенджабта сынақ кезінде фермерлердің тек 35,1 %-ы TCRM-ді қолданды.

Құны тағы бір кедергі: IoT сенсорлары қымбат тұрады. $–$Акріне 500 доллар тұрады, бұл шағын фермерлер үшін қолжетімсіз. Сонымен қатар, TCRM-нің оқыту деректері бидай мен күріш сияқты үнді дақылдарына бағытталғандықтан, оны басқа өңірлердегі киноа немесе авокадо өсірушілер үшін пайдалану мүмкіндігі шектеулі.

Зерттеу сонымен қатар сынақ жүргізудегі олқылықтарды көрсетеді. TCRM кросс-валидацияда 97,67% ұпай жинағанымен, оны су тасқындары немесе ұзақ құрғақшылық сияқты экстремалды жағдайларда бағалап көрген жоқ. Болашақ нұсқалары осы шектеулерді жоюы тиіс, осылайша төзімділікті және сенімділікті арттыруға болады.

Ауыл шаруашылығындағы жасанды интеллекттің болашағы

Алдағы уақытта TCRM әзірлеушілері интеграциялауды жоспарлап отыр. Түсіндірілетін жасанды интеллект (XAI) SHAP пен LIME сияқты құралдар. Олар ұсыныстарды айқындайды — мысалы, фермерлерге дақылдың таңдалғанын калий деңгейі шекті мәннен 20% жоғары болғандықтан көрсетеді.

Әлемдік кеңею – тағы бір басымдық; Африкадан (мысалы, Кениядағы жүгері) және Оңтүстік Америкадан (мысалы, Бразилиядағы соя) деректер жиынтықтарын қосу TCRM-ді әмбебап қолдануға мүмкіндік береді.

Дронды пайдалана отырып, нақты уақыттағы IoT интеграциясы да алда тұр. Дрондар егіс алқаптарын сағат сайын картаға түсіріп, ауа райының өзгеруі мен зиянкестердің белсенділігіне қарай ұсыныстарды жаңарта алады.

Мұндай жаңашылдықтар құрттардың жаппай көбеюін немесе саңырауқұлақ инфекцияларын болжауға көмектесіп, алдын алу шараларын қабылдауға мүмкіндік береді. Соңында, үкіметтермен серіктестік Интернет нәрселері (IoT) сенсорларын субсидиялап, дәл ауыл шаруашылығын барлық фермерлерге қолжетімді етеді.

Қорытынды

Өзгеріс әкелетін дақылдарды ұсыну моделі (TCRM) ауыл шаруашылығы технологиясындағы ілгерілеудің үлкен секірісін білдіреді. Жасанды интеллектті, заттар интернетін және бұлтты есептеуді біріктіре отырып, ол фермерлерге 94% дәл, өнімділікті арттырып, ресурстарды үнемдейтін нақты уақыттағы шешім қабылдау құралы.

Шығындар мен қабылдауға кедергілер сияқты қиындықтар әлі де бар болса да, TCRM-нің ауыл шаруашылығын түбегейлі өзгерту әлеуеті даусыз. Әлем климаттың өзгеруі мен халық санының өсуімен күресіп жатқанда, TCRM тәрізді шешімдер тұрақты әрі азық-түлік қауіпсіздігі бар болашақты құруда аса маңызды рөл атқарады.

ДереккөзСингх, Г., Шарма, С. Бұлттық негізделген трансформативті дақылдарға ұсыныс беру моделі арқылы дәл ауыл шаруашылығын жетілдіру. Sci Rep 15, 9138 (2025). https://doi.org/10.1038/s41598-025-93417-3