Рубрика: Дәл егіншілік

Дәл ауыл шаруашылығы, дәл егіншілік деп те аталады, ауыл шаруашылығы тәжірибелерін оңтайландыру үшін заманауи технологияларды, деректерді талдауды және шешім қабылдауға қолдау көрсететін жүйелерді қолдануды білдіреді.

Бұл тәсіл фермерлерге өз алқаптарына тиімді бақылау жүргізуге және басқаруға мүмкіндік береді, нәтижесінде өнімділік артады, қоршаған ортаға әсер азаяды және ресурстарды пайдалану тиімділігі жоғарылайды.

Осы «Дәл ауыл шаруашылығы» бөлімінде біз технологияны пайдалану мен деректерге негізделген шешім қабылдаудың ауыл шаруашылығы өнімділігін оңтайландырудағы және ресурстарды тұрақты әрі тиімді пайдалануды қамтамасыз етудегі маңыздылығын түсінеміз. Мұнда сіз келесі тақырыптар бойынша материалдар таба аласыз:

Нұсқаулықтар мен оқулықтар: Түсінікті әрі қадам-қадаммен баяндалған нұсқаулықтарды тауып, дәл егіншілік әлемінде негізгі ұғымдарды түсінуден бастап озық егіншілік тәжірибелері мен технологияларын енгізуге дейінгі барлық процестерді меңгеріңіз.
Әдебиет пен зерттеулер: Дәл егіншілік жөніндегі бай әдебиетке қол жеткізіңіз: іс-тәжірибелік зерттеулерді, шолуларды және осы саладағы соңғы жетістіктерге жарық түсіретін озық ғылыми зерттеу нәтижелерін қамтиды.
Өнеркәсіп жаңалықтары: Дәлдік ауыл шаруашылығы саласындағы ең соңғы жаңартулардан хабардар болыңыз: жаңа технологиялардың дамуы, реттеуші өзгерістер және нарық тенденциялары туралы жаңалықтарды қоса алғанда.
Сарапшылардың пікірлері: Дәл ауыл шаруашылығындағы қиындықтар мен мүмкіндіктерді терең талдайтын сұхбаттар, пікір мақалалар және қонақ авторлардың материалдары арқылы сала сарапшыларынан құнды түсінік алыңыз.
Сәттілік оқиғалары: Прецизиялық тәсілдерді сәтті енгізген фермерлер мен агротехнологиялық компаниялардың шабыттандыратын оқиғаларын ашып, олардың тәжірибесінен үйреніңіз.
Өнімдер мен қызметтерге шолулар: Шаруашылығыңызға ең жақсы шешімдерді таңдауда ақпаратқа негізделген шешім қабылдауыңызға көмектесетін әртүрлі дәл өлшеу аспаптары, бағдарламалық қамтамасыз ету және қызметтер туралы бейтарап шолулар мен салыстыруларды табыңыз.
Іс-шаралар мен вебинарлар: Алдағы іс-шаралар, конференциялар мен вебинарлардың біз ұсынған іріктелген тізімі арқылы оның жаһандық қауымдастығымен байланыста болыңыз.
Ресурстар мен құралдар: Жүктеп алуға болатын үлгілер, тексеру тізімдері және құралдар сияқты кең ауқымды ресурстар кітапханамызды зерттеп, дәл ауыл шаруашылығын бастауға немесе қолданыстағы тәжірибелеріңізді оңтайландыруға қажетті құралдарды табыңыз.

Дәл ауыл шаруашылығы бойынша нұсқаулық, әдебиет және жаңартулар

Бұлттық негізделген трансформативті дақылдарға арналған ұсыныс моделі дәл ауыл шаруашылығын өзгертеді

-де жарияланды Muhammad Farjad арқылы

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.

TCRM қалай жұмыс істейді: деректер мен машинамен оқытуды біріктіру

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.

TCRM дәстүрлі егіншілік модельдерінен озық

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.

TCRM-нің табысының артындағы техникалық инновациялар

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. 200Акріне 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

Өсімдік ауруларын ерте анықтауда терең оқытуға негізделген компьютерлік көру қолданбаларының рөлі

-де жарияланды Muhammad Farjad арқылы

Өсімдік аурулары жаһандық азық-түлік қауіпсіздігіне үнсіз қауіп төндіріп, жыл сайын өнімнің 10–16%-ын жойып, ауыл шаруашылығы саласына $220 миллиард шығын әкеледі. Қолмен тексеру мен зертханалық сынақтар сияқты дәстүрлі әдістер баяу, қымбат әрі жиі сенімсіз.

2025 жылғы жол ашатын зерттеу, “Өсімдік ауруларын анықтауда терең оқыту және компьютерлік көру” (Upadhyay және т.б.), AI арқылы өсімдік ауруларын анықтау мен компьютерлік көру негізіндегі ауыл шаруашылығы қалайша егіншілікті өзгертіп жатқанын көрсетеді.

Өсімдік ауруларын ерте анықтаудың жаһандық азық-түлік қауіпсіздігі үшін маңызы

Ауыл шаруашылығы жаһандық еңбек күшінің 28% бөлігін жұмыспен қамтады, ал егін өнімін өндіруде Үндістан, Қытай және АҚШ сияқты елдер алда тұр. Дегенмен саңырауқұлақтар, бактериялар және вирустар тудыратын өсімдік аурулары өнімділікті төмендетіп, экономикаға ауыр салмақ салады.

Мысалы, күріш blast ауруы зақымдалған аймақтарда өнімді 30–50 %-ға азайтады, ал цитрус жасылдандыруы 2005 жылдан бері Флоридадағы апельсин бақтарының 70 %-ын жойды. Ерте анықтау өте маңызды, бірақ көптеген фермерлерде озық құралдар мен маманданған біліктілікке қол жеткізу мүмкіндігі жоқ.

Міне осы жерде жасанды интеллект негізіндегі ауруларды анықтау жүйесі іске қосылып, дәстүрлі әдістерден артық жылдам, қолжетімді және дәл шешімдер ұсынады.

Жасанды интеллект пен компьютерлік көру дақыл ауруларын қалай анықтайды

Зерттеу жасанды интеллект негізіндегі өсімдік ауруларын анықтайтын жүйелердің қалай жұмыс істейтінін түсіндіру үшін 278 ғылыми мақаланы талдады. Алдымен камералар немесе сенсорлар дақылдардың кескіндерін түсіреді. Содан кейін бұл кескіндер ауру белгілерін анықтау үшін алгоритмдер арқылы өңделеді.

Мысалы, RGB камералары Түсті фотосуреттер жапырақ дақтары сияқты көрінетін белгілерді анықтауға мүмкіндік берсе, гиперспектралды камералар жүздеген жарық толқын ұзындықтарын талдау арқылы жасырын стресс сигналдарын анықтайды.

Суреттер түсірілгеннен кейін сапаны арттыру үшін алдын ала өңдеуден өтеді. Мысалы, шектілеу әдісі ауру ошақтарын түс бойынша бөліп көрсетеді, ал жиекті анықтау зақымданулар мен түссіздену шекараларын картаға түсіреді.

Жасанды интеллект пен компьютерлік көру дақыл ауруларын қалай анықтайды

Келесіде терең оқыту модельдері алдын ала өңделген деректерді талдайды. Конволюциялық нейрондық желілер (CNN-дер), Ауыл шаруашылығындағы ең көп тараған жасанды интеллект құралдары кескінді қабат-қабат сканерлеп, ерекше текстуралар мен түстер сияқты үлгілерді анықтайды.

2022 жылғы сот процесінде, ResNet50—CNN-нің танымал моделі — қызанақ ауруларын диагностикалау кезінде 99,07% дәлдікке қол жеткізді.

Осы арада, Вижн Трансформерлер (ViTs) Суреттерді бөліктерге бөліп, олардың арасындағы байланысты зерттеп, адамдардың контексті талдау тәсілін модельдейді. Бұл тәсіл 2020 жылғы зерттеуде жүзім тамырларын тазалайтын вирусты 71% дәлдікпен анықтауға көмектесті.

“Ауыл шаруашылығының болашағы адамдарды алмастыруда емес, оларды ақылды құралдармен қамтамасыз етуде.”

Қазіргі заманғы ауыл шаруашылығындағы озық сенсорлардың рөлі

Әртүрлі сенсорлар дәл ауыл шаруашылығы үшін бірегей артықшылықтарды ұсынады. RGB камералары, қолжетімді және пайдалануға оңай болғанымен, спектрлік егжей-тегжейдің шектеулі болуына байланысты ерте кезеңдегі аурулармен күресте қиындықтарға тап болады. Ал керісінше, Гиперспектралды камералар Жүздеген жарық толқын ұзындықтарында деректерді жинап, адам көзіне көрінбейтін кернеу сигналдарын анықтайды.

Мысалы, 2022 жылы зерттеушілер гиперспектралды бейнелеуді пайдаланып, алманың Вальса қатерлі дағын 98% дәлдікпен диагностикалады. Алайда, бұл камералардың бағасы 10,000–50 000, бұл шағын фермерлер үшін тым қымбат.

Термокамералар Инфекциялардың тудырған температура өзгерістерін өлшеу арқылы қосымша көзқарас ұсынуға болады. 2019 жылғы зерттеу цитрус жасылдандыру ауруына шалдыққан жапырақтардың ерекше жылу үлгілерін көрсететінін анықтап, ерте анықтауға мүмкіндік береді.

Осы арада, Көпспектрлі камералар—орташа нұсқа—өсімдіктің денсаулығын бағалау үшін хлорофилл деңгейін бақылау.

Бұл сенсорлар 2014 жылы бидайдың жолақты тот ауруын картаға түсіріп, фермерлерге өңдеу шараларын тиімдірек бағыттауға көмектесті. Олардың артықшылықтарына қарамастан, сенсорлардың құны мен жел немесе біркелкі емес жарықтандыру сияқты қоршаған орта факторлары әлі де қиындықтар тудырады.

Қоғамдық деректер жиынтықтары: жасанды интеллектті ауыл шаруашылығының тірегі

Сенімді жасанды интеллект модельдерін оқыту үшін үлкен көлемдегі белгіленген деректер қажет. PlantVillage деректер жиынтығы, 14 дақыл мен 26 аурудың 87 000 суреті бар тегін ресурс зерттеушілер үшін алтын стандартқа айналды.

Мақалада сілтеме жасалған зерттеулердің 90%-ден астамы өз модельдерін оқыту және сынау үшін осы деректер жиынтығын пайдаланды. Тағы бір маңызды ресурс, Кассава ауруларының деректер жиынтығы, кассава мозаика ауруының 11 670 суретін қамтиды және CNN модельдерімен 96% дәлдігіне қол жеткізді.

Дегенмен олқылықтар әлі де бар. Шырша нематоды сияқты сирек кездесетін аурулардың 100-ден аз белгіленген суреті бар, бұл оларды анықтауға жасанды интеллекттің мүмкіндігін шектейді. Сонымен қатар, деректер жиынтықтарының көпшілігі зертханада түсірілген суреттерден тұрады, олар ауа райы мен жарықтандыру сияқты нақты әлемдегі өзгергіштерді ескермейді.

Осы мәселені шешу үшін AI4Ag сияқты жобалар әлемнің түкпір-түкпіріндегі фермерлерден дала суреттерін жинап, сенімді әрі шынайы деректер жиынтығын құруды мақсат етеді.

ЖИ өнімділігін өлшеу: дәлдік, нақтылық және одан әрі

Жасанды интеллект негізіндегі өсімдік ауруларын анықтау жүйелерінің өнімділік көрсеткіштері

Зерттеушілер өсімдік ауруларын анықтайтын жасанды интеллект жүйелерін бағалау үшін бірнеше көрсеткішті қолданады. Дәлдік—дұрыс диагноздардың пайыздық үлесі—аралығында Ерте модельдерде 76.9% ке EfficientNet-B5 сияқты жетілдірілген жүйелерде 99.97%.

Дегенмен, дәлдіктің өзі адастыруы мүмкін. Прецизия жалған дабылдардан аулақ болып, белгіленген аурулардың қаншасы шынында бар екенін өлшейді, ал recall қанша нақты инфекция анықталғанын көрсетеді.

Мысалы, Mask R-CNN, Объектілерді анықтау моделі құлпынай антракнозын анықтауда 93,51 TP3T қайталанымдылыққа қол жеткізді, бірақ мақта тамыр шірігенін анықтауда тек 451 TP3T дәлдік көрсетті.

Оның F1-балл дәлдік пен recall-ды теңестіріп, көрсеткіштің жан-жақты көрінісін ұсынады. 2023 жылғы сынақта, PlantViT—гибридті жасанды интеллект моделі—PlantVillage деректер жиынында 98,61% F1-Score көрсеткішін көрсетті.

Объектілерді анықтау үшін, Орташа дәлдік (mAP) критикалық. Жылдам R-CNN, танымал модель, алма аурулары бойынша сынақтарда 73,07% mAP көрсеткішіне жетті, яғни инфекцияларды көп жағдайда дұрыс анықтап, жіктеді.

Ауыл шаруашылығындағы жасанды интеллектінің дамуына кедергі келтіретін қиындықтар

Өз әлеуетіне қарамастан, жасанды интеллект негізіндегі ауруларды анықтау бірқатар кедергілерге тап болады. Біріншіден, сирек кездесетін немесе жаңа пайда болған аурулар бойынша деректер тапшылығы байқалады.

  • Мысалы, 2021 жылғы зерттеу үшін қияр ұнтақты көгеруінің тек 20 суреті ғана қолжетімді болды, бұл модельдің сенімділігін шектеді.
  • Екіншіден, жел, көлеңке немесе жарық жағдайларының өзгеруі сияқты қоршаған орта факторлары далалық дәлдікті зертханалық жағдайларға қарағанда 20–30 %-ға төмендетеді.
  • Үшіншіден, жоғары шығындар енгізуге кедергі келтіреді. Гиперспектралды камералар қуатты болғанымен, шағын фермерлер үшін әлі де қолжетімсіз, ал жасанды интеллект құралдары смартфон немесе интернетке қосылуды талап етеді, бұл ауылдық жерлерде әлі де кедергі болып табылады.
  • Соңында сенім мәселелері әлі де сақталуда. 2023 жылғы сауалнама көрсеткендей, фермерлердің 68,1 %-ы AI-ды енгізуге оның “қара қорап” сипатына байланысты күмәнмен қарайды — олар шешімдер қалай қабылданатынын көре алмайды.

Осы мәселені шешу үшін зерттеушілер диагноздарды қарапайым тілмен түсіндіретін, мысалы жұқтырылған жапырақ аймақтарын белгілеу немесе симптомдарды тізімдеу арқылы түсіндіретін түсіндірілетін жасанды интеллектті әзірлеуде.

Ауыл шаруашылығының болашағы: назар аударуға тұрарлық 5 инновация

1. Нақты уақыттағы талдау үшін шеттік есептеуЖеңіл AI модельдері, мысалы MobileNetV2 (7 МБ көлемінде), смартфондарда немесе дрондарда жұмыс істеп, интернетсіз нақты уақытта ауруларды анықтайды. 2023 жылы бұл модель картоп ауруларын жіктеуде 99,42% дәлдікке қол жеткізіп, фермерлерге жедел шешім қабылдауға мүмкіндік берді.

2. Жылдам бейімделу үшін тасымалдауды оқытуPlantViT сияқты алдын ала оқытылған модельдерді аз ғана деректермен жаңа дақылдарға ұсақтап оқытуға болады. 2023 жылғы зерттеуде PlantViT-ті күріш blast ауруын анықтауға бейімдеп, небәрі 1 000 сурет пайдаланып 87,871 TP3T дәлдікке қол жеткізді.

3. Көру-тіл модельдері (VLMs)OpenAI-дың CLIP жүйесі сияқты жүйелер фермерлерге мәтін арқылы (мысалы, “Жапырақтардағы қоңыр дақтарды тауып көрсет”) жасанды интеллектке сұрау жіберуге мүмкіндік береді. Бұл табиғи өзара әрекеттесу күрделі технология мен күнделікті егіншілік арасындағы алшақтықты жояды.

4. Жалпы мақсаттағы жасанды интеллект үшін негізгі модельдерGPT-4 сияқты ірі модельдер аурулардың таралуын модельдей алады немесе емдеу әдістерін ұсына отырып, виртуалды агрономдар ретінде қызмет ете алады.

5. Бірлескен жаһандық дерекқорларPlantVillage және AI4Ag сияқты ашық бастапқы кодты платформалар әлемнің түкпір-түкпіріндегі фермерлер мен зерттеушілердің деректерін біріктіріп, инновацияны жеделдетеді.

Оқиғаға негізделген зерттеу: Үндістанда жасанды интеллект негізіндегі манго өсіру

2024 жылы зерттеушілер манго ауруларымен, мысалы антракноз бен ұнтақты көгерумен күресу үшін жеңіл DenseNet моделін әзірледі. 12 332 дала суретінде оқытылған модель 99,21 TP3T дәлдікке жетті — бұл көптеген зертханалық жүйелерден жоғары.

50% параметрлері аз болғандықтан, ол бюджеттік смартфондарда бірқалыпты жұмыс істейді. Үнді фермерлері қазір осы жасанды интеллект негізінде жасалған $10 қосымшасын қолданып, жапырақтарды сканерлеп, лезде диагноз алып, пестицидтерді 30%-ға азайтып, егінді сақтап қалады.

Қорытынды

Жасанды интеллект негізіндегі өсімдік ауруларын анықтау және дәл ауылшаруашылық технологиялары ауыл шаруашылығын түбегейлі өзгертіп, азық-түлік қауіпсіздігіне үміт сыйлайды. Ерте диагностика жүргізуге, химикаттарды азайтуға және шағын фермерлердің мүмкіндіктерін кеңейтуге мүмкіндік бере отырып, бұл құралдар әлемдік егін өнімділігін 20–30%-ға арттыруы мүмкін.

Осы әлеуетті жүзеге асыру үшін мүдделі тараптар сенсорлардың құнын шешуі, деректердің алуан түрлілігін арттыруы және білім беру арқылы фермерлердің сенімін нығайтуы тиіс.

ДереккөзУпадхьяй А., Чандел Н.С., Сингх К.П. және т.б. Өсімдік ауруларын анықтауда терең оқыту және компьютерлік көру: дәл ауыл шаруашылығындағы әдістер, модельдер және тенденциялар бойынша жан-жақты шолу. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x

IoT дәл ауыл шаруашылығын қалай өзгертіп, қазіргі қиындықтарды қалай шешіп жатыр?

-де жарияланды Muhammad Farjad арқылы

Әлем халқы тез өсіп келеді, бағалаулар бойынша, 2050 жылға қарай ол 9,7 миллиардқа жетеді. Барлығын тамақтандыру үшін азық-түлік өндірісі 60%-ге артуы керек, бірақ топыраққа, көп суды пайдалануға және қол еңбегіне тәуелді дәстүрлі егіншілік әдістері оған ілесе алмай жатыр.

Климаттың өзгеруі, топырақтың деградациясы және су тапшылығы жағдайды одан сайын ушықтырып отыр. Мысалы, топырақ эрозиясы фермерлерге жыл сайын $40 миллиард өнімділіктің жоғалуына әкеледі, ал дәстүрлі суару ескірген тәжірибелерге байланысты 60% тұщы суды босқа жұмсайды.

Үндістанда соңғы онжылдықта болжауға келмейтін муссондар күріш өнімділігін 15%-ға төмендетті. Бұл қиындықтар шұғыл шешімдерді талап етеді, ал Заттар интернеті (IoT) және аэропоника арқылы жұмыс істейтін ақылды егіншілік құтқарушы күш болып табылады.

Қазіргі ауыл шаруашылығындағы IoT күші

Ақылды егіншіліктің негізінде нақты уақыт режимінде деректерді жинайтын және бөлісетін өзара байланысты құрылғылар желісі - IoT жатыр. Сымсыз сенсорлық желілер (ССН) бұл жүйенің негізгі бөлігі болып табылады.

Бұл желілер топырақтың ылғалдылығын, температурасын, ылғалдылығын және қоректік заттардың деңгейін бақылау үшін егістіктерге орналастырылған сенсорларды пайдаланады. Мысалы, DHT22 сенсоры ылғалдылықты бақылайды, ал TDS сенсорлары судағы қоректік заттардың концентрациясын өлшейді.

Бұл деректер LoRa немесе ZigBee сияқты төмен қуатты хаттамаларды пайдаланып ThingSpeak немесе AWS IoT сияқты бұлттық платформаларға жіберіледі. Талданғаннан кейін жүйе суару сорғыларын қосу немесе тыңайтқыш деңгейін реттеу сияқты әрекеттерді іске қоса алады.

Үндістанның Коимбатор қаласында 2022 жылы жүргізілген жоба IoT әлеуетін көрсетті. Сенсорлар қызанақ алқаптарындағы құрғақ топырақ аймақтарын анықтап, су шығынын 35%-ге азайтатын мақсатты суаруды қамтамасыз етті.

Сол сияқты, көп спектрлі камералармен жабдықталған дрондар зиянкестердің шабуылы немесе қоректік заттардың жетіспеушілігі сияқты мәселелерді анықтау үшін кең егістік алқаптарды сканерлейді.

2019 жылы жүргізілген зерттеу жүгері дақылдарындағы солтүстік жапырақ фитофторасын 98% дәлдігімен анықтау үшін дрондарды пайдаланды, бұл фермерлерді бір акрға $120 шығыннан құтқарды. Машиналық оқыту бұл жүйелерді одан әрі жақсартады.

Зерттеушілер ұнтақты зең сияқты ауруларды 99.53% дәлдігімен диагностикалау үшін мыңдаған жапырақ суреттерінде жасанды интеллект модельдерін оқытты, бұл фермерлерге дақылдар жойылып кетпес бұрын әрекет етуге мүмкіндік берді.

Аэропоника: топырақсыз азық-түлік өсіру

Заттар интернеті дәстүрлі егіншілікті оңтайландырса, аэропоника ауыл шаруашылығын толығымен қайта елестетеді. Бұл әдіс өсімдіктерді ауада өсіреді, олардың тамырларын су мен қоректік заттарды шашатын тұман толтырылған камераларға іліп қояды.

Топыраққа негізделген егіншіліктен айырмашылығы, аэропоника 95% аз суды пайдаланады және пестицидтерді қолданбайды. Тамырлар оттегін тиімдірек сіңіреді, бұл өсуді жеделдетеді.

Мысалы, 2018 жылғы зерттеуге сәйкес, аэропоникалық жолмен өсірілген салат топыраққа қарағанда 65% жылдамырақ дамиды.

Аэропоника әсіресе топырақы нашар қалаларда немесе аймақтарда өте құнды. Тік фермалар өсімдіктерді мұнараларға үйіп, дәстүрлі егістіктерге қарағанда шаршы метрге 10 есе көп азық өндіреді.

Мехико қаласында 2022 жылы шатырдағы аэропоникалық ферма бір шаршы метрге 3,8 кг салат жапырағын берді, бұл топырақ өңдеу өнімділігінен үш есе көп, ал бір килограмға небәрі 10 литр су пайдаланылды.

Сингапурдың Sky Greens компаниясы бұл мәселені одан әрі дамытып, 30 футтық мұнараларда күн сайын 1 тонна көкөніс өсіреді, бұл дәстүрлі фермаларға қарағанда 95% аз жерді пайдаланады.

IoT аэропониканы келесі деңгейге көтереді. Сенсорлар тамыр камераларын ылғалдылық, рН және қоректік заттар деңгейін бақылайды, бүрку циклдарын автоматты түрде реттейді.

2017 жылғы жобада зерттеушілер Raspberry Pi көмегімен аэропоникалық жүйені автоматтандырды, бұл еңбек шығындарын 50%-ге қысқартты. Фермерлер бұл жүйелерді AgroDecisor сияқты мобильді қосымшалар арқылы басқарады, ол қоректік заттардың теңгерімсіздігі сияқты мәселелер туралы ескертулер жібереді.

Прогресті баяулататын қиындықтар

Әлеуетіне қарамастан, IoT және аэропоника айтарлықтай кедергілерге тап болады. Жоғары шығындар негізгі кедергі болып табылады. Қарапайым IoT қондырғысы 1500-5000 тұрады, ал озық дрондар мен сенсорлар алдын ала 10 000-50 000 талап етеді - бұл дамушы елдердегі шағын фермерлердің қолы жетпейтін нәрсе. Сонымен қатар, техникалық қызмет көрсету жыл сайын тағы 15-20% қосады, бұл бюджетке одан әрі ауыртпалық түсіреді.

Байланыстағы олқылықтар мәселені одан сайын ушықтырады. Шамамен 40% ауылдық жерлерде сенімді интернет жоқ, бұл нақты уақыт режимінде деректерді беруді қиындатады.

Эфиопияда 2021 жылы IoT пилоттық жобасы 3G сигналдары орта өрісте төмендеп, суару кестесін бұзған кезде сәтсіздікке ұшырады. Қауіпсіздік тәуекелдері де үлкен. MQTT және CoAP сияқты IoT хаттамаларында көбінесе шифрлау болмайды, бұл жүйелерді хакерлерге осал етеді.

2021 жылы 62% ауылшаруашылық IoT жүйелері кибершабуылдар, соның ішінде сенсор көрсеткіштерін өзгертуге немесе жабдықты өшіруге мүмкіндік беретін деректердің бұзылуы туралы хабарлады.

Техникалық күрделілік тағы бір қиындық деңгейін қосады. Фермерлерге деректерді түсіндіру және жүйелердегі ақаулықтарды жою үшін оқыту қажет.

Колумбиядағы 2017 жылы жүргізілген аэропоникалық жоба дұрыс емес рН параметрлері дақылдарға зиян келтіріп, $12,000 көшетті ысырап еткендіктен сәтсіздікке ұшырады.

Тіпті қуат көзі де мәселе болып табылады — күн сенсорлары муссон кезінде істен шығады, ал дрондар бір зарядта 20-30 минут қана жұмыс істейді.

Ауыл шаруашылығының болашағы: көкжиектегі инновациялар

Осы қиындықтарға қарамастан, болашақ үміт күттіреді. 5G желілері байланыс саласында төңкеріс жасап, дрондарға үлкен фермаларды нақты уақыт режимінде бақылауға мүмкіндік береді.

Бразилияда 2023 жылы жүргізілген сынақ 5G-ге қосылған дрондарды пайдаланып, 1000-нан астам акр соя алқаптарын сканерлеп, ауруларды бірнеше күннің орнына 10 минут ішінде анықтады. Құрылғылардағы деректерді тікелей өңдейтін Edge AI бұлтқа тәуелділікті азайтады.

Мысалы, MangoYOLO жүйесі борттық камераларды пайдаланып, манголарды 91% дәлдігімен санайды, бұл деректерді жүктеудегі кідірістерді болдырмайды.

Блокчейн технологиясы тағы бір ойын ережесін өзгертеді. Фермадан тұтынушыға дейінгі өнімді бақылау арқылы ол ашықтықты қамтамасыз етеді және алаяқтықты азайтады.

eFarm қолданбасы органикалық сертификаттарды тексеру үшін краудсорсингтік деректерді пайдаланады, бұл алаяқтықты 30%-ге азайтты. Walmart блокчейн жүйесі 2022 жылы манго жеткізу тізбегіндегі қателіктерді 90%-ге азайтты.

Жасанды интеллектпен жұмыс істейтін жылыжайлар да дамып келеді. Бұл жүйелер өсімдіктердің денсаулығын 91.52% дәлдігімен бақылау үшін VGG19 сияқты модельдерді пайдаланады.

Жапонияда AGROBOT сияқты роботтар тәулік бойы құлпынай жинайды, бұл өнімділікті үш есеге арттырады. Қалалық жерлерде де аэропоника кеңінен қолданылады — Берлиннің Infarm компаниясы азық-түлік дүкендерінде шөптер өсіреді, бұл көлік шығарындыларын 95%-ге азайтады.

Үкіметтер мен компаниялар алға жылжуда. Үндістанның 2023 жылғы Агротехнологиялық бастамасы 500 000 шағын фермерге арналған IoT құралдарын субсидиялайды, ал Microsoft компаниясының FarmBeats компаниясы кениялық фермерлерге арзан дрондар ұсынады.

Табысқа жету жоспары

Заттар интернеті және аэропоника тек құралдар ғана емес, олар тұрақты болашақ үшін өте маңызды. 2030 жылға қарай бұл технологиялар:

  • Жылына 1,5 триллион литр су үнемдеңіз.
  • Парниктік газдар шығарындыларын жылына 1,5 гигатоннаға азайту.
  • Ауыл шаруашылығы жерлерін кеңейтпей, тағы 2 миллиард адамды тамақтандыру.

Бұған қол жеткізу үшін үкіметтер қолжетімді құралдарды субсидиялауы, ауылдық жерлерде интернетке қолжетімділікті кеңейтуі және киберқауіпсіздік стандарттарын сақтауы керек. Фермерлер бұл технологияларды тиімді пайдалану үшін оқытудан өтуі керек.

ФАО мәлімдегендей, “азық-түліктің болашағы бүгінгі инновацияларға байланысты”. Заттар интернеті мен аэропониканы қабылдау арқылы біз ешкім аш қалмайтын және ауыл шаруашылығы планетамызға зиян келтірмей, оны асырайтын әлемді қалыптастыра аламыз.

Дереккөз: Дханасекар, С. (2025). Дәл ауыл шаруашылығындағы Заттар интернетінің өзекті мәселелері мен жетістіктері бойынша кешенді шолу. Computer Science Review, 55, 100694.

Дәл ауыл шаруашылығы: бүгінгі әлемдегі технологиялар мен стратегиялар

-де жарияланды Muhammad Farjad арқылы

Дәл ауыл шаруашылығы технологияларын енгізу артып келеді, ірі фермалар тиімділікті арттыру, шығындарды азайту және дақылдардың өнімділігін арттыру үшін озық құралдарды енгізуде көшбасшы болып табылады.

АҚШ Ауыл шаруашылығы министрлігінің (USDA) есебіне сәйкес, жылына $1 миллионнан астам кіріс табатын 70% ірі шаруашылықтар өз жұмыстарын жақсарту үшін өнімділік мониторлары, автоматты басқару жүйелері және топырақ карталары сияқты технологияларды пайдаланып жатыр.

Бұл АҚШ Ауыл шаруашылығы министрлігінің Экономикалық зерттеулер қызметінің мәліметтері бойынша, 2023 жылы ұқсас технологияларды қолданғанын хабарлаған 13% шағын фермалармен салыстырғанда айтарлықтай айырмашылық.

Неліктен ірі фермалар дәл ауыл шаруашылығын қабылдауға бейім?

Дәл егіншілік дегеніміз - егіншілік тәжірибелерін оңтайландыру және өнімділікті барынша арттыру үшін озық технологияларды пайдалану. Ірі шаруашылықтар үшін бұл технологиялардың пайдасы айтарлықтай.

Егін өнімділігін арттыруға, пайдалану шығындарын азайтуға және ауа райының болжанбайтын өзгерістері мен нарықтың ауытқуларын басқаруға баса назар аудара отырып, ірі шаруашылықтардың технологияға инвестиция салу үшін көбірек қаржылық ресурстары бар. Бұл оларға өнімділікті бақылау, автоматты басқару жүйелері және автоматтандырылған жабдықтар сияқты айтарлықтай алдын ала шығындарды қажет ететін құралдарды қабылдауды жеңілдетеді.

АҚШ Ауыл шаруашылығы министрлігінің сауалнамасына сәйкес, технологияны енгізудегі айырмашылық айқын көрінеді. Ірі шаруашылықтардың 68%-і өнімділік мониторлары мен топырақ карталары сияқты шешім қабылдауды қолдау технологияларын пайдаланса, шағын шаруашылықтардың тек 13%-і ғана бұл құралдарды пайдаланды.

Есепте ірі операциялардың мұндай технологияларға инвестиция салуға қаржылық мүмкіндігі ғана емес, сонымен қатар оларды енгізуден көбірек пайда көре алатыны атап өтілген.

Дәл ауыл шаруашылығы технологиялары, әсіресе автоматтандыруға және деректерге негізделген шешім қабылдауға бағытталған технологиялар, тиімділіктің жоғарылауына, ресурстарды басқарудың жақсаруына және сайып келгенде пайда маржасының жоғарылауына әкелуі мүмкін.

Дәл ауыл шаруашылығын енгізуге ықпал ететін негізгі технологиялар

Қолжетімді әртүрлі дәл ауыл шаруашылығы құралдарының ішінде бірнешеуі ірі фермаларда кеңінен қолданылуымен ерекшеленеді:

1. Өнімділік мониторларыБұл құрылғылар жиналған дақылдардың саны мен сапасын өлшейді. Нақты уақыт режиміндегі деректерді ұсыну арқылы өнімділік мониторлары фермерлерге егістіктің өзгергіштігін бағалауға және дақылдарды басқару мен ресурстарды бөлу бойынша хабардар шешімдер қабылдауға мүмкіндік береді.

2. Бағыттаушы автоматты рульдік жүйелерБұл жүйелер тракторлар мен комбайндар сияқты ірі ауылшаруашылық техникасының ажырамас бөлігі болып табылады. Автоматты руль жабдықты басқару үшін GPS технологиясын пайдаланады, бұл адами қателіктерді азайтады және отырғызу, тыңайтқыштар себу және жинау сияқты операциялардың дәлдігін оңтайландырады. USDA есебіне сәйкес, ірі фермалардың 70%-і автоматты рульдік жүйелерді пайдаланған, ал шағын фермалардың 9%-і ғана автоматты рульдік жүйелерді пайдаланған.

3. Топырақ карталары және деректерді талдауТопырақ картасын жасау технологиясы фермадағы топырақ жағдайлары туралы егжей-тегжейлі ақпарат береді, бұл фермерлерге суару, тыңайтқыштар беру және отырғызу туралы дәл шешім қабылдауға мүмкіндік береді. Топырақ құрамы мен ылғал деңгейінің өзгергіштігін түсіну арқылы ірі фермерлер өнімділікті арттырып, шығындарды азайта алады.

Технологияны енгізуге әсер ететін факторлар

АҚШ Ауыл шаруашылығы министрлігінің есебінде дәл ауыл шаруашылығын енгізуге әсер ететін бірнеше факторлар атап өтілген, олардың ішіндегі ең маңыздысы - фермалардың көлемі мен қаржылық ресурстар. Кірістері жоғары және ұзақ мерзімді инвестициялар салу мүмкіндігі бар ірі фермалар айтарлықтай бастапқы капиталды қажет ететін технологияларды енгізуге бейім.

Екінші жағынан, шағын операциялар, әсіресе жылына $150,000-нан аз өнім шығаратындар, шектеулі бюджеттер мен төмен пайда маржасына байланысты бастапқы инвестицияларды ақтауда қиындықтарға тап болады.

Қаржылық шектеулерден басқа, шаруашылықтың сипаты да технологияны енгізуде рөл атқарады. Зейнеткерлік шаруашылықтар немесе зейнеткерлікке жақындаған фермерлер басқаратын шаруашылықтар көбінесе жаңа технологияларға инвестиция салуға бейім емес, себебі олардың ауыл шаруашылығы бизнесіне ұзақ мерзімді қатысуы белгісіз болуы мүмкін.

Бұл операциялар үшін дәл ауыл шаруашылығының пайдасы шығындардан асып түспеуі мүмкін, әсіресе фермер жақын арада белсенді егіншіліктен бас тартуды жоспарласа.

Кеңінен асырап алу үшін күрес

Дәл ауыл шаруашылығы технологиялары айқын артықшылықтар бергенімен, олардың кеңінен қолданылуы күтілгеннен баяу болды. Ірі фермаларда өнімділікті бақылау және автоматты басқару жүйелері сияқты құралдардың қолданылуының артуына қарамастан, кейбір технологиялар әлі де фермалардың көлемінде айтарлықтай танымал бола алмады.

Мысалы, дрондар, киілетін малды бақылау құрылғылары және робот-сауыншылар тіпті ірі фермаларда да жеткіліксіз пайдаланылуда.

Дәнді дақылдарды бақылау және егістік талдау үшін көбінесе перспективалы құрал ретінде қарастырылатын дрондарды пайдалану туралы 2023 жылы ірі көлемді отбасылық фермалардың тек 12% ғана хабарлады.

Робот-сауыншылар және малға арналған киілетін құрылғылар сияқты басқа да жоғары технологиялық құралдардың да енгізілу деңгейі төмен болды, фермерлер құнына, күрделілігіне немесе белгісіз пайдасына байланысты бұл технологияларды қабылдаудан тартынды.

Жабдық өндірушілерінің рөлі

Дәл ауыл шаруашылығына сұраныс өсе берген сайын, ауыл шаруашылығы техникасын өндірушілер озық технологияларға инвестицияларын арттыруда.

Компаниялар, соның ішінде шағын бизнесі бар фермерлердің кең ауқымының қажеттіліктерін қанағаттандыру үшін қолжетімді және қолжетімді шешімдерді әзірлеуде. Дегенмен, осы күш-жігерге қарамастан, нарық әлі де күрделі болып қала береді, көптеген фермерлер қиын ауыл шаруашылығы экономикасы жағдайында жаңа технологияларды енгізуден әлі де тартыншақтайды.

Өндірушілер сонымен қатар тракторлардың, комбайндардың және басқа да ауыл шаруашылығы техникасының өнімділігін оңтайландыруға көмектесетін автоматтандырылған жүйелерді жасауға назар аударуда. Бұл инновациялар фермерлерге еңбек шығындарын азайтуға және өнімділікті арттыруға көмектесуге бағытталған, бұл дәл ауыл шаруашылығы технологияларының барлық көлемдегі фермерлер үшін тартымды болуын қамтамасыз етеді.

Қорытынды

Дәл ауыл шаруашылығы технологиялары фермерлерге, әсіресе ірі көлемді операцияларды басқаратындарға айтарлықтай пайда әкеледі. Өнімділік мониторлары, автоматты басқару жүйелері және топырақ карталары сияқты құралдардың көмегімен ірі фермалар өнімділігін оңтайландыра, шығындарды азайта және тұрақсыз нарықтар мен болжанбайтын ауа райы тудыратын қиындықтарды жеңе алады.

Дегенмен, бұл технологиялардың жоғары бастапқы құны шағын шаруашылықтардың, әсіресе қаржылық ресурстары шектеулі шаруашылықтардың қабылдауына кедергі келтіруде.

Үлкен фермалар дәл ауыл шаруашылығы саласында үстемдік етеді, дейді АҚШ Ауыл шаруашылығы департаменті.

-де жарияланды Muhammad Farjad арқылы

Дәл ауыл шаруашылығы технологияларын енгізу артып келеді, ірі фермалар тиімділікті арттыру, шығындарды азайту және дақылдардың өнімділігін арттыру үшін озық құралдарды енгізуде көшбасшы болып табылады.

АҚШ Ауыл шаруашылығы министрлігінің (USDA) есебіне сәйкес, жылына $1 миллионнан астам кіріс табатын 70% ірі шаруашылықтар өз жұмыстарын жақсарту үшін өнімділік мониторлары, автоматты басқару жүйелері және топырақ карталары сияқты технологияларды пайдаланып жатыр.

Бұл АҚШ Ауыл шаруашылығы министрлігінің Экономикалық зерттеулер қызметінің мәліметтері бойынша, 2023 жылы ұқсас технологияларды қолданғанын хабарлаған 13% шағын фермалармен салыстырғанда айтарлықтай айырмашылық.

Неліктен ірі фермалар дәл ауыл шаруашылығын қабылдауға бейім?

Дәл егіншілік дегеніміз - егіншілік тәжірибелерін оңтайландыру және өнімділікті барынша арттыру үшін озық технологияларды пайдалану. Ірі шаруашылықтар үшін бұл технологиялардың пайдасы айтарлықтай.

Егін өнімділігін арттыруға, пайдалану шығындарын азайтуға және ауа райының болжанбайтын өзгерістері мен нарықтың ауытқуларын басқаруға баса назар аудара отырып, ірі шаруашылықтардың технологияға инвестиция салу үшін көбірек қаржылық ресурстары бар. Бұл оларға өнімділікті бақылау, автоматты басқару жүйелері және автоматтандырылған жабдықтар сияқты айтарлықтай алдын ала шығындарды қажет ететін құралдарды қабылдауды жеңілдетеді.

АҚШ Ауыл шаруашылығы министрлігінің сауалнамасына сәйкес, технологияны енгізудегі айырмашылық айқын көрінеді. Ірі шаруашылықтардың 68%-і өнімділік мониторлары мен топырақ карталары сияқты шешім қабылдауды қолдау технологияларын пайдаланса, шағын шаруашылықтардың тек 13%-і ғана бұл құралдарды пайдаланды.

Есепте ірі операциялардың мұндай технологияларға инвестиция салуға қаржылық мүмкіндігі ғана емес, сонымен қатар оларды енгізуден көбірек пайда көре алатыны атап өтілген. Дәл ауыл шаруашылығы технологиялары, әсіресе автоматтандыруға және деректерге негізделген шешім қабылдауға бағытталған технологиялар, жоғары тиімділікке, ресурстарды басқаруды жақсартуға және сайып келгенде жоғары пайда маржасына әкелуі мүмкін.

Дәл ауыл шаруашылығын енгізуге ықпал ететін негізгі технологиялар

Қолжетімді әртүрлі дәл ауыл шаруашылығы құралдарының ішінде бірнешеуі ірі фермаларда кеңінен қолданылуымен ерекшеленеді:

  1. Өнімділік мониторларыБұл құрылғылар жиналған дақылдардың саны мен сапасын өлшейді. Нақты уақыт режиміндегі деректерді ұсыну арқылы өнімділік мониторлары фермерлерге егістіктің өзгергіштігін бағалауға және дақылдарды басқару мен ресурстарды бөлу бойынша хабардар шешімдер қабылдауға мүмкіндік береді.
  2. Бағыттаушы автоматты рульдік жүйелерБұл жүйелер тракторлар мен комбайндар сияқты ірі ауылшаруашылық техникасының ажырамас бөлігі болып табылады. Автоматты руль жабдықты басқару үшін GPS технологиясын пайдаланады, бұл адами қателіктерді азайтады және отырғызу, тыңайтқыштар себу және жинау сияқты операциялардың дәлдігін оңтайландырады. USDA есебіне сәйкес, ірі фермалардың 70%-і автоматты рульдік жүйелерді пайдаланған, ал шағын фермалардың 9%-і ғана автоматты рульдік жүйелерді пайдаланған.
  3. Топырақ карталары және деректерді талдауТопырақ картасын жасау технологиясы фермадағы топырақ жағдайлары туралы егжей-тегжейлі ақпарат береді, бұл фермерлерге суару, тыңайтқыштар беру және отырғызу туралы дәл шешім қабылдауға мүмкіндік береді. Топырақ құрамы мен ылғал деңгейінің өзгергіштігін түсіну арқылы ірі фермерлер өнімділікті арттырып, шығындарды азайта алады.

Технологияны енгізуге әсер ететін факторлар

АҚШ Ауыл шаруашылығы министрлігінің есебінде дәл ауыл шаруашылығын енгізуге әсер ететін бірнеше факторлар атап өтілген, олардың ішіндегі ең маңыздысы - фермалардың көлемі мен қаржылық ресурстар. Кірістері жоғары және ұзақ мерзімді инвестициялар салу мүмкіндігі бар ірі фермалар айтарлықтай бастапқы капиталды қажет ететін технологияларды енгізуге бейім.

Екінші жағынан, шағын операциялар, әсіресе жылына $150,000-нан аз өнім шығаратындар, шектеулі бюджеттер мен төмен пайда маржасына байланысты бастапқы инвестицияларды ақтауда қиындықтарға тап болады.

Қаржылық шектеулерден басқа, шаруашылықтың сипаты да технологияны енгізуде рөл атқарады. Зейнеткерлік шаруашылықтар немесе зейнеткерлікке жақындаған фермерлер басқаратын шаруашылықтар көбінесе жаңа технологияларға инвестиция салуға бейім емес, себебі олардың ауыл шаруашылығы бизнесіне ұзақ мерзімді қатысуы белгісіз болуы мүмкін.

Бұл операциялар үшін дәл ауыл шаруашылығының пайдасы шығындардан асып түспеуі мүмкін, әсіресе фермер жақын арада белсенді егіншіліктен бас тартуды жоспарласа.

Кеңінен асырап алу үшін күрес

Дәл ауыл шаруашылығы технологиялары айқын артықшылықтар бергенімен, олардың кеңінен қолданылуы күтілгеннен баяу болды. Ірі фермаларда өнімділікті бақылау және автоматты басқару жүйелері сияқты құралдардың қолданылуының артуына қарамастан, кейбір технологиялар әлі де фермалардың көлемінде айтарлықтай танымал бола алмады. Мысалы, дрондар, киілетін малды бақылау құрылғылары және роботты сауыншылар тіпті ірі фермаларда да жеткіліксіз пайдаланылуда.

Дәнді дақылдарды бақылау және егістік талдау үшін перспективалы құрал ретінде жиі қарастырылатын дрондарды пайдалану туралы 2023 жылы ірі көлемді отбасылық фермалардың тек 12%-ы хабарлады. Робот-сауытшылар және малға арналған киілетін құрылғылар сияқты басқа да жоғары технологиялық құралдарды да енгізу деңгейі төмен болды, фермерлер құнына, күрделілігіне немесе белгісіз пайдасына байланысты бұл технологияларды қабылдаудан тартынды.

Жабдық өндірушілерінің рөлі

Дәл ауыл шаруашылығына деген сұраныс өсе берген сайын, ауыл шаруашылығы техникасын өндірушілер озық технологияларға инвестицияларын арттыруда. Компаниялар шағын өндіріс орындары бар фермерлерді қоса алғанда, кең ауқымды фермерлердің қажеттіліктерін қанағаттандыру үшін қолжетімді және қолжетімді шешімдерді әзірлеуде.

Дегенмен, осы күш-жігерге қарамастан, нарық әлі де күрделі болып қала береді, көптеген фермерлер қиын ауыл шаруашылығы экономикасы жағдайында жаңа технологияларды енгізуден әлі де тартыншақтайды.

Өндірушілер сонымен қатар тракторлардың, комбайндардың және басқа да ауыл шаруашылығы техникасының өнімділігін оңтайландыруға көмектесетін автоматтандырылған жүйелерді жасауға назар аударуда. Бұл инновациялар фермерлерге еңбек шығындарын азайтуға және өнімділікті арттыруға көмектесуге бағытталған, бұл дәл ауыл шаруашылығы технологияларының барлық көлемдегі фермерлер үшін тартымды болуын қамтамасыз етеді.

Қорытынды

Дәл ауыл шаруашылығы технологиялары фермерлерге, әсіресе ірі көлемді операцияларды басқаратындарға айтарлықтай пайда әкеледі. Өнімділік мониторлары, автоматты басқару жүйелері және топырақ карталары сияқты құралдардың көмегімен ірі шаруашылықтар өнімділігін оңтайландыра алады, шығындарды азайта алады және тұрақсыз нарықтар мен болжанбайтын ауа райы тудыратын қиындықтарды жеңе алады. Дегенмен, бұл технологиялардың жоғары бастапқы шығындары шағын шаруашылықтардың, әсіресе қаржылық ресурстары шектеулі шаруашылықтардың, қабылдауына кедергі келтіруде.

Ауыл шаруашылығы саласы дамып келе жатқандықтан, дәл ауыл шаруашылығын пайдалану одан әрі кеңейе түсуі мүмкін. Шағын фермерлер үшін бұл технологиялардың барлығына қолжетімді болуын қамтамасыз ету үшін қолжетімді және қолжетімді шешімдерді әзірлеу маңызды болады. Ауыл шаруашылығының болашағы, фермерлерге өз операцияларында ақылды, деректерге негізделген шешімдер қабылдауға мүмкіндік беретін цифрлық құралдармен барған сайын қалыптасатын сияқты.

Дәлдігі жоғары ауыл шаруашылығының эволюциясы: Өткен болашақты қалай қалыптастырады

-де жарияланды Muhammad Farjad арқылы

Технологияны, деректерді және озық әдіснамаларды біріктіретін егіншілікке инновациялық тәсіл болып табылатын дәлме-дәл ауыл шаруашылығы (Precision Ag) ауыл шаруашылығы ландшафтын түбегейлі өзгертті.

GPS нұсқаулығы, дрондар, сенсорлар және деректерді талдау сияқты құралдарды пайдалану арқылы фермерлер тиімділікті барынша арттыра алады, қалдықтарды азайта алады және өнімділікті оңтайландыра алады. Дегенмен, бұл революциялық сала оқшау пайда болған жоқ. Оның эволюциясы ғасырлар бойы қалыптасқан ауыл шаруашылығы тәжірибелеріне терең тамыр жайған, бұл өткеннің болашаққа деген алғышарт ретінде қызмет ететінін көрсетеді.

Өткенге шолу: Дәл егіншіліктің негіздері

Ауыл шаруашылығы әрқашан инновация саласы болды. Заманауи технология пайда болғанға дейін фермерлер өнімділікті арттыру үшін мұқият бақылауға, тәжірибеге және сынақтар мен қателіктерге сүйенді.

Ауыспалы егіс, суару және селекциялық селекция сияқты тәжірибелер дәл егіншіліктің алғашқы түрлерін көрсетеді. Бұл әдістер, бүгінгі стандарттар бойынша қарапайым болғанымен, заманауи ауыл шаруашылығы стратегияларының негізін қалады.

18 және 19 ғасырлардағы өнеркәсіптік революция маңызды бетбұрыс кезеңін белгіледі. Соқалар, тұқым себу машиналары және астық бастыру машиналары сияқты механикаландырылған жабдықтар тиімділікті арттырып, фермерлерге үлкен жер учаскелерін басқаруға мүмкіндік берді.

Бұл кезеңде химиялық тыңайтқыштар мен пестицидтердің пайда болуы да дақылдардың өнімділігін одан әрі арттырды. Бұл инновациялар 20 және 21 ғасырларда пайда болатын дәлдікке негізделген технологияларға негіз қалады.

Қазіргі заманғы дәл ауыл шаруашылығының пайда болуы

Бүгінгі таңда біз білетін дәл ауыл шаруашылығы тұжырымдамасы 20 ғасырдың соңында спутниктік технология, есептеу қуаты және географиялық ақпараттық жүйелер (ГАЖ) саласындағы жетістіктермен қалыптаса бастады. Бұл кезеңдегі негізгі кезеңдер:

  1. GPS технологиясы (1990 жылдар): GPS жүйелерінің енгізілуі техниканы дәл бағыттауға мүмкіндік беру арқылы егіншілікте төңкеріс жасады. Фермерлер енді егіс отырғызу, тыңайтқыштар себу және жинау үлгілерін оңтайландыра алады, бұл қайталануды азайтып, ресурстардың ысырап болуын азайтады.
  2. Өнімділікті бақылау (1990 жылдар): Комбайндарға орнатылған өнімділік мониторлары егін өнімділігі туралы егжей-тегжейлі деректер беріп, фермерлерге өз егістіктеріндегі жоғары және төмен өнімділік алқаптарын анықтауға көмектесті.
  3. Қашықтықтан зондтау (2000 жылдар): Спутниктік суреттер мен дрондарды пайдалану фермерлерге егіннің денсаулығын, топырақ жағдайын және суды пайдалануды бұрын-соңды болмаған дәлдікпен бақылауға мүмкіндік берді.
  4. Айнымалы жылдамдық технологиясы (VRT): VRT фермерлерге тұқым, тыңайтқыш және пестицидтер сияқты материалдарды әртүрлі аймақтардың нақты қажеттіліктеріне бейімделген егістік алқаптарында әртүрлі мөлшерде қолдануға мүмкіндік берді.

Бұл инновациялар жалпыланған егіншілік тәжірибелерінен учаскеге тән басқаруға көшуді белгіледі, тиімділік пен тұрақтылықты айтарлықтай арттырды.

Қазіргі жағдай: Precision Ag компаниясының бүгінгі жағдайы

ХХІ ғасырда дәл ауыл шаруашылығы қазіргі заманғы егіншіліктің негізіне айналды. Бүгінгі технологиялар озық сенсорларды, машиналық оқыту алгоритмдерін және нақты уақыт режиміндегі деректерді талдауды қамтиды. Қазіргі ландшафтты қалыптастыратын негізгі үрдістерге мыналар жатады:

  • Үлкен деректер және жасанды интеллект: Фермерлер қазір өз егістіктерінен топырақ құрамы, ауа райының ерекшеліктері және дақылдардың өнімділігі сияқты үлкен көлемде деректер жинайды. Жасанды интеллект бұл деректерді өңдеп, іс жүзінде қолдануға болатын түсініктер жасайды.
  • Заттар интернеті (IoT): Ақылды сенсорлар мен IoT құрылғылары далалық жағдайларды үздіксіз бақылауға мүмкіндік береді, бұл нақты уақыт режимінде шешім қабылдауға мүмкіндік береді.
  • Автономды машина жасау: Өздігінен жүретін тракторлар мен роботты комбайндар дәлдік пен тиімділікті арттыра отырып, еңбек шығындарын азайтады.
  • Тұрақтылыққа баса назар аудару: Дәл ауыл шаруашылығы ресурстарды пайдалануды азайту, қоршаған ортаға әсерді азайту және топырақтағы көміртектің жиналуын жақсарту арқылы тұрақтылыққа баса назар аударудың артуымен үйлеседі.

Дәл ауыл шаруашылығының болашағы

Болашаққа көз жүгіртсек, жаңа технологиялар саланы қайта құрған сайын дәл ауыл шаруашылығы одан әрі дамуы мүмкін. Ең перспективалы әзірлемелердің кейбіріне мыналар жатады:

  • Гендерді редакциялау: CRISPR сияқты құралдар жергілікті топырақ пен климат жағдайларына оңтайландырылған қасиеттері бар, дәл егіншілік үшін арнайы жасалған дақылдарды жасауға мүмкіндік береді.
  • Болжамдық аналитика: Жасанды интеллект пен машиналық оқытудағы жетістіктер болжамдық модельдердің дәлдігін арттырады, фермерлерге зиянкестердің өршуі немесе ауа райының ауытқулары сияқты қиындықтарды болжауға көмектеседі.
  • Блокчейн технологиясы: Блокчейн ауылшаруашылық жеткізу тізбектеріндегі ашықтық пен бақылауды арттыра алады, этикалық көздер мен әділ баға белгілеуді қамтамасыз етеді.
  • Кеңейтілген байланыс: 5G желілерін енгізу арқылы ауылдық жерлер жоғары жылдамдықты интернетке қол жеткізеді, бұл одан да күрделі дәлдіктегі ауыл шаруашылығы технологияларын пайдалануға мүмкіндік береді.

Пролог ретінде өткен: тарихтан сабақ алу

Дәл ауыл шаруашылығының тарихы маңызды сабақты көрсетеді: инновация өткеннің іргетасына негізделеді. Ертедегі ауыл шаруашылығы тәжірибелері бізге бақылау мен бейімделудің маңыздылығын үйретті. Механикаландыру дәуірі тиімділік пен масштабталудың құндылығын көрсетті. Бүгінгі дәл ауыл шаруашылығы өсіп келе жатқан жаһандық халықты тамақтандыру қиындықтарын шешу үшін осы сабақтарды озық технологиялармен біріктіреді.

Дәл ауыл шаруашылығының тарихи мәнмәтінін түсініп, бағалау арқылы біз оның болашағын жақсырақ бағдарлай аламыз. Өткен тек бағыт-бағдар ғана емес, сонымен қатар прогрестің бізден бұрынғылардың тапқырлығы мен төзімділігіне негізделген үздіксіз сапар екенін еске салады.

Қорытынды

Дәл ауыл шаруашылығы адамзат инновациясының күші мен тарихтың мәңгілік өзектілігінің дәлелі болып табылады. Жаңа жетістіктердің табалдырығында тұрған кезде, ертеңгі жетістіктер бүгінгі түсініктер мен өткеннің сабақтарымен қалыптасатынын мойындау маңызды. Осы сабақтастықты қабылдау арқылы біз дәл ауыл шаруашылығының дамуын жалғастырып, фермерлер мен планета үшін тұрақты және гүлденген болашақты қамтамасыз ете аламыз.

Тұрақты ауыл шаруашылығында 5G-мен қамтамасыз етілген нақты уақыттағы оқыту: қант қызылшасына арналған зерттеу

-де жарияланды Muhammad Farjad арқылы

Солтүстік Рейн-Вестфалия штатының Экономикалық істер, өнеркәсіп, климаттық іс-қимыл және энергетика министрлігінің ішінара қаржыландыруымен қолдау тапқан “Тұрақты ауыл шаруашылығында нақты уақыт режимінде оқуға мүмкіндік беретін 5G желілері” жобасының сәтті аяқталғанын хабарлауға қуаныштымыз.

Бұл бастама ауыл шаруашылығындағы 5G технологиясының трансформациялық әлеуетін зерттеудегі маңызды қадам болып табылады, атап айтқанда, қант қызылшасын өсірудің экологиялық, экономикалық және тұрақты аспектілерін жақсартуға бағытталған.

Ол 5G-дің төмен кідірісін пайдаланып, озық ақпараттық технологиялар жүйелерін нақты уақыт режимінде біріктірді, бұл алдын ала белгіленген уақыт аралығында сенсорлар мен позициялық деректерге жедел жауап беруге мүмкіндік берді.

Hochschule Hamm-Lippstadt (HSHL) жоба тұсаукесерінің соңғы іс-шарасынан сурет
Hochschule Hamm-Lippstadt (HSHL) жоба тұсаукесерінің соңғы іс-шарасынан сурет

Жобаға бағдарлану және серіктестік

HSHL серіктестерімен бірлесіп және Pfeifer & Langen қолдауымен жоба серіктестерге тиесілі егістіктерде қант қызылшасын өсірудің бүкіл өмірлік циклін зерттеуге бағытталған. Оның мақсаты 5G-нің Солтүстік Рейн-Вестфалияның ауылшаруашылық секторында негізгі технологиялық катализатор ретінде қалай қызмет ете алатынын көрсету, инновация мен тиімділікті арттыру әлеуетін көрсету болды.

GeoPard ауыл шаруашылығының рөлі

GeoPard Agriculture жобаның негізгі аспектілерін, соның ішінде өсімдіктерді анықтау, бақылау және өндірісті болжау сценарийлерін анықтауда және енгізуде маңызды рөл атқарды. Біз 5G ауылшаруашылық ортасына бейімделген жасанды интеллект жүйесінің прототипін әзірледік, бұлттық инфрақұрылымда модельдерді орындадық және бұлтқа негізделген модельдермен нақты уақыт режимінде өзара әрекеттесуге арналған мобильді қосымша жасадық.

Технологиялық интеграция

Жасанды интеллект (ЖИ) әдістері жоғары есептеу мүмкіндіктері бар берік бұлттық инфрақұрылым арқылы енгізілді. ЖИ алгоритмдері өсімдіктерді әрбір қиылысу кезінде нақты уақыт режимінде жіктеді және олардың өсуін бүкіл өмірлік циклі бойы бақылады, бұл тек деректер жинау мақсатында қажетсіз далалық сапарлардың қажеттілігін болдырмады.

Бұл жетістік тыңайтқыштар мен дақылдарды қорғау құралдарын дәл қолдануға, машиналық оқыту алгоритмдері арқылы кесу кезінде қолдану жылдамдығын динамикалық түрде реттеуге мүмкіндік берді.

Пилотсыз көліктерді орналастыру

Сонымен қатар, жоба өсімдіктерді бақылау және деректер жинау үшін пилотсыз көліктерді орналастыру үшін 5G технологиясының кідірісін азайтты. Бұл көліктер нақты уақыт режимінде ақпарат жинауда және ауыл шаруашылығы тәжірибелерін одан әрі оңтайландыруда маңызды рөл атқарды.

Жоба нәтижелері: 5G технологиясын қолдана отырып, қант қызылшасы өндірісін арттыру

Жоба қант қызылшасын өсірудің бүкіл өмірлік циклін талдай отырып, 5G технологиясының Солтүстік Рейн-Вестфалияның ауылшаруашылық секторында трансформациялық мүмкіндік ретінде қызмет ете алатынын көрсетті, 5G технологиясы арқылы қол жеткізілген айтарлықтай жақсартуларды атап өтті. Дегенмен, жоба нәтижелерін тиімді көрсету үшін зерттеушілер әртүрлі сценарийлер мен инфрақұрылымдарды қамтитын жұмыс пакеттерін пайдаланды.

Қант қызылшасын сынау алаңы
Қант қызылшасын сынау алаңы

Қолданыстағы геодеректер мен машиналық оқыту инфрақұрылымын ескере отырып, сценарийді анықтау

Жоба қант қызылшасын өндіру цикліндегі дәстүрлі процестерді 5G технологиясын интеграциялау арқылы қалай жақсартуға болатынын көрсетті. Негізгі мақсаттарға мыналар кірді:

  • Өсімдіктерді тану, бақылау және өндірісті болжау үшін іске асыруға дайын сценарийлер әзірленді.
  • Бұл сценарийлерді сәтті орналастыру үшін қажетті техникалық талаптар белгіленді.
  • 5G желісінің қосымша құндылығын бағалау үшін тиісті экологиялық және экономикалық көрсеткіштерді анықтап, бағалады.

Бұл кезең жобаның заманауи технологияларды қолданыстағы ауылшаруашылық тәжірибелерімен біріктіруге деген міндеттемесін атап өтті. Бұл архитектура шеткі құрылғылар мен бұлт арасында нақты уақыт режимінде деректерді жинау мен өңдеуді жеңілдету үшін 5G желісінің жоғары жылдамдықты қосылымын пайдаланды. Бұлттық инфрақұрылым ауқымды жасанды интеллект модельдерін оқыту және орналастыру үшін маңызды ресурстарды қамтамасыз етті, ал жасанды интеллект платформасы модельдерді әзірлеу және орналастыру үшін сенімді құралдарды ұсынды. Қолданбалы қабат соңғы пайдаланушыларға жасанды интеллект модельдерінен алынған іс жүзінде қолданылатын түсініктерді ұсынды, бұл шешім қабылдау мүмкіндіктерін арттырды.

5G контексіндегі машиналық оқыту және жасанды интеллект

Бұл бөлімнің басты мақсаты - машиналық оқыту мен жасанды интеллект жүйелерін жоғарыда сипатталған сценарийлерге сәйкестендіру, оларды тиісінше оңтайландыру болды. Негізгі мақсаттарға мыналар кірді:

  • Жүйенің мақсаттарын анықтаңыз және жүйенің архитектурасын жасаңыз
  • Жасанды интеллект модельдерін оқыту және тексеру үшін негізгі шындық деректері жиналды.
  • Өсімдіктерді анықтау және бақылау үшін арнайы жасалған тиісті дерекқор құрылды және аннотацияланды.
  • 5G желілік инфрақұрылымына интеграцияланған жасанды интеллект модельдері үздіксіз енгізілді.

Бұл кезеңде 5G технологиясын пайдаланатын ұялы телефон SIM карталарымен жабдықталған шеткі құрылғылар маңызды рөл атқарды. Кідіріс немесе толық (E2E) кідіріс сияқты негізгі өнімділік көрсеткіштері (KPI) мұқият бақыланды. Өлшеулерге алынған деректер пакеттерінің сенімділігі мен қолжетімділігін дәл бағалау, сондай-ақ пайдаланушы деректерінің жылдамдығы мен ең жоғары деректер жылдамдығын талдау кірді.

Сонымен қатар, болжамдар Transmission Control Protocol (TCP) арқылы берілетін MP4 форматындағы UHD ажыратымдылықтағы бейнені ағынмен таратуға негізделген. Зерттелген әлеуетті шешімдерге үздіксіз бейне ағындарының орнына жеке кескіндермен оңтайландыру, базалық оңтайландыруларды тікелей шеткі құрылғыларда орындау және тиімділікті арттыру үшін модельді кванттау әдістерін енгізу кірді.

Бұлттық инфрақұрылым және AWS қызметтері

Жоба жасанды интеллект модельдерін оқыту және орналастыру үшін қажетті ресурстарды қамтамасыз етуде маңызды рөл атқарған Lambda, SageMaker, S3, CloudWatch және RDS сияқты AWS қызметтерін пайдаланатын бұлттық инфрақұрылымға қатты сүйенді.

AWS Lambda тиімді инстанцияларды басқару және қолданбаларға қызмет көрсету үшін пайдаланылды, ал AWS SageMaker сенімді машиналық оқыту құбырларын құруға ықпал етті. S3, CloudWatch және RDS сияқты сақтау шешімдері машиналық оқыту модельдері мен нейрондық желілердің жұмысы үшін маңызды деректер жиынтығы мен журналдарды сақтау үшін өте маңызды болды.

AWS бұлттық инфрақұрылымы
AWS бұлттық инфрақұрылымы

Осылайша, бұл инфрақұрылым 5G желісі арқылы қосылған нақты уақыт режиміндегі деректерді өңдеу мүмкіндіктерін қолдады.

5G желісінің кідірісі

5G желілері әдетте 1-ден 10 миллисекундқа дейінгі ультра төмен кідіріске қол жеткізу үшін жасалған. Бұл кідіріс деректердің 5G желісі арқылы мобильді құрылғылар мен AWS серверлері арасында тасымалдануына кететін уақытты көрсетті. Жоғары өнімді процессорлары бар смартфондарда фотосуреттерді түсіру және өңдеу жылдамдығы сияқты құрылғыға тән өңдеу мүмкіндіктері де кідіріске әсер етті.

5G желісіндегі деректерді жүктеу жылдамдығы және фотосуреттің өлшемі AWS-ке деректерді беру уақытына әсер етті. AWS нейрондық желіге негізделген анықтау және сегменттеу сияқты тапсырмаларды өңдеу уақытымен кідіріске ықпал етті, бұл алгоритмнің күрделілігі мен AWS қызметінің тиімділігіне байланысты өзгеріп отырды. Өңдеуден кейін нәтижелер мобильді құрылғыларға қайта жүктелді, бұл 5G жүктеу жылдамдығына және нәтиже деректерінің өлшеміне байланысты болды.

Жасанды интеллект көмегімен өсімдіктерді тану

Өсімдіктерді тану саласында жасанды интеллект басқаратын процестер нейрондық желілерге негізделген алгоритмдерді оқыту үшін өсімдік кескіндерінің кешенді дерекқорын жасауды қамтыды. Бұл алгоритмдер қант қызылшасының түрлерін басқа өсімдіктерден ажыратуға үйретілді, бұл үшін жапырақ пішіндері, гүл түстері және т.б. сияқты өсімдік түріне тән белгілерді тану қажет болды.

Қант қызылшасы өсімдіктерінің фенологиялық дамуы
Қант қызылшасы өсімдіктерінің фенологиялық дамуы. Дереккөз: https://www.mdpi.com/2073-4395/11/7/1277

Мұнда өсімдіктерді тану деп арамшөптерді анықтау және қант қызылшасы өсімдіктерін сегменттеу міндетін айтамыз.

  • Арамшөптерді анықтау

Арамшөптерді анықтау үшін жобада MobileNet-v3 қолданылды, ол деректерді кеңейту және салмақталған іріктеу арқылы оқытылды. Бұл модель 0,984 дәлдікке және 0,998 AUC-ке қол жеткізді.

  • Қант қызылшасын сегменттеу

Сегменттеу тапсырмалары үшін YOLACT, ResNeSt, SOLO және U-net сияқты модельдер суреттердегі қант қызылшасының жеке үлгілерін дәл анықтау үшін пайдаланылды. Содан кейін ең тиімді модель әртүрлі критерийлерге негізделіп таңдалды: жылдамдық, қорытынды уақыты және т.б. Сегменттеу деректері дронмен түсірілген RGB кескіндерінен алынды, олардың өлшемдері оқыту және тексеру мақсаттары үшін өзгертіліп, аннотацияланды.

Сегменттеу міндеттері өсімдік шекараларын дәл көрсететін маскалар жасауды қамтыды. Бұл әдіс тиімділікті оңтайландыру кезінде адамның аннотациялау күш-жігерін азайтты. Күрделі үлгілерді таңбалауға басымдық беру арқылы модельдің өнімділігі айтарлықтай жақсарды. Итерациялық қайта даярлау және белгісіздік іріктеу стратегиялары тиімді болып шықты, әртүрлі өсу кезеңдерінде сегменттеу дәлдігінің көрсеткіштері 98%-ден асып түсті.

Сегментацияның кіріс-шығысының мысалы
Сегментацияның кіріс-шығысының мысалы
  • Модельді бағалау

Модель деректерді мұқият толықтыру арқылы оқытылды. Модель әртүрлі көрсеткіштерді, соның ішінде Бірлестік үстіндегі қиылысуды (IoU) пайдаланып бағаланды. Құрылған модель үшін ‘plant seeds v2’ деректер жиынтығынан алынған ішкі жиынтықта жүргізілген қорытынды талдау 81% дәлдігін көрсетті. 7 секундтық инициализация кезеңінен кейін қорытынды уақытын есептеу үшін шамамен 320 миллисекунд қажет болды, бұл сессияға бір рет қана қажет.

Жасанды интеллект (ЖИ) арқылы өсімдіктерді бақылауда камералар мен сенсорлар машиналық оқыту және ЖИ алгоритмдері арқылы талданатын маңызды өсімдік деректерін жазып алды. Бұл талдау өсімдіктердің денсаулығын бағалауда, стрессті, ауруларды немесе өсуге әсер ететін басқа факторларды анықтауда маңызды рөл атқарды.

Қолдану салалары ауыл шаруашылығы өнімділігін оңтайландырудан бастап, ормандар сияқты табиғи экожүйелерді бақылауға, табиғатты қорғау жұмыстарына көмектесуге және қоршаған ортаға әсерді түсінуді жақсартуға дейін кеңейе түсті.

Өсімдіктерді бақылаудағы нысандарды анықтау

Қант қызылшасы өсімдіктерін сегменттеуден кейінгі келесі кезең - әрбір өсімдіктің денсаулығы, өсуі және басқа да факторлар тұрғысынан ерекшеліктерін түсінуге бағытталған нысанды анықтау. Өсімдіктерді бақылауда нысанды анықтау үшін YOLOv4, MobileNetV2 және VGG-19 сияқты назар аудару механизмдері бар озық модельдер қолданылды. Бұл модельдер қант қызылшасының сегменттелген кескіндерін талдап, нақты стресстік және ауру аймақтарын анықтады, бұл дәл және мақсатты араласуларға мүмкіндік берді.

Жоба ауруларды анықтауда маңызды жетістіктерге жетті, ResNet-18 және ResNet-34 модельдерін ImageNet-те алдын ала оқытты. Бұл модельдер қант қызылшасы өсімдіктеріне әсер ететін ауруларды анықтауда 0,88 дәлдікпен, ROC қисығы астындағы аудан (AUC) 0,898-мен тамаша дәлдік көрсетті. Модельдер ауру және сау өсімдіктерді дәл ажырата отырып, жоғары болжам сенімділігін көрсетті.

Объектіні анықтаудың кіріс-шығысының мысалы
Объектіні анықтаудың кіріс-шығысының мысалы

Жобада ауруларды анықтауға жүйелі тәсіл қолданылды, кескіндерді стандартталған патчтарға бөлді. Бұл патчтар аурулардан зардап шеккен аймақтарды анықтау үшін интерактивті құралдарды пайдаланып мұқият аннотациядан өтті. Нысандарды анықтау өсімдіктердің айналасындағы шекаралық қораптарды белгілеу арқылы дәлдікті одан әрі арттырды, бұл өсімдіктердің денсаулығын дәл бақылауды жеңілдетті.

Өсімдік өндірісін болжау

Өсімдік өнімдерін болжау саласында жасанды интеллект модельдері дақылдардың өнімділігін болжау үшін ауа райы жағдайлары мен топырақ параметрлері сияқты қоршаған орта деректерін пайдаланды. Оқшауланған орман, сызықтық регрессия және жота регрессиясы сияқты регрессиялық модельдер қолданылды.

Бұл модельдер тыңайтқыштарды қолдануды оңтайландыру үшін шекаралық қорап аймақтарынан алынған сандық ерекшеліктерді топырақ деректерімен бірге біріктірді.

Қант қызылшасы сынақ алаңында
Қант қызылшасы сынақ алаңында

Модельді орналастыру мәселелері

Әзірленген модельдерді орналастыру стратегиялары шеткі құрылғылар үшін де, бұлттық платформалар үшін де бағаланды. Модельдерді шеткі құрылғыларға орналастыру шығындардың азаюы және кідірістің төмендеуі сияқты артықшылықтарды ұсынды.

Дегенмен, бұл тәсіл аппараттық шектеулерге байланысты ықтимал дәлдіктен айырбасталуы мүмкін. Екінші жағынан, бұлтты орналастыру жоғары өнімді GPU-ларды пайдалану арқылы жылдамырақ қорытынды жасау уақытын ұсынды, бірақ қосымша шығындарға әкелуі мүмкін және интернетке қосылуға тәуелді болды, бұл байланыс кідірісін тудыруы мүмкін.

5G желісімен салыстырмалы талдау

Салыстырмалы талдау 5G желісін пайдалану дәстүрлі 4G/WiFi қондырғыларымен салыстырғанда қант қызылшасының сегментациясын айтарлықтай жақсартқанын көрсетті. Бұл жақсару орташа орнату мен желі уақытының азаюымен дәлелденді, бұл 5G технологиясы арқылы қол жеткізілген тиімділіктің артуын атап өтті.

  • Деректерді дайындау процесі

Деректерді дайындау процесі сау және ауру өсімдіктердің деректер жиынтығын жинауды, арамшөптерді анықтауды, өсу кезеңдерін анықтауды және 4K шикі бейнеден кескіндерді алуды қамтыды. Деректерді талдауға дайындау үшін гистограмманы теңестіру, кескіндерді сүзу және HSV түс кеңістігін түрлендіру сияқты әдістер қолданылды.

Қант қызылшасының сау жапырақтарының және сұр жапырақты дақтары бар жүгері жапырақтары сияқты ауру үлгілерінің үлгілері жиналды. Ауру белгілерін алу үшін жапырақты фондан бөлу, өлшемін өзгерту, түрлендіру және талдау үшін шынайы үлгілер жасау мақсатында кескіндерді біріктіру қажет болды.

Сегментацияға арналған аннотация процесі
Сегментацияға арналған аннотация процесі
  • Белсенді оқыту циклі

Белсенді оқыту циклі анықтау модельдерін оқыту үшін пайдаланылған белгіленбеген деректермен басталды. Бұл модельдер адам аннотаторларымен өңделген аннотация сұрауларын тудырды, итеративті оқыту және аннотация циклдары арқылы модельдің дәлдігін үнемі жетілдіріп отырды.

  • Мультимодальды іргетас моделі арқылы деректерді аннотациялау

Белгіленген деректердің шектеулілігін шешу үшін жоба негізгі шындық аннотацияларын жасау үшін сенімді іргетас модельдерін пайдаланды. Атап айтқанда, OpenAI әзірлеген, 400 миллионнан астам кескін-мәтін жұптарынан тұратын кең деректер жиынтығында оқытылған трансформаторға негізделген модель CLIP маңызды рөл атқарды.

Vision Transformers жүйесін негізі ретінде пайдалана отырып, CLIP валидация жинақтарында 95% дәлдігіне қол жеткізді, кескіндерді қант қызылшасы мен арамшөп сияқты әртүрлі кластарға жоғары дәлдікпен шебер жіктеді.

  • Деректерді жинауға арналған дрон технологиясы

Жобада қолданылған маңызды технологиялардың бірі 4K бейне түсіретін RGB камераларымен жабдықталған дрондарды пайдалану болды. Бұл дрондар талдау үшін егжей-тегжейлі кескіндерді (3840 × 2160 ажыратымдылық) берді.

Бұл кескіндерді алдын ала өңдеу модельдің дәлдігін айтарлықтай арттырды, VGGNet (+38.52%), ResNet50 (+21.14%), DenseNet121 (+7.53%) және MobileNet (+6.6%) сияқты модельдерде айтарлықтай жақсартулар байқалды.

Кескін контрастын жақсарту үшін гистограмманы теңестіру сияқты әдістер қолданылды, ал HSV түс кеңістігіне түрлендіру өсімдік аймақтарын ерекшелеп, тиісті ерекшеліктерді ерекшелеуге көмектесті.

  • Синтетикалық деректерді генерациялау

Кескін деректерінің шектеулілігін шешу үшін машиналық оқыту және жасанды интеллект арқылы синтетикалық деректер жиынтығы жасалды. Деректер жинау RGB камераларын пайдалана отырып, 1 м-ден 4 м-ге дейінгі биіктікте және 2 м/с немесе одан да көп жылдамдықта ұшатын дрондарды пайдалану арқылы жүзеге асырылды.

Эмуляция ортасы
Эмуляция ортасы

Деректерді жинау үшін тракторлар сияқты басқа көліктер де пайдаланылды. Бұл синтетикалық деректерді генерациялау қант қызылшасы ауруларын анықтау үшін әсіресе пайдалы болып шықты.

Қорытынды

“Тұрақты ауыл шаруашылығында нақты уақыт режимінде оқытуға мүмкіндік беретін 5G желілері” жобасы 5G технологиясының қант қызылшасын өсірудің экологиялық, экономикалық және тұрақты аспектілерін қалай жақсарта алатынын сәтті көрсетті. HSHL және Pfeifer & Langen компанияларымен ынтымақтастық арқылы жоба нақты уақыт режимінде деректерді жинауды және жасанды интеллектке негізделген талдауды біріктірді, тиімділікті арттырды және қажетсіз далалық сапарларды азайтты.

Арнайы 5G кампус желісі тыңайтқыштар мен өсімдіктерді қорғау құралдарын дәл қолдануға мүмкіндік берді. Geopard Agriculture өсімдіктерді анықтау және бақылау сценарийлерін әзірлеуде, сондай-ақ 5G ауылшаруашылық ортасы үшін машиналық оқыту жүйесінің прототипін жасауда маңызды рөл атқарды. Жобаның табысы тұрақты егіншіліктегі озық технологиялардың маңыздылығын атап өтті, 5G-нің инновация мен тиімділікті арттыру әлеуетін атап өтті.

Дәл егіншілікке біртіндеп көшу

-де жарияланды Muhammad Farjad арқылы

1990 жылдардан бастап дәл ауыл шаруашылығы өсірушілерге өз дақылдары туралы егжей-тегжейлі ақпарат және сол деректерді тиімді пайдалану технологиясын ұсыну арқылы егіншілікті төңкеріске бағыттауға бағытталған.

Ауыл шаруашылығында дәлдікті арттыру үшін көптеген жетістіктерге қол жеткізілді. Заманауи тракторлар GPS арқылы өздерін басқара алады, ал фермерлер енді тұқым мен тыңайтқыштарды енгізу жылдамдығын реттей алады. Дақылдар генетикасы мен арамшөптерді басқаруда да жетістіктер байқалды.

“Біз әлі дамымаған жалғыз нәрсе - сенсор”, - деді Impossible Sensing негізін қалаушы Пабло Соброн. “Өсімдіктерде де, топырақта да, тамырларда да маңызды нәрселерді көру мүмкіндігі”.”

Соброн және оның Сент-Луистегі ғалымдар тобы қазір отырғызу машинасының артқы жағына орнатылатын сенсордың екінші прототипін жасап жатыр. Бұл сенсор фермерлерге егістік жерлерінен көлікпен өткен кезде қоректік заттардың деңгейі, топырақтың денсаулығы, су жағдайы және жеке өсімдіктерге әсер ететін басқа да факторлар туралы нақты уақыт режиміндегі ақпаратты көруге мүмкіндік береді.

“Біздің пікірімізше, ферманың қай жерлеріне тыңайтқыш көбірек немесе аз қажет екенін дәлірек білу фермерлерге дұрыс мөлшерде тыңайтқыш енгізуге көмектеседі”, - деді Соброн. “Мұндағы нақты құндылық пен қажеттілік - не істеу керектігін және қашан істеу керектігін түсіндіріп, түсініктер мен білім беру”.”

Бұл деректер фермерлерге тек пайдасын арттырып қана қоймай, сонымен қатар тыңайтқыштар мен химиялық заттарды шамадан тыс пайдалануды азайтатын және суаруды мақсатты ететін шешімдер қабылдауға көмектесуі керек.

Дегенмен, Соброн дәл ауыл шаруашылығындағы жетістіктер әлі егіншілікті толықтай өзгертпегенін мойындады.

“Бұл жарнамаланған жарнамаға сай келмейді”, - деді ол.

Лазер сияқты перспективалы құралдарды мыңдаған, тіпті миллиондаған гектар егіншілік алқаптарына енгізу үшін бірнеше жыл қажет болуы мүмкін.

“Тәжірибе жасау – тәуекел”, – дейді Иллинойс штатының Маршалл округіндегі фермер Билл Ли, ол ағасымен бірге шамамен 2200 акр жерге жүгері мен соя өсіреді. 1980 жылдардың басынан бастап Ли біртіндеп жабдықтарына дәлдік құралдарын қосып келеді, бұл оған тұқым отырғызуға және тыңайтқыштарды, гербицидтерді және фунгицидтерді тиімдірек қолдануға көмектесті.

Бірақ бұл өзгеріс баяу жүріп жатыр, деп түсіндірді ол.

“Бұл екі аяқпен секіру емес, бұл процесс”, - деді Ли. “Бұл тым қымбат және ұшу кезінде секіріп, соңында биіктікке секіруге арналған шұңқыр емес, бетон кесегі екенін түсіну тым көп тәуекелге ұшырайды”.”

Кейбір жағдайларда жаңа ауылшаруашылық технологиясы $100 000-нан астам шығын әкелуі мүмкін. Ли экономикалық кіріс көрсе, мұндай инвестициялар салуға дайын. Бұл қаржылық мәселе өте маңызды, себебі көптеген фермалар аз пайдамен жұмыс істейді.

BioSTL Agrifood директоры Чад Циммерманның айтуынша, жаңа технология мен оны қолданатын фермерлер арасында әлі де алшақтық бар, себебі көпшілігі өз егістіктерінің барлығында жаңа нәрсе сынап көруге шамасы келмейді.

“Біз олардан көбірек тәуекелге баруды, басқа біреудің мақсатына жету үшін пайдасын азайтуды сұрай алмаймыз”, - деді Циммерман.

Бұл компанияларға өздерінің дәл ауыл шаруашылығы технологияларының шынымен де нәтиже беретінін дәлелдеуге қысым жасайды. Айова штатының университетінің зерттеу паркінің директорының орынбасары Элисон Дойлдың айтуынша, көпшілік осыған байланысты жұмыс істеп жатыр.

“Ауыл шаруашылығы компанияларының көпшілігі дәстүрлі ауыл шаруашылығына қарағанда технологиялық салада көбірек жұмыс істейді”, - деді Дойл.

Дойлдың айтуынша, еңбек - маңызды фактор. Бүгінде ферма жұмысшылары бұрынғыға қарағанда аз, ал қазіргі фермалар әлдеқайда үлкен.

“Шикізат бағалары мен өндірістік шығындардың бағалары өз орнында болатындай үлкен операция болған кезде, сіз қай жерден тапсаңыз да, аздаған пайда іздейсіз”, - деді ол. “Сондықтан бұл дәлдік құралдары қажет болады”.”

Прецизионды ауыл шаруашылығында GeoPard-ты пайдалана отырып, тұрақты егіншіліктің экономикалық әсерлерін визуализациялау

-де жарияланды Muhammad Farjad арқылы

Bayerische Landesanstalt für Landwirtschaft (LfL) және GeoPard Agriculture зерттеушілері тұрақты егіншілік үшін жолақты аралық егіс жүйелерінің экономикасын зерттеу үшін бірікті. Олар өз зерттеулерінің нәтижелерімен Хоэнхайм университетінің “Цифрлық ауыл шаруашылығы арқылы биоәртүрлілікті дамыту” атты іс-шарасында бөлісті, онда экологиялық таза егіншілік тәжірибелері мен олардың қаржылық әсеріне баса назар аударылды.

Олардың “Болашақ дақыл шаруашылығы” жобасы егіншіліктің жаңа жолдарын зерттеуге бағытталған, әсіресе жолақаралық егістікке баса назар аударылған. Бұл әдіс бір егістіктегі жолақтарда әртүрлі дақылдарды қатар өсіруді қамтиды, бұл химиялық заттардың қажеттілігін азайтып, биоәртүрлілікті арттыра алады. Зерттеушілер егіншілікті фермерлер үшін тиімді бола отырып, экологиялық таза ету жолдарын тапқысы келді.

LfL компаниясынан Оливия Спикман мен Маркус Гандорфердің, сондай-ақ GeoPard компаниясынан Виктория Сорокина бастаған бұл ынтымақтастық EIT Food Accelerator бағдарламасы кезінде басталды. Ауыл шаруашылығы, цифрлық құралдар және деректерді талдау саласындағы білімдерін пайдалана отырып, олар тұрақты ауыл шаруашылығы тәжірибелерінің экономикалық жағын зерттеуге кірісті.

Әзірге Синтетикалық материалдарды азайту және биоәртүрліліктің артуы мәселелерін қарастыра отырып, олар жолақты аралық егістіктің экологиялық әлеуеті жақсы зерттелгенін анықтады. Дегенмен, оның механикаландырылуы және еңбек экономикасы, әсіресе автономды жабдықтармен, қосымша бағалауды қажет етеді.

Олар фермерлердің, әсіресе жаңа технологиямен оның тиімділігіне сенімді емес екенін анықтады. Бұл мәселені шешу үшін олар фермерлердің алаңдаушылығын түсіну және жақсырақ қарым-қатынас жасау үшін жолақаралық егістік далалық зертханасында олармен сөйлесті.

Сонымен қатар, ландшафттағы өзгерістер фермерлерді күмәндандырады, сондықтан алдын ала анық ақпарат беру маңызды. Сондықтан, визуализация сияқты сандық құралдар фермерлер мен олардың қауымдастықтары арасындағы байланысты жеңілдете алады, экологиялық тұрғыдан пайдалы ландшафттық өзгерістерді қабылдау мен бағалауды тудырады.

Мысалы, Жаңа Зеландияда фермерлер орман өсіруге қолайлы аумақтарды визуализациялау үшін виртуалды шындық (VR) көзілдіріктерін пайдаланды, бұл ферманың кірістілігіне, ландшафт эстетикасына және ауылдық қауымдастықтарға әсерін көрсету арқылы ферма масштабындағы жоспарлауға көмектеседі. Мұндай визуализациялар фермерлердің ландшафт өзгерістерін түсінуі мен қызығушылығын арттыра алады, дегенмен сәтті енгізу фермерлердің өзіне деген сеніміне де байланысты.

Сол сияқты, бұл зерттеуде жолақаралық егістік жүйесін бірнеше тұрғыдан талдау үшін бұлтқа негізделген GeoPard бағдарламасы пайдаланылды. GeoPard теңдеулері Future Crop Farming жобасының эмпирикалық деректерімен параметрлендірілген. Бастапқы нәтижелерге гербицидтер мен азоттың енгізілуі мен өнімділігінің визуализациясы кіреді, күрделі есептеулер жоспарланады.

Гербицидті қолдану картасы көрсетілуде

Сонымен қатар, жүйе әртүрлі деректер көздерін біріктірді, соның ішінде:

  • Өнімділік және қолданылған енгізу деректер жиынтықтары
  • Дақылдар мен өсімдіктерді қорғаудың бағасы туралы ақпарат (пайдаланушы ұсынады)
  • Спутниктік суреттер (Sentinel-2, Landsat, Planet)
  • Топографиялық деректер
  • GeoPard сайтында қолжетімді тарихи деректердің аймақтық карталары

Сонымен қатар, қолданылған негізгі әдістер кеңістіктік талдау және NumPy құрылымын пайдаланып кеңістіктік деректерді тиімді өңдеуді қамтыды. Деректер .xlsx және .shp файлдарынан алынды. Дегенмен, пішін файлында жеке жолақтар туралы нақты мәліметтер болмады, бұл әртүрлі деректер форматтарын біріктіруді қажет етті.

GeoPard жолаққа тән мәліметтерді олардың даладағы тиісті орындарымен байланыстыру үшін деректерді кеңістіктік түрде ұйымдастыруды жеңілдетті. Осылайша, жолақтарды көрсететін интеграцияланған деректер жиынтығы GeoPard-тағы сипаттамалық сынақ талдауының негізін қалады.

Зерттеу кірістердің айнымалы жылдамдықпен қолданылуын зерттемегенімен, GeoPard жоғары ажыратымдылықтағы картаға түсіруі (пиксель өлшемі: 3×3 метр) пиксель деңгейінде егжей-тегжейлі визуализациялауға мүмкіндік берді, бұл күрделілікті арттырды. Бұл егжей-тегжейлі картаға түсіру болашақ қолданбалар үшін, мысалы, бірнеше қабаттарды біріктіру немесе зерттеу жобасында графиктер біріктіру арқылы жиналған шағын көлемді өнімділік деректеріне негізделген ‘өнімділік профильдері’ сияқты кеңістіктік айнымалы ақпаратты біріктіру үшін құнды.

Дақылдың өнімділік картасы толық көріністе және пиксель деңгейіндегі мәліметтерді көрсету үшін үлкейтілген

Зерттеушілер сонымен қатар GeoPard негізінен сипаттамалық функцияларды атқарғанымен, оның күрделі визуализациялау мүмкіндігі бар екенін анықтады. Мысалы, жолақ деңгейіндегі өнімділік деректері мен баға туралы ақпаратты қосу көршілес дақыл жолақтары арасындағы шекаралық әсерлерді көрсететін пайда карталарын жасауға көмектеседі.

Сонымен қатар, еңбек экономикалық деректерін біріктіру биоәртүрлілікті дамыту үшін масштабты үнемдеуді азайтудың әсерін анықтауы мүмкін. Мұндай деректер сценарийлерді модельдеуге көмектеседі, бұл әртүрлі дақылдардың ауыспалы егістерін, жолақтардың енін және механикаландыру түрлерін зерттеуге мүмкіндік береді, ауыл шаруашылығын басқаруды және шешім қабылдауды жақсарту үшін егістікке тән нәтижелерге назар аударады.

Демек, қондырғы далалық машиналар мен сенсорлардан GeoPard-қа нақты уақыт режимінде деректерді беру мүмкіндігімен цифрлық егіз ретінде жұмыс істей алады, бұл мүмкіндік кейбір коммерциялық технологиялар мен спутниктік деректер арқылы қазірдің өзінде қол жеткізуге болады. Дегенмен, фермерлердің технологиялық үйлесімділікке қатысты алаңдаушылығы кеңірек қолдану үшін қосымша деректер көздерін біріктіру қажеттілігін көрсетеді.

SDSU штаттағы дәл ауыл шаруашылығы революциясын қалай қалыптастырып жатыр?

-де жарияланды Muhammad Farjad арқылы

Оңтүстік Дакота мемлекеттік университеті (SDSU) фермерлерге дәл ауыл шаруашылығын пайдалануды үйрету және оларға көмектесу бағдарламасын алғаш рет бастады.

Оңтүстік Дакота штатының Брукингс қаласында SDSU-ның жаңа дәл ауыл шаруашылығы бағдарламасы жергілікті және басқа да Орта Батыс фермерлерін өз жұмыстарында көбірек технологияларды қолдануға ынталандыруда табысты болды. Дегенмен, басқа штаттардағы фермерлер бұл технологияны баяу қабылдайды.

SDSU фермерлерді дәл ауыл шаруашылығын қолдануға үйрететін және көмектесетін бағдарлама құрған елдегі алғашқы университет болды, бұл жаңа технологиялар мен дәстүрлі әдістерді біріктіріп, пайдалану тиімділігін арттыру, қоршаған ортаға әсерді азайта отырып, дақылдардың өнімділігін арттыруға әкеледі.

Мысалы, жаһандық позициялау спутниктерін пайдалану химиялық заттар мен тыңайтқыштарды ең қажет жерлерге дәл бағыттауға көмектеседі.

Дәл ауыл шаруашылығы орталығының доценті Әли Мирзахани Нафчи мектептің технологияны фермерлер үшін тиімдірек ету үшін білім беру және зерттеу арқылы пайдалануды арттыру бойынша жұмыс істеп жатқанын атап өтті.

“Мен оның жұмыс істейтініне өте оптимистік көзқараспен қараймын. Біз өзгерістерді тек Оңтүстік Дакотада ғана емес, бүкіл елде де, әлемде де көреміз”, - деді Нафичи.

АҚШ Ауыл шаруашылығы министрлігінің зерттеуіне сәйкес, Оңтүстік Дакотада пайдалану пайызы ең жоғары штаттардың бірі, онда 53% фермер дәл ауыл шаруашылығы технологиясын пайдаланады.

SDSU Несс басқару және экономика мектебі жүргізген зерттеуге сәйкес, Солтүстік Дакота, Айова, Иллинойс және Небраска сияқты басқа Орта Батыс штаттарында фермерлердің жартысынан көбі дәл ауыл шаруашылығын пайдаланады.

Дегенмен, Несс зерттеуі көрсеткендей, ұлттық деңгейде тек 27% фермерлер ғана егін немесе мал шаруашылығын басқару үшін дәл ауыл шаруашылығы тәжірибелерін қолданады.

Precision Ag артықшылықтары, асырап алудағы қиындықтар

Дәл ауыл шаруашылығы (дәл ауыл шаруашылығы) технологиялары фермерлер арасында танымал бола бастады. Техниканы автоматты түрде басқару кеңінен қолданылатын технологиялардың бірі болып табылады. Ол фермерлерге машиналарын қолмен басқарудың қажеті жоқ басқаруға көмектеседі. Тағы бір маңызды технология - орналасқан жерді анықтау үшін сандық кескіндерді түсіруді қамтитын “геореференсация”.

Precision Ag артықшылықтары, асырап алудағы қиындықтар

Несстің зерттеуіне сәйкес, спутниктік суреттер де кеңінен қолданылады, шамамен 60% фермерлер оны қолданып көрген. Бұл технология фермерлерге өз егістіктерін жоғарыдан көруге мүмкіндік береді. Жабдық өндірушілер қауымдастығының зерттеуіне сәйкес, зерттеулер дәл ауыл шаруашылығы технологиялары әдетте дақыл өнімділігін 4%-ге арттыратынын және тыңайтқыштарды орналастыру тиімділігін 7%-ге жақсартатынын көрсетеді. Сонымен қатар, дәл ауыл шаруашылығы гербицидтерді, пестицидтерді, қазба отындарын және суды пайдалануды азайтады.

Дегенмен, кірістілік пен өнімділікті арттырудың артықшылықтарына қарамастан, құны және дәл ауыл шаруашылығы туралы жалпы білімнің жетіспеушілігі сияқты факторлар көптеген фермерлерге бұл технологияларды күтілгендей кеңінен пайдалануға кедергі келтірді.

Дәлдік ауыл шаруашылығы орталығының студенті Анна Карелс бұл бастама үшін ақша қажет болғанымен, ұзақ мерзімді перспективада ақша үнемдеуге мүмкіндік беретінін атап өтті.

“Менің ойымша, көптеген фермерлерге түсіну қиын, иә, бұл менің шығындарымды бастапқыда арттыруы мүмкін, бірақ ол белгілі бір жылдар ішінде ақталады”, - деді Карелс.

Нафчи бастапқы мөлшерлемені төмендету көбірек фермерлерді технологияны пайдалануға ынталандыратынын айтты.

“Айнымалы мөлшерлемені қолданудың бастапқы құны тым жоғары”, - деді Нафчи. “Сондықтан бізге көмек көрсетілсе, елестетіп көріңізші. Қандай да бір жолмен оны арзандатуға немесе бастапқы шығындарды азайтуға немесе оларға ынталандыру, инвестиция жасауға және олардан оны сынап көруді сұрауға болады. Содан кейін олар инвестицияларының қайтарымы өте жақсы екенін көреді. Мен олардың оны пайдаланатынына өте оптимистікпін”.”

Егер бастапқы шығындар кейбір фермерлер үшін тым жоғары болса, көмектесетін бағдарламалар бар. АҚШ үкіметінің есеп беру басқармасының мәліметтері бойынша, USDA және Ұлттық ғылым қоры 2017 жылдан 2021 жылға дейін дәл ауыл шаруашылығын зерттеу және әзірлеуге шамамен $200 миллион доллар бөлді.

Жаңа технологияны қолданудың төмен деңгейінің тағы бір себебі - білімнің жетіспеушілігі. Бірақ Оңтүстік Дакота фермерлері үшін көбірек білуге мүмкіндіктер бар.

“John Deere сияқты дилерлік орталықтар фермерлерге оны қалай пайдалану керектігін көрсететін көптеген клиникалар ұйымдастырады”, - деді Карелс.

Raven Precision ауыл шаруашылығы орталығы

Raven Precision Agriculture Center мамандығы бойынша оқитын студенттерге дәл ауыл шаруашылығы туралы практикалық білім алуға көмектесу үшін құрылған.

Ғимаратта студенттер практикалық оқу үшін пайдаланатын жабдықтар мен дәл ауыл шаруашылығы өнімдеріне толы бөлмелер бар. Ол 2021 жылдың тамыз айында ашылып, $46,2 миллион фунт стерлингке бағаланды, бұл оны елдегі алғашқы дәл ауыл шаруашылығы бағдарламасы етеді.

Raven Precision ауыл шаруашылығы орталығы

“Біз дәлдік ауыл шаруашылығы бағдарламамызды келесі деңгейге көтеріп, студенттеріміздің тәжірибесін жақсартқымыз келеді”, - деді Мутукумараппан.

Кафедра жаңа технологияларға ілесу үшін өзгерістер енгізуді жалғастыруы керек. Кейбір студенттердің пікірінше, бұл бағдарламаны жақсартуға болатын бір сала.

“Дәл ауыл шаруашылығы бағдарламасы - жаңа технологияларға бейімделу үшін үнемі өзгеріп отыруы керек нәрсе. Және менің ойымша, SDSU бұған ілесуде сәл жақсырақ жұмыс істей алады”, - деді Карелс.

Бұл бағдарлама жұмыс істеп жатқан нәрсе.

Бір өзгеріс - дәл ауыл шаруашылығы бойынша көбірек деректер жинау үшін көбірек мамандандырылған мамандықтарды қосу.

“Бұрын бізде дәл ауыл шаруашылығы бағдарламасына қабылданған барлық студенттер үшін бірыңғай рецепт болған, яғни біз агрономия мен технологияларды біріктіріп, оны біртұтас бағдарламаға айналдырамыз”, - деді Мутукумараппан. “Енді біз оны пайдаланушыға ыңғайлы етіп жасап жатырмыз. Бізде үш түрлі бағыт бар. Біреуі технологиялық бағытқа арналған. Екіншісі агрономия бағытына арналған. Ал екіншісі деректер бағытына, электронды соққыларға арналған”.”

“Қазіргі уақытта біздің жаңа оқытушыларымыз биосенсорлар мен пилотсыз көліктерді әзірлеу үстінде”, - деді Мутукумараппан.

Бағдарламаның мақсаты - фермерлер үшін дәл ауыл шаруашылығын практикалық ететін көбірек зерттеулер жүргізу, бұл өз кезегінде қабылдау деңгейін арттыруы мүмкін.

Бағдарлама бұл мақсатқа қол жеткізу үшін алдағы бес жылда 20%-ге дейін оқуға түсу деңгейін арттыруды көздейді. Нафчидің айтуынша, SDSU-ның миссиясы - бұл технологияны жеңілдету және оны фермерлер үшін тиімдірек ету.

Қазіргі уақытта бағдарлама бойынша 66 студент білім алуда.

“Бізде ғимарат ретінде үлкен ресурстар бар. Дегенмен, бізде бұл салада жұмыс істеу, ұсыныстар жасау және зерттеу жұмыстарын жүргізу үшін оқытушылық ресурстар, адами ресурстар көп болмады”, - деді Мутукумараппан. “Соңғы екі жылда біз жоғары деңгейлі зерттеу жұмыстарын жүргізу үшін үш жаңа оқытушыны жалдай алдық, зерттеуге көбірек қаражат салдық және зерттеу бағдарламамыздың өсуіне көмектестік”.”

Дереккөз: Оңтүстік Дакота жаңалықтары

wpChatIcon
wpChatIcon

    Тегін GeoPard демосын/кеңес беруді сұраңыз








    Батырманы басу арқылы сіз біздің келісесіз Жеке деректерді қорғау саясаты. Сіздің өтінішіңізге жауап беру үшін ол қажет.

      Жазылу


      Батырманы басу арқылы сіз біздің келісесіз Жеке деректерді қорғау саясаты

        Бізге ақпарат жіберіңіз


        Батырманы басу арқылы сіз біздің келісесіз Жеке деректерді қорғау саясаты

        Біз сізге ең жақсы шолу тәжірибесін ұсыну, сайтымыздың мазмұнын жекелендіру, оның трафигін талдау және сізге тиісті жарнамаларды көрсету үшін cookie-файлдарды пайдаланамыз.
        Біздің көріңіз Жеке деректерді қорғау саясаты Қосымша ақпарат алу үшін.

        Барлығын қабылдау