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.

YOLOv8 негізіндегі көп арамшөптерді анықтау мақтаның дәл ауыл шаруашылығын қалай жақсартады?

Апрель 27, 2025-де жарияланды Muhammad Farjad арқылы

Мақта өсіру АҚШ-тың ауыл шаруашылығының маңызды бөлігі болып табылады және экономикаға елеулі үлес қосады. Тек 2021 жылы фермерлер 10 миллионнан астам акр мақта жинап, құны шамамен болатын 18 миллионнан астам мақта рулондарын өндірді.

$7.5 би бәрі i o n .$ Қаржылық қысымнан бөлек, тым көп гербицидтерді қолдану қоршаған ортаға алаңдаушылық тудырады, топырақ пен су көздерін ластайды.

Осы мәселелерді шешу үшін зерттеушілер дәл ауыл шаруашылығы технологияларына жүгінуде — бұл дала деңгейіндегі басқаруды оңтайландыру үшін деректерге негізделген құралдарды пайдаланатын тәсіл. Бір жаңашыл шешім — YOLOv8 моделі — нақты уақытта арамшөптерді анықтайтын озық жасанды интеллект құралы.

Гербицидке төзімділіктің артуы және оның әсері

1996 жылдан бері гербицидке төзімді (HR) мақта тұқымдарының кеңінен қолданылуы егіншілік тәжірибесін түбегейлі өзгертті. HR дақылдары белгілі бір гербицидтерден аман қалу үшін генетикалық тұрғыдан модификацияланған, бұл фермерлерге глифосат сияқты химикаттарды дақылдарға тікелей шашуға мүмкіндік береді.

2020 жылға қарай АҚШ-тағы мақта алқаптарының 96%-і HR сорттарын қолданды, бұл гербицидтерге тәуелділік циклін қалыптастырды. Бастапқыда бұл тәсіл тиімді болды, бірақ уақыт өте келе арамшөптер табиғи іріктеу арқылы төзімділік қалыптастырды.

Бүгінгі таңда гербицидтерге төзімді арамшөптер АҚШ-тағы фермерлік шаруашылықтардың 70% бөлігін жайлап, фермерлерді он жыл бұрынғыға қарағанда 30% есе көп химикат қолдануға мәжбүр етеді. Мысалы, жоғары көбею қабілеті бар және тез өсетін Палмер амаранты ерте бақылауға алынбаса, мақта өнімін 79%-ға дейін төмендетуі мүмкін.

Қаржылық жүктеме аса ауқымды: төзімді арамшөптермен күресу фермерлерге жыл сайын миллиардтаған шығын әкеледі, ал гербицидтердің ағып кетуі егіс алқаптары маңындағы жаңа су қорларының 41,1 %-ын ластайды. Бұл мәселелер химиялық заттарға тәуелділікті азайтып, егін өнімділігін сақтайтын инновациялық шешімдерге шұғыл қажеттілікті көрсетеді.

Машиналық көру: арамшөптерді басқарудың тұрақты баламасы

Гербицидтерге төзімділік дағдарысына жауап ретінде зерттеушілер камералар, сенсорлар және жасанды интеллект алгоритмдерін біріктіретін машиналық көру жүйелерін әзірлеуде, олар арамшөптерді дәл анықтап, жіктеуге мүмкіндік береді. Машиналық көру адамның визуалды қабылдауын еліктейді, бірақ жылдамырақ және дәлірек, бұл автоматтандырылған шешім қабылдауды жүзеге асыруға мүмкіндік береді.

Бұл жүйелер мақсатты араласуларды жүзеге асыруға мүмкіндік береді: мысалы, өсімдіктерді механикалық түрде алып тастайтын роботтық арамшөптерді жоюшылар немесе гербицидтерді тек қажет жерлерге ғана шашатын ақылды бүрку құрылғылары. Осы технологиялардың алғашқы нұсқалары дәлдік мәселесімен күресті: олар жиі дақылдарды арамшөптер деп қате анықтап, кішігірім өсімдіктерді анықтай алмады.

Алайда, деректерді талдау үшін бірнеше қабатты нейрондық желілерді қолданатын машиналық оқытудың бір бөлігі – терең оқытудың дамуы өнімділікті айтарлықтай жақсартты. Суреттерді талдауға оңтайландырылған терең оқыту моделінің бір түрі – конволюциялық нейрондық желілер (CNN) визуалды деректердегі үлгілерді тануда өте тиімді.

You Only Look Once (YOLO) модельдер отбасы, объектілерді анықтаудағы жылдамдығы мен дәлдігімен танымал, ауыл шаруашылығында ерекше танымал болды. Соңғы нұсқасы YOLOv8 арамшөптерді анықтауда 90,1 %-дан астам дәлдікке қол жеткізіп, дәл ауыл шаруашылығында ойынның ережесін түбегейлі өзгертті.

CottonWeedDet12 деректер жиынтығы: табысқа жетудің негізі

Сенімді жасанды интеллект модельдерін оқыту үшін жоғары сапалы деректер қажет, ал CottonWeedDet12 деректер жиынтығы арамшөптерді анықтау саласындағы зерттеулер үшін маңызды ресурс болып табылады. Деректер жиынтығы – машиналық оқыту модельдерін оқыту және сынау үшін қолданылатын құрылымдық деректер жинағы.

Миссисипи штаты университетінің зерттеу фермаларынан жиналған бұл деректер жиынтығы 5 648 жоғары ажыратымдылықтағы мақта алқаптарының суреттерін қамтиды, олар 12 жиі кездесетін арамшөп түрін анықтайтын 9 370 шекаралық тіктөртбұрышпен аннотацияланған. Шекаралық тіктөртбұрыштар – суреттердегі қызықтыратын объектілерді (мысалы, арамшөптерді) қоршап салынған тіктөртбұрыштық шеңберлер, олар AI модельдерін оқыту үшін дәл орналасқан жерлерді көрсетеді. Негізгі сипаттамаларға мыналар жатады:

12 шөп сыныптары: Водяная гречиха (ең жиі кездесетін), Morningglory, Палмер амаранты, Дақты молочай және басқалар.
9 370 шекаралық қорап аннотацияларыVGG Image Annotator (VIA) арқылы шебер түрде белгіленген.
Әртүрлі жағдайларӘртүрлі жарық жағдайында (күн шуақты, бұлтты), өсу кезеңдерінде және топырақ фонында түсірілген суреттер

Арамшөптерге ең жиі кездесетін waterhemp-тен бастап morningglory, palmer amaranth және spotted spurge кіреді. Деректер жиынтығының нақты жағдайларды көрсетуін қамтамасыз ету үшін суреттер әртүрлі жарық жағдайларында (күн шуақты, бұлтты) және өсімдіктердің әртүрлі өсу кезеңдерінде түсірілді.

Мысалы, кейбір арамшөптер кішкентай көшеттер түрінде пайда болса, басқалары толық өсіп жетілген. Сонымен қатар, деректер жиынтығы әртүрлі топырақ фондары мен өсімдіктердің орналасу үлгілерін қамтиды, бұл нақты мақта алқаптарының күрделілігін имитациялайды.

YOLOv8 моделін оқыту алдында зерттеушілер оның сенімділігін арттыру үшін деректерді алдын ала өңдеді. Алдын ала өңдеу шикі деректерді жасанды интеллект оқытуына жарамды ету үшін өзгертуді қамтиды. Мысалы, төрт суретті біріктіретін мозаикалық кеңейту тығыз арамшөп популяцияларын модельдеуге көмектесті.

Басқа әдістер, мысалы кездейсоқ масштабтау және айналдыру, модельді өсімдіктің өлшемі мен бағытындағы өзгерістерге бейімдеді.

Шындықтағы өзгергіштікті еліктеу үшін масштабты өзгерту (±50%), қию бұрышын өзгерту (±30°) және аудару.

t-SNE (t-Distributed Stochastic Neighbor Embedding) деп аталатын визуализациялау әдісі — деректердің өлшемдерін қысқартып, визуалды кластерлер жасауға арналған машинамен оқыту алгоритмі — әрбір арамшөп класына жеке топтамаларды анықтап, жиынтық деректердің түрлер арасындағы нәзік айырмашылықтарды анықтайтын модельдерді оқытуға жарамды екенін растады.

YOLOv8: техникалық жаңалықтар мен архитектуралық жетілдірулер

YOLOv8 ауылшаруашылық саласына арналған арнайы архитектуралық жаңартулармен ертеректегі YOLO модельдерінің жетістіктерін негізге алады. Оның негізінде суреттерден иерархиялық ерекшеліктерді алуға арналған CSPDarknet53 нейрондық желінің негізгі құрылымы жатыр. Нейрондық желінің негізгі құрылымы – модельдің кіріс деректерін өңдеу және тиісті ерекшеліктерді анықтау үшін жауапты негізгі компоненті.

CSPDarknet53 Cross Stage Partial (CSP) байланыстарын пайдаланады — желінің фичерлік карталарын екі бөлікке бөліп, оларды бөлек өңдеп, кейін біріктіретін дизайн — оқыту кезінде градиенттің ағынын жақсарту үшін.

Градиенттік ағын нейрондық желінің параметрлерін қателерді азайту үшін қаншалықты тиімді жаңартатынын білдіреді, оны жақсарту модельдің тиімді үйренуін қамтамасыз етеді. Сонымен қатар, архитектура Feature Pyramid Network (FPN) пен Path Aggregation Network (PAN) модульдерін біріктіреді, олар бірге бірнеше масштабта арамшөптерді анықтайды.

FPN: Көп масштабты объектілерді анықтайды (мысалы, кішкентай көшеттер мен жетілген арамшөптерді).
PANЖелілік қабаттар арасындағы ерекшеліктерді біріктіру арқылы локализация дәлдігін арттырады.

FPN – бұл жоғары ажыратымдылықтағы ерекшеліктерді (кішігірім нысандарды анықтау үшін) семантикалық тұрғыдан бай ерекшеліктермен (үлкен нысандарды тану үшін) біріктіретін құрылым, ал PAN желі қабаттары бойынша ерекшеліктерді біріктіру арқылы локализация дәлдігін арттырады. Мысалы, FPN кішігірім көшеттерді анықтайды, ал PAN жетілген арамшөптердің локализациясын жетілдіреді.

Алдыңғы модельдер объектілердің орналасуын болжау үшін алдын ала анықталған бекіту қораптарына (анкерлік қораптарға) сүйенсе, YOLOv8 бекіту қораптары жоқ анықтау бастарды пайдаланады. Бұл бастары объектілердің орталықтарын тікелей болжайды, күрделі есептеулерді жояды және жалған оң нәтижелерді азайтады.

Бұл жаңашылдық дәлділікті арттырумен қатар өңдеуді жеделдетеді: YOLOv8 NVIDIA T4 GPU-да суретті небәрі 6,3 миллисекундта талдайды — бұл AI тапсырмаларына оңтайландырылған жоғары өнімді графикалық процессор.

Модельдің шығын функциясы — модельдің болжамдарының нақты деректермен қаншалықты сәйкес келетінін өлшейтін математикалық формула — шекаралық қораптың дәлдігі үшін CloU шығынын, жіктеу үшін кросс-энтропия шығынын және теңгерімсіз деректерді өңдеу үшін таралымдық фокальды шығынды біріктіреді. CloU (Complete Intersection over Union) шығыны болжанған және нақты қораптар арасындағы қиылысу ауданын, орталық арақашықтықты және пішін коэффициентін ескере отырып, шекаралық қораптың орналасуын жақсартады.

Математикалық тұрғыдан, жалпы шығын: $L (θ) = 7.5 \cdot L_{қорап} + 0.5 \cdot L_{класс} + 0.375 \cdot L_{дфл} + Регулярлау$

Крос-энтропия шығыны болжамды ықтималдықтарды нақты жапсырмалармен салыстыра отырып жіктеу дәлдігін бағалайды, ал таралымдық фокальды шығын сирек кездесетін арамшөптерді қате жіктегені үшін модельге көбірек айыппұл салу арқылы кластар арасындағы теңгерімсіздікті шешеді.

Алдыңғы YOLO нұсқаларымен салыстырғанда, YOLOv8 барлығынан озық. Мысалы, YOLOv4 50% шекаралық қораптардың қабаттасуы кезінде орташа дәлдік (mAP) көрсеткішін 95.22%-ге жеткізсе, YOLOv8 оны 96.10%-ге көтерді. mAP – бұл барлық санаттар бойынша дәлдік көрсеткіштерінің орташа мәнін есептейтін метрика, жоғары мәндері жақсы анықтау дәлдігін білдіреді.

Ұқсас түрде, YOLOv8-дің бірнеше қабаттасу шектеріндегі (0,5-тен 0,95-ке дейін) орташа аудандық дәлдік (mAP) 93,20% болып, YOLOv4-тің 89,48% көрсеткішін басып озды. Бұл жетілдірулер YOLOv8-ді мақта алқаптарындағы арамшөптерді анықтауда ең дәл әрі тиімді модельге айналдырады.

Модельді оқыту: әдістеме және нәтижелер

YOLOv8-ді оқыту үшін зерттеушілер трансферлік оқыту әдісін қолданды — бұл үлкен деректер жиынтығында алдын ала оқытылған модельді жаңа деректерге сәйкес етіп ұсақтан реттеу тәсілі. Трансферлік оқыту алдыңғы тапсырмалардан алынған білімді пайдалана отырып, оқыту уақытын қысқартып, дәлдігін арттырады.

Модель суреттерді 32-ден топтап өңдеді, онда AdamW оңтайландырғышын — артық үйренудің алдын алу үшін салмақ шағылуын (weight decay) қосатын Adam оңтайландыру алгоритмінің бір нұсқасын — қолдана отырып, үйрену жылдамдығы 0,001 болды.

100-ден астам эпоха (оқыту циклдары) ішінде модель арамшөптерді мақта өсімдіктерінен ерекшелеуді таңғаларлық дәлдікпен меңгерді. Суреттерді кездейсоқ айналдыру және олардың жарықтығын реттеу сияқты деректерді кеңейту стратегиялары модельге нақты әлемдегі өзгергіштікті өңдеуге мүмкіндік берді.

Нәтижелер әсерлі болды. Алғашқы 20 эпох ішінде модель 90%-ден астам дәлдікке қол жеткізіп, тез үйренетінін көрсетті. Оқыту аяқталғанға дейін YOLOv8 үлкен арамшөптерді 94,40% дәлдікпен анықтады.

Алайда кішігірім арамшөптер қиынырақ болып, дәлдік 11,90%-ге дейін төмендеді. Бұл айырмашылық деректер жиынтығының теңгерімсіздігінен туындайды: ірі арамшөптер артық көрсетілген, ал кішігірім көшеттер сирек кездескен. Осы шектеуге қарамастан, YOLOv8-дің жалпы өнімділігі айтарлықтай ілгерілеуді көрсетеді.

Мәселелер мен болашақ бағыттар

YOLOv8 үлкен үміт күттірсе де, қиындықтар әлі де бар. Кішігірім арамшөптерді анықтау ерте араласу үшін өте маңызды, себебі өскіндерді басқару оңайырақ.

Осы мәселені шешу үшін зерттеушілер генеративті қарсылас желілерді (GAN) қолдануды ұсынады — бұл жасанды интеллект модельдерінің бір түрі, онда екі нейрондық желі (генератор мен дискриминатор) шынайы синтетикалық деректер жасау үшін бәсекелеседі — шағын арамшөптердің жасанды кескіндерін жасап, деректер жиынтығын теңестіру үшін.

Тағы бір шешім – көрінетін жарықтан тыс (мысалы, жақын инфрақызыл) мәліметтерді жинайтын көпспектрлі бейнелеуді енгізу, бұл дақылдар мен арамшөптер арасындағы контрастты арттыруға мүмкіндік береді. Жақын инфрақызыл сенсорлар хлорофилл мөлшерін анықтап, өсімдіктерді айқынырақ етіп көрсетеді және оларды топырақтан оңайырақ ажыратуға көмектеседі.

YOLO-ның болашақ нұсқалары, мысалы YOLOv9 және YOLOv10, дәлдігін одан әрі арттыруы мүмкін. Бұл модельдер параллельді түрде деректерді өңдейтін, дәстүрлі нейрондық желілерге қарағанда ұзақ қашықтықтағы тәуелділіктерді тиімдірек анықтайтын трансформатор қабаттарын және нысанның өлшемдеріне бейімделетін динамикалық ерекшелік пирамидаларын қамтиды деп күтілуде. Мұндай жетістіктер кішігірім арамшөптерді сенімдірек анықтауға көмектеседі.

Шаруаларға келесі қадам – дала сынақтары. YOLOv8 және камералармен жабдықталған автономды арамшөптерді жоюшылар мақта қатарларында қозғалып, арамшөптерді механикалық түрде жоя алады. Сол сияқты, жасанды интеллект негізіндегі бүрку құрылғыларымен жабдықталған дрондар гербицидтерді дәл нысанаға алып, химикаттарды пайдалануды 90 %-ға дейін азайтуы мүмкін.

Бұл технологиялар тек шығындарды қысқартып қана қоймай, сонымен бірге экожүйелерді қорғайды, бұл экологиялық саулықты, экономикалық тиімділікті және әлеуметтік теңдікті басты назарға алатын тұрақты ауыл шаруашылығы философиясына сәйкес келеді.

Қорытынды

Гербицидке төзімді арамшөптердің өсуі ауыл шаруашылығын жаңашылдыққа мәжбүр етті, ал YOLOv8 дәл арамшөптерді басқаруда төңкеріс жасады. Нақты уақыттағы анықтауда 96,10% дәлдікке қол жеткізу арқылы бұл модель фермерлерге гербицидтерді азайтуға, шығындарды төмендетуге және қоршаған ортаны қорғауға мүмкіндік береді.

Шағын арамшөптерді анықтау сияқты қиындықтар әлі де бар болса да, жасанды интеллект пен сенсорлық технологиялар саласындағы үздіксіз жетістіктер оларға шешім ұсынады. Бұл құралдар дамыған сайын мақта шаруашылығын анағұрлым тұрақты әрі тиімді тәжірибеге айналдырады. Алдағы жылдары YOLOv8-ді автономды жүйелерге енгізу ауыл шаруашылығында төңкеріс жасауы мүмкін.

Шаруалар арамшөптерді басқаруда ақылды роботтар мен дрондарға сүйене отырып, уақыт пен ресурстарды басқа міндеттерге арнай алады. Деректерге негізделген ауыл шаруашылығына көшу тек дақылдардың өнімділігін ғана емес, сонымен бірге болашақ ұрпақ үшін планетаның дені сау болуын да қамтамасыз етеді. YOLOv8 сияқты технологияларды қолдану арқылы ауыл шаруашылығы саласы гербицидтерге төзімділік мәселесін жеңіп, жасыл әрі өнімді болашаққа жол аша алады.

Дереккөз: Хан, А. Т., Йенсен, С. М. және Хан, А. Р. (2025). Дәл ауыл шаруашылығын дамыту: мақта өсіруде көпсыныпты арамшөптерді анықтау үшін YOLOv8-дің салыстырмалы талдауы. Ауыл шаруашылығындағы жасанды интеллект, 15, 182–191. https://doi.org/10.1016/j.aiia.2025.01.013

Құс етін жеткізу тізбегіндегі қоректік заттардың тиімділігін арттыру үшін соя ақуызы тәжірибелерін оңтайландыру

Апрель 12, 2025-де жарияланды Muhammad Farjad арқылы

АҚШ соя өндірушілерінің саласы тауар өндіру экономикасы мен қосымша құнды соя ақуызы өнімдерінің пайдаланылмаған әлеуеті арасындағы қиылыста тұр.

Соя шротының жаһандық нарығы өсіп келеді — 2034 жылға қарай $157,8 миллиардқа жетеді деп болжануда — бірақ дәстүрлі соя шротының артық ұсынысы бағаны төмендетіп, қоректік тұрғыдан артықшылығы бар, жоғары тиімді соя ақуызы концентраттарын енгізуге жүйелік кедергі туғызды.

Бұл құндылығы арттырылған өнімдер құс шаруашылығында жемді өңдеу коэффициентін (FCR) 51 %-ға дейін жақсартатыны дәлелденген және елеулі экономикалық әрі тұрақтылық артықшылықтарын ұсынады, бірақ көтерме тауар саудасына негізделген нарықта бәсекеге түсуде қиындық көреді.

Дегенмен, басты мәселе – жеткізу тізбегіндегі ынталандыруларды қайта жобалап, қосымша құнды соя протеинін фермерлер, өңдеушілер және құс өсірушілер үшін экономикалық тұрғыдан тиімді ету. Сонымен қатар, бұл өту кезеңінде технология шешуші рөл атқарады.

GeoPard компаниясының ақуыз талдау және азотты пайдалану тиімділігі (NUE) модульдері сияқты дәл ауылшаруашылық құралдары фермерлерге дақылдардың сапасын оңтайландырып, құс азығының нақты қоректік талаптарын қанағаттандыруға мүмкіндік береді.

Қосылған құны бар соя протеиніне кіріспе

Тұрақтылық пен тиімділік жаһандық ауыл шаруашылығын қайта қалыптастырып жатқан дәуірде, қосылған құнды соя протеіні өнімдері құс шаруашылығында трансформациялық шешім ретінде пайда болды. 2024 жылдан 2030 жылға дейін жаһандық құс етіне сұраныстың жылдық құрама өсім қарқыны (CAGR) 4,31 %-ға өсетіні болжанып отырғандықтан, жемнің тиімділігін оңтайландыру аса маңызды болды.

Дәстүрлі соя ұны, майды сығудан алынған жанама өнім болып табылады және құрамында 45–48 % ақуыз бар, бірақ ол соя ақуызы концентраттары (SPC) және модификацияланған соя ақуызы концентраттары (MSPC) сияқты жетілдірілген баламалармен барған сайын көлеңкеде қалып барады.

Бұл қосымша құнды өнімдер арнайы өңдеуден – мысалы, сулы спиртпен жуу немесе ферменттік өңдеу – өтіп, белок деңгейін 60–70 %-ға дейін жеткізіп, олигосахаридтер сияқты антинутритивтік факторларды жояды.

Соңғы инновациялар, соның ішінде жаңа фермент қоспалары (мысалы, протеза-липаза комбинациялары), өңдеу шығындарын 15–20%-ға төмендетіп, ақуыздың ерігіштігін жақсартады.

Novozymes сияқты компаниялар машиналық оқытуды қолдана отырып, құс өсірудің нақты өсу кезеңдеріне арналған ферменттік өңдеулерді баптап, қоректік заттардың сіңірілуін барынша арттырып, қорытылу мен амин қышқылдарының қолжетімділігін жақсартады. Қосымша құнды соя протеині негізіндегі құс азығының артықшылықтары түбегейлі өзгерістер әкеледі:

1. Жақсартылған жем айналу коэффициенті (FCR):

FCR – мал азық-түлікті дене массасына қаншалықты тиімді түрлегенін көрсететін көрсеткіш, ол табыстылық пен тұрақтылық үшін шешуші маңызға ие.

Зерттеулер көрсеткендей, кәдімгі соя ұнының 10%-ын MSPC-пен алмастыру FCR көрсеткішін 1,566-дан 1,488-ге дейін төмендетеді—a 5% жақсарту—яғни бірдей мөлшерде ет өндіру үшін азырақ жем қажет. Бұл шығындарды төмендетіп, экологиялық ізі азаюына әкеледі.

2. Тұрақтылық бойынша жетістіктер:

Жақсартылған FCR өндірілген құс етінің бір килограмына кететін жерді, суды және энергияны азайтады. Мысалы, орташа көлемді АҚШ құс фермасында (жылына 1 миллион құс өндіретін) FCR көрсеткішін 51 TP3T-ға жақсарту жылына шамамен 750 тонна жем үнемдеуге мүмкіндік береді.

Шығындарды үнемдеуден бөлек, экологиялық пайдасы айтарлықтай: FCR көрсеткішін 51 TP3T-ке жақсарту әр фермада жыл сайын 1 200 акр соя егісін үнемдеуге мүмкіндік беріп, жерді пайдалану мен орманды кесуге түсетін қысымды азайтады.

3. Жануарлардың денсаулығына пайдасы:

Жануарлардың денсаулығы бойынша нәтижелер қосымша құнды сояның тиімділігін одан әрі дәлелдейді. 2023 жылы Бразилияда жүргізілген сынақтар MSPC-пен қоректендірілген бройлерлердің ішектерінде Enterobacteriaceae саны 30%-ға төмен екенін, олардың иммунитеті мықтырақ болып, диарея жиілігі мен антибиотиктерге тәуелділікті азайтатынын көрсетті — бұл ЕО сияқты аймақтар малға арналған антимикробтық препараттарға қатысты талаптарын қатаңдатқан кезде аса маңызды артықшылық.

MSPC-ны қолданатын еуропалық фермалар 2024 жылы профилактикалық антибиотиктерді қолдануды 22%-ға азайғанын хабарлады, бұл тұтынушылардың қауіпсіз әрі тұрақты ет өндірісіне деген сұранысына сәйкес келеді.

Қосылған құны бар соя протеині Нарықтық динамика және қиындықтар

Осы артықшылықтарға қарамастан, қосымша құны бар соя өнімдері арзан, тауарланған соя ұны басым нарықта қатты кедергілерге тап болады. АҚШ-тың соя ұны нарығы 2024 жылы $98,6 миллиард долларға бағаланып, 2034 жылға қарай 4,8% жылдық орташа өсім қарқынымен $157,8 миллиард долларға дейін өседі деп болжануда.

Алайда бұл өсім артық ұсыныс динамикасы мен шығынға бағдарланған өнеркәсіптің бағаларды төмендетіп, инновацияны тежейтін әсерімен қамтамасыз етіледі.

2024 жылы әлемдік соя ұны өндірісі АҚШ пен Бразилиядағы мол өнімдердің арқасында рекордтық 250 миллион тоннаға жетті.
2023 жылы бағалар тоннасына $313-ке дейін құлдырады (USDA), бұл дәстүрлі ұнды шығынға сезімтал құс өсірушілер үшін қарсы тұра алмайтындай арзан етті.
АҚШ-тың жануар азығы ингредиенттерінің 65%-дан астамын құрайтын дәстүрлі соя шроты, оның қоректік шектеулеріне қарамастан, әдепкі таңдау болып қала береді.

1. Артық ұсыныс мәселесі

АҚШ-тың соя шроты нарығы артық ұсыныс пен жіберіп алған мүмкіндіктердің парадоксына батты. 2023 жылы рекордтық 47,7 миллион метрлік тонна (ММТ) соя шротын өндіргеніне қарамастан — бұл 2022 жылмен салыстырғанда 41 %-ға өсім — бағалар әлі де төмен болып, тоннасына орта есеппен 1 440–1 480 долларды құрап, 2020 жылға дейінгі деңгейден әлі де 201 %-ға төмен. Бұл артық ұсыныс екі негізгі фактордан туындайды:

i). Кеңейтілген отандық ұнтақтау: Бұл артық ұсыныс биожанармай мен азық-түлік өңдеу саласындағы сұраныстың жыл сайын 121 %-ға өсуіне байланысты агрессивті ішкі ұнтақтаудан туындап, нарықты ұнтақталған қалдық өніммен толтырып жатыр. Қорлар 2021 жылғы 10,8 млн тоннадан 2023 жылы 8,5 млн тоннаға сәл азайғанымен, онжылдық орташа көрсеткіштен 301 %-ға жоғары болып отыр.

ii). Экспорттық бәсекелестік: Осы арада Бразилия мен Аргентина сияқты жаһандық бәсекелестер теңгерімсіздікті күшейтеді: Бразилияның 2023/24 жылғы соя дақылы 155 млн метрлік тоннаға жетті, өндіріс шығындары төмен болғандықтан соя ұнының экспорты АҚШ өнімдеріне қарағанда 10–15 % арзан бағамен сатылып жатыр, ал Аргентинаның соя ұнының экспорты құрғақшылықтан кейін 401 %-ға өсіп, 28 млн метрлік тоннаға жетті, бұл баға қысымын күшейтеді.

Қосылған құны бар соя протеіні өнімдері үшін бұл артық ұсыныс екі жүзді қылыш. Дәстүрлі соя ұны арзандап бара жатса да, соя протеіні концентраты (SPC) сияқты қосылған құны бар түрлерін өңдеу шығындары әлі де жоғары болып қала береді.

2. Құрылымдық кедергілер

Циклдық артық ұсыныстан бөлек, АҚШ-тың ауыл шаруашылығы жүйесіндегі жүйелік ақаулар қосылған құны бар соя өнімдеріндегі инновацияны тежейді. Бұл кедергілер саясатқа, нарықтық құрылымдарға және мәдени тәжірибелерге терең енген, қоректік сапаға қарағанда көлемге басымдық беретін өзін-өзі күшейтетін циклді қалыптастырады.

i). Ескірген АҚШ Ауыл шаруашылығы департаментінің сорттау стандарттары

1994 жылы соңғы рет жаңартылған АҚШ Ауыл шаруашылығы департаментінің (USDA) соя бұршақтарын сорттау жүйесі сынақ салмағы (#1 сорты үшін бушеліне кемінде 56 фунт) және ылғалдылық деңгейі сияқты физикалық қасиеттерге шоғырланған, ал ақуыз концентрациясы немесе амин қышқылдарының теңгерімі сияқты қоректік көрсеткіштерді ескермейді.

Ақуызға негізделген баға белгілеу болмаса, АҚШ фермерлері 2024 жылғы United Soybean Board талдауына сәйкес жыл сайын 1,2–1,8 миллиард долларлық ықтимал үстеме пайдадан қағылады. Бұл алшақтықтың нақты салдары бар:

Ақуыздың өзгергіштігіАҚШ соясының орташа ақуыз мөлшері 35–38 %-ды құрайды, бірақ жаңа сорттар (мысалы, Pioneer компаниясының XF53-15) 42–45 %-ға дейін жетеді — бұл айырмашылық барлық соя бірдей бағаланатын тауар нарықтарында жойылады.
Шаруаларға ынталандырмаушылықтар2023 жылғы Пурдью университетінің зерттеуі көрсеткендей, Орта Батыс соя өсірушілерінің 68% пайызы баға үстемелері болса, жоғары ақуызды сорттарды қолданған болар еді. Қазіргі уақытта тек 12% пайызы ғана осылай істейді, себебі нарықта тиісті сыйақы жоқ.
Жалпы контрастЕуропалық Одақтың Біртұтас ауыл шаруашылығы саясаты (CAP) 2023–2027 жылдары жыл сайын 58,7 млрд евро бөледі, оның 15 % тұрақтылық пен сапа көрсеткіштеріне байланысты. Мысалы, голландиялық фермерлер ақуыз мөлшері 40 %-дан асатын соя бұршақтарына субсидия алып, қоректік заттарға бай дақылдарды өсіруді ынталандырады.

ii). Тауар тұзағы

Соя ұны көтерме тауар ретінде саудаланады, жем зауыттары мен құс интеграторлары қорытылатын ақуыздың граммына емес, тоннасына келетін шығынды басымдыққа қояды. Бұл көзқарас мыналар арқылы нығайтылады:

Шартты егіншілікҚұс шаруашылығының алып компаниялары мен жем жеткізушілері арасындағы ұзақ мерзімді келісімдер жиі төмен құны бар, стандартталған жем сипаттамаларын бекітеді.
Ашықтықтың жоқтығыСтандартталған тағамдық белгілеу болмаса, сатып алушылар жеткізушілер арасындағы ақуыз сапасын оңай салыстыра алмайды.

2023 жылғы Ұлттық тауық кеңесінің есебі көрсеткендей, АҚШ-тағы бройлер өндірісінің 83,1 %-ы “ең төменгі шығынды” жем формулаларын қолдануды міндеттейтін келісімшарттармен реттеледі. Мысалы, Tyson Foods 2022 жылы брендсіз соя ұнына көшу арқылы жылына 120 миллион доллар үнемдеп, тауық фермаларында FCR көрсеткіші 4,81 %-ға нашарлағанына қарамастан.

Сонымен қатар, 2024 жылғы шілдеде соя шротының тоннасы 380–400 доллар болғандықтан, жоғары ақуызды концентраттарға тоннасына $50 доллар үстемеақы қою да шығынды басты назарға алатын сатып алушылар үшін тиімсіз.

Айова штатындағы бір жем зауытының менеджері былай атап өтті:

“Біздің клиенттер тоннасына түсетін шығынға мән береді, ал ақуыздың граммына түсетін шығынға емес. Бұл өзгермейінше премиум өнімдер сұранысқа ие болмайды.”

Сонымен қатар, 2024 жылғы Халықаралық жем өнеркәсібі федерациясының сауалнамасына сәйкес, АҚШ-тағы соя ұны сатушылардың тек 22,1 %-ы ақуыздың қорытылу көрсеткішін (PDIAAS) жариялайды, ал ЕО-да бұл көрсеткіш 89,1 %-ды құрайды.

2023 жылы Арканзас университетінің жүргізген сынағында 60% соя протеин концентратын қолданған құс фермалары 1,45 FCR көрсеткішіне жеткен, ал стандартты ұн бойынша бұл көрсеткіш 1,62 болған — бірақ жапсырма болмағандықтан сатып алушылар бұл мәлімдемені растай алмайды. Сонымен қатар, Ұлттық майлы дақылдарды өңдеушілер қауымдастығының (NOPA) зерттеуі көрсеткендей, егер сұрыптау стандарттары оларға тиісті сыйақы берсе, АҚШ-тағы соя өсірушілердің 87%-і жоғары ақуызды сорттарды өсірер еді.

Осы уақытта Бразилиядағы жем сынақтары премиум соя протеиндерін пайдаланатын құс фермаларының FCR жақсарғандықтан жем шығындарын тоннасына $1,50-ге дейін үнемдейтінін көрсетеді — бұл сала бойынша шығын-пайда талдауларын қайта қарастыру қажеттігін тудырады. Бұл мынандай зиянды шеңберді қалыптастырады:

Шаруалар акрға түсетін бушелдерді барынша арттыру үшін жоғары өнімді, ақуызы төмен соя бұршақтарын артық көреді.
Өңдеушілер көлемге негізделген ұнтақтауға баса назар аударады, ал арнайы қосымша құн беретін желілерге емес.
Құс өсірушілер арзанырақ ұнды таңдап, тиімсіз жемге тәуелділікті жалғастырып отыр.

Осы циклді бұзу құрылымдық кедергілерді жоюды талап етеді — бұл саяси реформаларды, нарықты қайта тәрбиелеуді және технологиялық инновацияларды қажет ететін сын-қатер.

Қосылған құны бар соя протеиніне ынталандыруды қайта жобалау стратегиялары

АҚШ соя нарығын жоғары ақуызды, қосымша құнды өндіріске бағыттау үшін көп мүдделі тараптардың ынталандыру шеңбері қажет. Төменде 2024 жылғы нарық деректері, саяси сараптамалар мен технологиялық жаңалықтар негізінде расталған, құс азығына премиум соя ақуызын енгізуді жеделдететін стратегиялар келтірілген.

1. Сапаны бағалау жүйелері

АҚШ Ауыл шаруашылығы департаментінің Федералдық дәнді дақылдарды тексеру қызметінің (FGIS) сорттау жүйесі физикалық қасиеттерге, мысалы, сынақ салмағына (минималды 54 фунт/бушель) және бөгде қоспалардың шегіне (≤11 TP3T) негізделген, ал қоректік құндылық ескерілмейді. Қосылған құндылығы бар соя протеинін ынталандыру үшін реформалар қоректік сапаға басымдық беруі тиіс:

a. Ақуыз мөлшеріАҚШ-тағы ағымдағы соя бұршақтарының орташа ақуыз мөлшері 35–40%-ды құрайды, ал жоғары құнды сорттар (мысалы, Prolina®) 45–48%-ға дейін жетеді. Ақуыз мөлшерінің 1%-ға өсуі соя ұнының құнын арттыруы мүмкін $2-$ 4/тонна, аударады $20-$ АҚШ фермерлері үшін жылына 40 миллион доллар (USDA-ERS, 2023).

b. Амин қышқылдарының профильдеріЛизин мен метионин құс өсірудегі FCR үшін аса маңызды. Pioneer® A-Series сияқты заманауи соя гибридтері лизин мөлшерін 10–15 %-ға жоғарылатады. Зерттеулер көрсеткендей, аминқышқылдары оңтайландырылған рациондар бройлер FCR көрсеткішін 3–5 %-ға жақсартады (Иллинойс университеті, 2023).

в. ҚорытылуыСтандартталған әдістер, мысалы in vitro ілеалдық қорытылымдылық сынақтары (IVID), кеңінен қолданылуда. Мысалы, соя протеіні концентраты (SPC) 85–90 % қорытылымдылыққа қол жеткізеді, ал дәстүрлі ұн 75–80 %-ға тең (Journal of Animal Science, 2024).

2013 жылы Бразилия салық несиелерін қайта құрып, шикі бұршаққа қарағанда соя ұны мен майының экспортын артықшылықты қолдады, нәтижесінде екі жыл ішінде қосылған құны бар экспортты 221 %-ға арттырды. АҚШ жоғары ақуызды соя өсіретін фермерлерге салықтық қайтарымдар арқылы осы тәжірибені қайталай алады, бұл өндірушілердің маржасын акрға 50–70 долларға арттырады деп есептеледі.

2. Технологиялық мүмкіндік берушілер: GeoPard-тың дәл құралдары

GeoPard-тың ауылшаруашылық бағдарламалық қамтамасыз етуі гиперспектралды бейнелеу мен машинамен оқытуды пайдалана отырып, далалардағы ақуыздың өзгергіштігін картаға түсіретін нақты уақыттағы ақуыз талдау модульдерін ұсынады. Гиперспектралды сенсорлар дақыл жамылғысының шағылысуын талдап, ақуыз мөлшерін 95% дәлдікпен болжауға мүмкіндік береді.

2023 жылғы Иллинойс штатындағы пилоттық жобада GeoPard ұсынған мәліметтерді пайдаланған фермерлер егіс егу тығыздығын және азот енгізу уақытын оңтайландыру арқылы ақуыз өнімділігін 8%-ға арттырды.
2024 жылы Небраскадағы бір кооператив GeoPard-тың аймақтандыру карталарын өзгермелі мөлшердегі егу технологиясымен біріктіріп, 12% жоғары ақуызды соя бұршағын өсірді.GeoPard жағдай талдауы).
Сонымен қатар, GeoPard компаниясының NUE алгоритмдері 2024 жылғы Айова штатындағы пилоттық жобада азот шығынын 20 %-ға азайтып, протеин деңгейін сақтап қалды. Бұл 2030 жылға дейін ауыл шаруашылығына байланысты азот ағынын 30 %-ға қысқарту жөніндегі АҚШ Ауыл шаруашылығы департаментінің (USDA) мақсатына сәйкес келеді.

АҚШ соясын тағамдық көрсеткіштер негізінде қайта бағалау – GeoPard-тың дәл құралдары мен жаһандық саясат модельдерінің қолдауымен – 2030 жылға қарай жыл сайынғы қосылған құннан 500–700 миллион доллар көлеміндегі кірісті ашуға мүмкіндік береді.

Құс өнеркәсібінің қажеттіліктеріне ынталандыру шараларын сәйкестендіру арқылы фермерлер жоғары баға алады, өңдеушілер сапалы шикізатпен қамтамасыз етіледі, ал қоршаған орта ресурстарды тиімді пайдаланудан пайда көреді. Сояны бағалауды ақуызға бағытталған революцияны енді бастау уақыты келді.

3. Сертификация және премиум нарықтары

АҚШ соя нарығында тағамдық сапаға арналған стандартталған сертификаттау жоқ, ал құс өсірушілердің ақуызы мол, қорытылуы оңай соя ұнына сұранысы айқын. USDA Organic және Non-GMO Project Verified белгілері өндіріс әдістерін қамтыса да, “Жоғары ақуызды соя” сертификаты мыналарды қамтамасыз ету арқылы осы олқылықты жоюы мүмкін:

Ақуыздың минималды шекті мәндері (≥45% шикі ақуыз, ≥50% үшін премиум деңгейлері).
Амин қышқылдарының профильдері (лизин ≥2,81 TP3T, метионин ≥0,71 TP3T) құс азығының формулаларына сәйкес келуі тиіс.
Тұрақтылық көрсеткіштері (азотты пайдалану тиімділігі ≥60%, GeoPard сияқты құралдар арқылы расталған).

2024 жылы Еуропалық Одақ тұрақты ауылшаруашылық-азық-түлік өнімдерін ілгерілетуге 185,9 миллион еуро бөліп, импортталған сояға тәуелділікті азайту мақсатында ақуызға бай дақылдарға басымдық берді (Еуропалық комиссия). Сол сияқты, АҚШ Farm Bill қаражатын сертификатталған жоғары ақуызды сояны маркетингтік науқандарға бағыттап, Tyson Foods пен Pilgrim's Pride сияқты құс интеграторларын нысанаға ала алады. Сертификациялар қазірдің өзінде үстеме бағаны қамтамасыз етеді:

Сертификатталған ГМО-сыз соя бұршақтары қазірдің өзінде ... $2-$ Бушельге 4 долларлық үстемеақы (АҚШ Ауыл шаруашылығы департаментінің сауда қызметі, 2023).
“Жоғары ақуызды” белгісі тағы бір қосуы мүмкін $1.50-$ 3 премиум, фермерлерді GeoPard сияқты дәл егіншілік құралдарын қолдануға ынталандырады.

4. Үкімет пен саясат рычагтары

АҚШ Ауыл шаруашылығы департаментінің (USDA) Қосылған құны бар өндірушілерге грант (VAPG) бағдарламасы жоғары құнды соя протеинін өндіруді ынталандыру үшін маңызды құрал болып табылады. 2024 жылы $31 миллион бөлінді, гранттар мынадай ұсыныстарды қамтиды:

Жобаның техникалық-экономикалық негіздемесін әзірлеу және айналым капиталы үшін $250,000-ге дейін.
Бизнес-жоспарлау үшін $75 000-ға дейін (АҚШ Ауыл шаруашылығы департаментінің ауылдық даму басқармасы, 2024).

Мысалы, Миссури штатындағы фермерлер кооперативі 2023 жылы соя протеині концентратын (SPC) өңдеу зауытын құру үшін $200,000 VAPG грантын алды. Тауарлық соя ұнынан SPC-ге (65% протеинге қарсы 48%) көшкеннен кейін жергілікті құс фермалары былай хабарлады:

FCR жақсарғандықтан (1,50-ден 1,35-ке) жем шығындары 12%-ға азайды.
18% әр құс бойынша пайда маржасы жоғары.

Осы арада 2023 жылғы Ауыл шаруашылығы туралы заң климатқа бейімделген тауарларға $3 миллиард бөліп, субсидиялауға тікелей жол ашты:

Дәл азотты басқару (GeoPard-тың NUE модульдері арқылы)
Жоғары ақуызды соя өсіру (50%-ден астам ақуыз мөлшері үшін сыйақы)

2024 жылы жүзеге асырылған, Айова штатындағы 200 ферманы қамтыған жаңашыл бастама GeoPard компаниясының дәл ауылшаруашылық құралдарын соя өндірісіне енгізудің трансформациялық әлеуетін көрсетті. Компанияның ақуыз карталау және азотты пайдалану тиімділігі (NUE) аналитикасын қолдану арқылы қатысушы фермерлер қосымша құнды соя өндірісінің экономикалық тиімділігін айқындайтын ерекше нәтижелерге қол жеткізді:

$78/акр тыңайтқыш шығындарын үнемдеу
6.2% соя бұршақтарында ақуыз мөлшерінің өңірлік орташа көрсеткішпен салыстырғанда жоғары болуы
$2,50/бушель премиясы құс азығын сатып алушылардан (Айова соя ассоциациясының есебі, 2024)

Еуропалық Одақтың Азық-түлік және ауыл шаруашылығы саясатының (CAP) экологиялық схемалары фермерлерге ақуыздық дақылдар өсіру үшін гектарына 120 евро төлейді. АҚШ бұл тәжірибені “Ауыл шаруашылығы туралы заң” аясындағы «Ақуыздық дақылдарды қолдау бағдарламасы» арқылы қайталай алады. Сонымен қатар, Бразилияның 2024 жылғы салық реформасы соя ақуызына 81 TP3T экспорттық салықты қайтаруды ұсынады (шикі бұршаққа – 121 TP3T).

Ұқсас түрде, Иллинойс штатында (2024) ұсынылған АҚШ Соя Инновациясы Салық Кредиті (SITC) SPC өндірісі үшін 5% штаттық салық кредитін береді. Сонымен қатар, Миннесота штатының Ауыл шаруашылығы Инновациялық аймақ бағдарламасы (2023) соя өңдеуді жаңартуға $4,2 миллион доллар бөліп, мыналарға әкелді:

9% SPC шығымы көбірек
$11 миллион жаңа құс шаруашылығы келісімшарттарында (Миннесота штатының ауыл шаруашылығы департаменті, 2024)

5. Тараптардың білім беру және экономикалық талдау: сапалы соя мен тауарлық соя

Құс азығына қосымша құнды соя протеинін енгізу фермерлерді, өңдеушілерді және жем зауыттарын оның ұзақ мерзімді экономикалық және экологиялық пайдасы туралы оқытуға тәуелді. Соңғы бастамалар мен зерттеулер мақсатты білім беру бағдарламаларының трансформативтік әлеуетін, әсіресе GeoPard модульдері сияқты дәл ауыл шаруашылығы құралдарымен үйлескенде, айқын көрсетеді.

1. Орта Батыс өңірі бойынша кейс-зерттеуАмерикалық соя қауымдастығының 2023 жылғы семинарлары жоғары ақуызды сояның өнімділігін қалай арттыра алатынын көрсетті. $50-$ Шығындардың жоғары болуына қарамастан, актіге 70 тонна артық өнім. GeoPard модульдерін пайдаланатын фермерлер азот қалдықтарын 151 тоннаға азайтып, шығындарды өтеді.

2. Сандық ресурстарСоя зерттеу және ақпараттық желісі (Soybean Research & Information Network, SRIN) сияқты платформалар дәл ауыл шаруашылығы арқылы ақуыз мөлшерін оңтайландыру бойынша тегін вебинарлар ұсынады. 2023–2024 жылдары ол 15 вебинар өткізіп, 3 500-ден астам фермерге қол жеткізді, ал 681 TP3T ақуызды оңтайландыру әдістерін жақсырақ түсінгендерін хабарлады.

3. Айова штаты университетіЗерттеушілер жем тиімділігінің моделін әзірледі, ол FCR көрсеткішін 1%-ға жақсарту (мысалы, 1.5-тен 1.485-ке дейін) құс өсірушілерге әр құсқа $0.25 үнемдеуге мүмкіндік беретінін көрсетеді (ISU зерттеуі, 2023GeoPard-пен серіктес болу арқылы олар енді соя протеіні көрсеткіштерін FCR нәтижелерімен байланыстыру бойынша оқыту ұсынады.

4. Пердью университетіӨзгертілген соя протеині концентраттарымен (MSPC) жүргізілген сынақтар бройлерлердің өсу қарқынын 7% жылдамдатқанын көрсетті, бұл жем зауыттарын рациондарды қайта құрастыруға көндіруге дәлел болатын деректерді ұсынады (Құс шаруашылығы ғылымдары, 2024). MSPC-пен рационды қайта формуляциялаған жем зауыттары жем қалдықтарының азаюы мен “тиімділікке оңтайландырылған” құс өнімдеріне жоғары баға белгілеуі арқасында пайда маржасын 12%-ке арттырғанын хабарлады.

6. Қосылған құны бар соя протеинінің экономикалық тиімділігі және енгізу

Қосылған құны бар соя протеіні өнімдерін енгізу дәстүрлі соя ұнымен салыстырғанда олардың экономикалық тиімділігіне байланысты. Алайда қосылған құны бар соя өнімдерін өндіру қымбатырақ болса да, олардың құс азығына арналған артықшылықтары ұзақ мерзімді үнемдеуге мүмкіндік береді.

Соя ұны түрлері: бағасы және қоректік көрсеткіштері

Дереккөздер: USDA ERS, GeoPard Analytics, 2024.

Жылына 1 миллион бройлер өсіретін ферма SPC-пен жем шығындарын $23 400-ге үнемдейді.
5 жыл ішінде бұл SPC үшін тоннасына $200 көлеміндегі үстемені өтеп, бастапқы инвестицияны ақтайды.

2023 жылы Айова штаты университетінде жүргізілген сынақ бройлер рационында кәдімгі соя ұнын SPC-пен 10%-ке алмастыру алты апта ішінде әр құсқа $1,25-ке жем шығынын азайтқанын көрсетті, бұл жылдамырақ өсу қарқыны мен төмен өлім-жітімнің арқасында болды.

Ақуыз тиімділігіSPC тоннасына 30–40%-ға қымбат болса да, оның ақуыз мөлшерінің жоғары болуы (60–70%) ақуыздың килограмына шаққандағы баға айырмашылығын азайтады.
FCR үнемдеулері: 5% FCR жақсартуы 1 000 құс басына жем тұтынуды 120–150 кг-ға азайтады, үнемдейді $50-$ Ет тоннасына 70 (азық шығыны $0,30/кг болғанда).
Шығын мен табыстың теңгерілетін нүктесіҚазіргі баға деңгейінде құс өсірушілер FCR көрсеткішін ≥4%-ке жақсартса, SPC енгізу шығынды өтейді, бұл оның ірі ауқымды өндірістер үшін тиімділігін көрсетеді.

Әлемдік кейс-зерттеулер: Қосылған құны бар соя өндірісін ынталандыру бойынша сабақтар

Бразилияның экспорттық салық реформаларынан бастап Еуропалық Одақтың дәл ауылшаруашылық субсидияларына дейінгі осы жағдай талдаулары құндылық қосылған соя өндірісіне көшу тек мүмкін ғана емес, азық нарықтарының құбылмалылығы мен тұрақтылық стандарттарының қатаңдауы дәуірінде экономикалық тұрғыдан өте маңызды екенін көрсетеді.

1. Бразилия: Қосылған құн бойынша экспортқа салықтық жеңілдіктер

2013 жылы Бразилия салық саясатын түбегейлі өзгертіп, шикі соя бұршақтарының орнына өңделген соя өнімдерін экспорттауға басымдық берді, бұл әлемдік нарықта жоғары құндылық алуға бағытталды.

Үкімет соя өңдеушілеріне берілетін ішкі салық несиелерін жойып, оларды соя ұны мен майын экспорттайтындарға қайта бөлді. Бұл саясат өзгерісі сол кезде әлемдегі ең ірі соя ұны экспортері болған Аргентинамен бәсекеге түсуге бағытталды. Осы саясаттың кейбір негізгі әсерлері:

Экспорттық өрлеу2023 жылға қарай Бразилияның соя ұны экспорты 18,5 миллион метрлік тоннаға (MMT) жетті, бұл 2013 жылғы 10,7 MMT деңгейімен салыстырғанда 72% өсім. Соя майы экспорты да осы кезеңде 48%-ға өсті (USDA FAS).
Нарықты үстемдік етуҚазіргі уақытта Бразилия әлемдік соя ұны экспортының 251 TP3T-ын қамтамасыз етеді, бұл Аргентинаның (301 TP3T) және АҚШ-тың (151 TP3T) көрсеткіштерімен бәсекелеседі (Oil World Annual 2024).
Ішкі өсімСалық жеңілдіктері өңдеу инфрақұрылымына инвестицияларды ынталандырды. 2013–2023 жылдары ұнтақтау қуаты 401 TP3T-ға ұлғайып, 23 жаңа зауыт қосылды (ABIOVE).

Сонымен қатар, Бразилияның ең ірі соя өндіретін штаты Мату-Гросуда Amaggi және Bunge сияқты өңдеушілер салық жеңілдіктерін пайдаланып, интеграцияланған кешендер салды. Бұл зауыттар қазір Оңтүстік-Шығыс Азиядағы құс азығына арналған жоғары ақуызды соя ұнын (48–50 % ақуыз) өндіріп, штатқа жылына 1,2 миллиард теңгеге жуық табыс әкеледі (Мату-Гросу ауыл шаруашылығы институты).

Сондықтан Бразилияның үлгісі мақсатты салық саясаты нарық жүргізушілердің мінез-құлқын қалай өзгерте алатынын көрсетеді. АҚШ тауарлардың артық ұсынысына қарсы тұру үшін соя ақуызы концентратын (SPC) өндіруге салық несиелері сияқты ұқсас ынталандыруларды енгізе алады.

2. ЕО: Қолданушыларға бағытталған ауыл шаруашылығы және сапаға негізделген фермершілік

Еуропалық Одақтың Біртұтас ауыл шаруашылығы саясаты (CAP) ұзақ уақыт бойы көлемнен гөрі тұрақтылық пен сапаға басымдық беріп келеді. 2023–2027 жылдарға арналған CAP реформалары 387 миллиард еуро көлеміндегі субсидияларды эко-схемаларға, соның ішінде ақуыздық дақылдарды өсіру мен азот тиімділігіне байланыстырады. Негізгі механизмдердің кейбірі:

1. Ақпараттық өнімдерге арналған премиялар

Еуропалық Одақтың 2023–2027 жылдарға арналған Бірлескен ауыл шаруашылығы саясаты (CAP) аясында соя немесе бұршақ (мысалы, бұршақ, нут) сияқты ақуызға бай дақылдар өсіретін фермерлерге гектарына 250–350 евро тікелей төлемдер беріледі, ал бидай немесе жүгері сияқты дәстүрлі дақылдар үшін бұл көрсеткіш гектарына 190 евроны құрайды. Бұл үстемеақы CAP-тың 387 миллиард еуролық бюджетінен қаржыландырылып, мына мақсаттарды көздейді:

Импортталған сояға тәуелділікті азайту (Еуропалық Одақтың соясының 80% бөлігі импортталады, негізінен Оңтүстік Америкадан келетін генетикалық модификацияланған соя).
Топырақтың денсаулығын жақсартуБұршақ тұқымдастары азотты табиғи түрде бекітеді, синтетикалық тыңайтқыштардың қолданылуын азайтады. 20–30% (Еуропалық Одақ Комиссиясы, 2024).
Ақуыз бойынша өзін-өзі қамтамасыз етуді арттыру2020 жылдан бері ЕО-ның соя өндірісі 31%-ға өсті (Eurostat).

Ақуыздық дақылдар мен дәнді дақылдар арасындағы қаржылық алшақтық (€250–350/га және €190/га) фермерлерді дақыл түрін ауыстыруға ынталандырады. Мысалы, 100 гектарлық соя егетін шаруашылық жылына €25 000–€35 000 табыс табады, ал дәнді дақылдардан – €19 000, яғни 32–84% премия.

2. Тұрақтылыққа байланысты төлемдер:

30% тікелей төлемдері дақыл айналымын қолдану және синтетикалық тыңайтқыштарды азайту сияқты тәжірибелерге байланысты. 2024 жылы жануар азығына “тұрақты ЕО соясын” ілгерілетуге 185,9 миллион еуро бөлінді (ЕО ауыл шаруашылығы мен азық-түлік өнімдерін ілгерілету саясаты).

Еуропалық Одақтың соя өсіруінде синтетикалық тыңайтқыш қолдану 2021 жылдан бері 18,1 %-ға төмендеді.
CAP талаптарына сәйкес келетін сояны пайдалана отырып жүргізілген құс азығы сынақтары FCR көрсеткішін 4,2% жақсартты.

3. Францияның «Soy Excellence» бастамасы

Францияның Soy Excellence бастамасы, Terres Univia (300 000 фермерді білдіретін) сияқты ауылшаруашылық кооперативтерінің көшбасшылығымен жүзеге асырылып, ақуыз сапасына басымдық беру арқылы соя өндірісін түбегейлі өзгертті. Бағдарлама ақуызға негізделген санаттау жүйесін енгізіп, құс азығына арналған соя бұршақтары үшін кемінде 42 % ақуыз құрамын талап етеді — бұл ЕО-ның орташа көрсеткіші 38–40 %-дан жоғары.

Осы стандартқа сай келетін фермерлер тоннасына 50 еуро қосымша төлем алады (стандартты соя үшін тоннасына 550 еуроға қарсы 600 еуро), бұл дәл азотты басқару және жоғары ақуызды тұқым сорттары сияқты озық тәжірибелерді енгізуге тікелей қаржылық ынта тудырады. 2021 жылдан 2024 жылға дейін бақыланған нәтижелер түбегейлі өзгерістерге әкелді:

Ақуыз өндірісі 12%-ға өсті, ал отандық соя өндірісі 18%-ға артып, 2020 жылғы 440 000 тоннадан 2023 жылғы 520 000 тоннаға дейін жетті.
Бұл өсім 200 000 тонна генетикалық модификацияланған соя импортын ығыстырып, тұрақсыз жаһандық нарықтарға тәуелділікті азайтты.
Құс шаруашылығы саласы да пайда көрді: азық айналым коэффициентінің (FCR) жақсаруы нәтижесінде жем шығыны тоннасына 8–10 еуроға төмендеді, деп хабарлады Франция Құс шаруашылығы қауымдастығы.

АҚШ үшін бұл француз үлгісі шикізатқа негізделген жүйелерден қосылған құн ауыл шаруашылығына көшудің жоспарын ұсынады.

Бұл тәсілді қайталап қолдану – USDA-ның ақуызға негізделген келісімшарттары (мысалы, 45% ақуыз деңгейінен асатын соя үшін тоннасына 10–15 доллар үстемеақы) және ГМО импортына тәуелділікті азайтуға бағытталған саясаттар (АҚШ құс шаруашылығы саласы жылына 6,5 миллион тонна импорттайды) – фермерлерге өндірісті құс азығына қойылатын талаптарға сәйкестендіріп, шығындарды тұрақтандырып, тұрақтылықты арттыруға мүмкіндік береді.

3. Германия: GeoPard-тың NUE іс жүзінде

GeoPard компаниясының Азотты пайдалану тиімділігі (NUE) модульдері сияқты дәл ауылшаруашылық құралдары соя сапасын оңтайландыруда төңкеріс жасап жатыр. 2023 жылы Германиядағы John Deere дилері LVA-мен бірлесіп өткізілген пилоттық жоба деректерге негізделген егіншіліктің ақуыз өнімділігін арттыра отырып, шығындарды қалай азайта алатынын көрсетті.

GeoPard бағдарламасы спутниктік суреттерді, топырақ сенсорларын және тарихи өнімділік деректерін талдап, өзгермелі мөлшердегі азот карталарын жасады.
22% азотты пайдалануды азайту (1 га-ға 80 кг-нан 62 кг-ға дейін).
Оптимизацияланған қоректік заттарды сіңірудің арқасында ақуыз мөлшері 4%-ға (40%-ден 41,6%-ға) өсті.
Көң мен тыңайтқыштарға кеткен шығындар 37 €/га, өнімділік төмендемейді (LVA-John Deere есебі).

Сонымен қатар, GeoPard-тың NUE құралы қазір қолданылады 15 000+ гектар Неміс соя фермаларында Еуропалық Одақтың тұрақтылық стандарттарына сәйкестікті жақсарту. АҚШ-та мұндай тәсілді енгізу фермерлерге Tyson мен Pilgrim's Pride сияқты құс еті алыптарының “төмен көміртекті жем” жөніндегі жаңа сұраныстарын қанағаттандыруға көмектеседі.

Технология мен трендтердің үйлесімі: GeoPard-тың дәл құралдарының рөлі

Қосымша құны бар соя протеинін өндірудің табыстылығы дәл ауылшаруашылық басқаруға тәуелді – бұл GeoPard компаниясының озық дәл ауылшаруашылық технологиясы арқылы толықтай шешілетін міндет. Компанияның озық аналитикалық платформасы фермерлерге протеинді оңтайландыруға арналған екі төңкеріс жасайтын мүмкіндік ұсынады:

1. Ақуыз құрамын талдау: сенсорларға негізделген премиум сояға арналған түсініктер

Қазіргі заманғы ауыл шаруашылығы дәлдікті талап етеді, ал GeoPard-тың ақуызды талдау құралдары фермерлердің жоғары ақуызды соя өсіру тәсілін түбегейлі өзгертіп жатыр. Спутниктік суреттерді, дрондарға орнатылған сенсорларды және жақын инфрақызыл (NIR) спектроскопиясын біріктіре отырып, GeoPard дақылдардың денсаулығы мен ақуыз деңгейі туралы нақты уақыттағы ақпарат береді. өнімді жинауға дейінгі.

i. NDVI және көпспектрлі бейнелеу:

Өсімдіктің өмірлік күші мен азот сіңіруін бақылайды, оны ақуыз синтезімен байланыстырады.
МысалАйова штатындағы сынақтар (2023) көрсетті 12% өсімі GeoPard-тың NDVI карталарына сүйене отырып суару мен тыңайтқыш қолдануды реттеу арқылы ақуыз мөлшерін арттыру.

ii. Жуық инфрақызыл спектроскопия:

Бұзылмайтын, даладағы ақуыз өлшеуі (дәлдігі: ±1,5%).
Шаруалар далаларды аймақтарға бөліп, жоғары ақуызды сояны қосымша құнды нарықтарға арналған бөлек жинай алады.

iii. болжамдық аналитика:

Машинамен оқыту модельдері өнімді жинауға дейінгі 6–8 апта бұрын ақуыз деңгейін болжап, маусым ортасында түзетулер енгізуге мүмкіндік береді.
Оқиғаға негізделген талдауИллинойс штатындағы бір кооператив GeoPard-тың ескертулерін күкірт қолдануды оңтайландыру үшін пайдаланып, 2023 жылы ақуыз мөлшерін 43%-ден 47%-ге дейін арттырды.

2. Азотты пайдалану тиімділігі (NUE): қалдықтарды азайту, сапаны арттыру

GeoPard-тың NUE модульдері ауыл шаруашылығының ең ірі мәселелерінің бірі – дақылдардың қоректенуін қоршаған ортаны қорғаумен үйлестіру мәселесін шешеді. Дақылдарды бақылауды жақсарту және құндылықты арттыру үшін оның негізгі ерекшеліктерінің кейбірі:

i. Үздіксіз айнымалы мөлшерлеме бойынша өтінім (VRA):

GPS-пен басқарылатын жабдық азотты қолданады. тек қажет болған жерде, артық пайдалануды азайту.
Мысал: Германиядағы John Deere дилері (LVA) қол жеткізді 20% азотты аз пайдалану өнімділікті сақтай отырып, сәйкес GeoPard-тың NUE іс-зерттеуі.

ii. Топырақтың саулығын мониторингтеу:

Сенсорлар органикалық заттар мен микробиологиялық белсенділікті бақылап, тыңайтқыш беру кестесін оңтайландырады.

iii. Сертификацияға дайындық:

GeoPard-тың бақылау тақталары тұрақтылық сертификаттары (мысалы, USDA Climate-Smart, EU Green Deal) бойынша сәйкестік есептерін жасайды.

GeoPard-тың дәл ауылшаруашылық технологиясы фермерлерге айтарлықтай экологиялық және экономикалық пайда әкеледі. Өздерінің озық аналитикалық платформасы арқылы азот қолдануды оңтайландыра отырып, жүйе азоттың ағып кетуін 15–25%-ға азайтады, бұл EPA су сапасы стандарттарына сәйкестікті қамтамасыз етуге тікелей үлес қосады.

Қаржылық тұрғыдан алғанда, фермерлер тыңайтқышқа кеткен шығындар бойынша акрға $12–18 доллар көлемінде елеулі үнемдеуге қол жеткізеді, ал GeoPard жазылымдарына жасалған инвестицияның қайтарымы әдетте небәрі 1–2 өсіру маусымында жүзеге асады.

Сонымен қатар, Небраска штатындағы бір кооператив GeoPard-тың ақуыз карталауын пайдаланып, жоғары ақуызды (50%+) соя бұршақтарын қосымша құнды өңдеуге бөліп алды. Бұл туғызды $50/тонна премиялары тауар бағаларымен салыстырғанда.

3. Технология мен трендтердің үйлесімі

Тауар нарықтары әлі де үстемдік етіп тұрса да, технологияға шебер фермерлер мен экологияға саналы тұтынушылардың үнсіз өрлеуі ережелерді қайта жазып жатыр. Айова штатындағы бір фермер былай деді: “GeoPard тек шығындарды қысқартуға ғана емес, болашақ нарық қалайтын өнімді өсіруге бағытталған”.”

GeoPard-тың ауылшаруашылық технологияларындағы инновациялары мен тұтынушылардың өзгеріп жатқан талғамдарының тоғысуы сирек кездесетін мүмкіндік тудырады:

Егістен асханаға дейінгі іздеу мүмкіндігіGeoPard-тың блокчейнге интеграцияланған модульдері құс өсірушілерге соя ақуызының мөлшерін және азот тиімділігін тексеруге мүмкіндік береді, бұл “фермадан жемге” дейінгі ашықтықты қамтамасыз етеді. Pilgrim's Pride жақында осы жүйені пилоттық режимде сынап, өз сатылымдарын арттырды. “Таза нөлдік тауық” ...жазған 34% (WattPoultry, 2024).

Саясаттық серпін: 2024 жылғы Ауыл шаруашылығы туралы заң жобасы қамтиды $500 миллиондық қор дәл ауыл шаруашылығын енгізу үшін GeoPard стиліндегі құралдар субсидия алуға құқылы (Сенаттың ауыл шаруашылығы комитеті, 2024).

Тұтынушылар тенденциялары: “Климатқа-ақылды” құс шаруашылығының үнсіз қозғаушысы

Шаруалар мен өңдеушілер күрделі жабдықтау тізбегінің экономикасымен күресіп жатқанда, тұтынушылардың өзгермелі талғамы құс шаруашылығын үнсіз қайта қалыптастырып жатыр. 2024 жылғы McKinsey есебіне сәйкес, АҚШ тұтынушыларының 64% енді құс етін сатып алғанда тұрақтылық белгілерін басты назарға алады, ал “климаттық ақылды” сияқты ұғымдар күшті айырмашылық жасаушы факторға айналып отыр.

Бұл үрдіс жоғары тиімді, төмен көміртекті жеммен өсірілген құс етіне сұраныстың өсуіне түрткі болып, өндірушілерге қосымша құнды соя протеинін енгізуге жаңа мүмкіндіктер мен қысымдар туғызуда.

1. Көміртегіге саналы тауықтардың өрлеуі

2023 жылы “төмен көміртекті” немесе “тұрақты тамақтандырылған” ретінде сатылатын құс еті нарығы жыл сайынғы есеппен 281 TP3T-ға өсіп, дәстүрлі құс еті нарығынан әлдеқайда озып кетті (Nielsen, 2024). Perdue мен Tyson сияқты ірі брендтер қазір “климаттық тұрғыдан тиімді” тауық етін 15–20 % баға үстемесімен сатады, жем тиімділігін (FCR) негізгі тұрақтылық көрсеткіші ретінде айқын көрсете отырып (Food Technologists институты, 2024).

Tyson Foods 2030 жылға дейін жабдықтау тізбегіндегі шығарындыларды 30%-ға азайтатынын уәде етті, ал жоғары ақуызды соя жемдерін пайдалану арқылы FCR көрсеткішін жақсарту негізгі рөл атқарады (Tyson тұрақтылық есебі, 2023).
McDonald's 2025 жылға дейін құс етінің 100% бөлігін расталған тұрақты жемді пайдаланатын фермалардан алуға міндеттеді, бұл бүкіл жем индустриясын қайта құруы мүмкін (QSR Magazine, 2024).

АҚШ Ауыл шаруашылығы департаментінің «Климатқа ақылды азық-түлік өнімдері бойынша серіктестік» бағдарламасы тұрақты ауыл шаруашылығы тәжірибелерін тұтынушылық нарықтармен байланыстыратын жобаларға $2,8 миллиард бөліп берді — соның ішінде соя негізіндегі, төмен көміртекті құс азығын насихаттайтын бастамалар бар (USDA, 2024).

2. Көміртек белгілеудегі жемнің жасырын рөлі

Жоғары ақуызды соя концентраттарына көшу тек тиімділік мәселесі ғана емес, сонымен бірге климаттық шешім. Дүниежүзілік ресурстар институтының (2023) зерттеуі көрсеткендей, дәстүрлі соя ұнынан (45 % ақуыз) концентрацияланған соя ақуызына (60 % ақуыз) ауысу жерді пайдалану мен азоттың ағып кетуінің төмендеуі арқасында әрбір бройлерге шаққанда жемге байланысты шығарындыларды 12 %-ға азайтады.

Сонымен қатар, тұтынушылардың осы байланыс туралы хабардарлығы тез өсіп келеді. 2024 жылғы Environmental Defense Fund сауалнамасы бойынша сатып алушылардың 41%-і қазір жануар азығы мен климаттық әсер арасындағы байланысты түсінеді — бұл көрсеткіш 2020 жылы небәрі 18% болған.

Бұл үрдіс “климатқа зиянсыз” құс шаруашылығы тек тар нарық емес, ол негізгі талапқа айналып келе жатқанын көрсетеді және салаға жемді қайдан алу, қалай белгілеу және қалай нарыққа шығару керектігін қайта қарастыруға мәжбүр етеді.

Қорытынды

Құс азығына қосылған құнды арттырған соя протеині өнімдерін кеңінен енгізу тауар нарығының динамикасы салдарынан елеулі қиындықтарға тап болуда, бірақ жабдықтау тізбегін стратегиялық қайта жобалау осы кедергілерді еңсере алады. Бразилияның экспорттық салық жеңілдіктері мен Еуропалық Одақтың сапаға негізделген субсидия бағдарламалары көрсеткендей, мақсатты саяси шаралар өндірісті жоғары құнды соя өнімдеріне тиімді бағыттай алады. АҚШ USDA сапаны бағалау реформалары мен Ауыл шаруашылығы туралы заңның (Farm Bill) протеин мөлшері мен тұрақтылықты марапаттайтын нормаларын пайдалана отырып, ұқсас тәсілдерді қолдана алады.

GeoPard-тың дәл ауылшаруашылық құралдары сияқты технологиялық шешімдер фермерлерге пайдасын сақтай отырып соя сапасын жақсартуға практикалық жол ұсынады, оның дәлелденген нәтижелеріне Еуропадағы сынақтарда ақуыз мөлшерінің 81 %-ға өсуі кіреді.

Тұтынушылардың тұрақты әдіспен өндірілген құс етіне сұранысы артып келе жатқандықтан, бұл жаңашылдықтар барған сайын құнды бола түседі, ал климатқа бейімделген құс еті нарығы жыл сайын 281 TP3T-ға кеңейіп отыр. Бұл трансформация фермерлерге жаңа табыс көздерін ашып, құс етін өндірушілердің тиімділігін арттырып, мал шаруашылығының экологиялық әсерін азайтады – ауыл шаруашылығы құн тізбегіндегі барлық мүдделі тараптар үшін нағыз жеңіс-жеңіс жағдайы.

Бұлттық негізделген трансформативті дақылдарға арналған ұсыныс моделі дәл ауыл шаруашылығын өзгертеді

Апрель 3, 2025-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.

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

Өсімдік ауруларын ерте анықтауда терең оқытуға негізделген компьютерлік көру қолданбаларының рөлі

Апрель 2, 2025-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.

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

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?

Март 16, 2025-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

Февраль 9, 2025-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

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.

Январь 26, 2025-де жарияланды Muhammad Farjad арқылы

Неліктен ірі фермалар дәл ауыл шаруашылығын қабылдауға бейім?

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

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.
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.
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

Кеңінен асырап алу үшін күрес

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.

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

Январь 26, 2025-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:

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.
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.
Қашықтықтан зондтау (2000 жылдар): Спутниктік суреттер мен дрондарды пайдалану фермерлерге егіннің денсаулығын, топырақ жағдайын және суды пайдалануды бұрын-соңды болмаған дәлдікпен бақылауға мүмкіндік берді.
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

Июль 13, 2024Июль 13, 2024-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

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.

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.

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. 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.

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

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.

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

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.

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

Июль 6, 2024-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”.”

Өнімдер

Басқару аймақтары және VRA карталары

Егінді бақылау

Топографиялық талдау

3D карталар

Скауттық барлау

Топырақ деректерін талдау

Жалаң бенчмаркинг

Қолдану кезіндегі және отырғызу кезіндегі деректер

Өнім деректері

Рөл бойынша

Өсірушілерге

Ауыл шаруашылығы бойынша кеңес берушілер мен қызмет көрсету компаниялары үшін

Кооперативтер мен агрохолдингтер үшін

Ауылшаруашылыққа қажетті ресурстарды өндірушілер мен дилерлер үшін

Ауыл шаруашылығы техникасын өндірушілер мен дилерлер үшін

Агротехнология компаниялары үшін

Ғылым мен білім үшін

Қолдану жағдайы бойынша

Көміртекті егіншілік

Биологиялық алуантүрлілік

Өнімдер

Рөл бойынша

Қолдану жағдайы бойынша

Дәл ауыл шаруашылығы API

Ақ жапсырма шешімдері

Виджеттер

MyJohndeere операциялар орталығы қосылған

Блог

Бір беттік PDF

Тұрақтылық

Дистрибьюторлар мен серіктестер

Оқулық - Веб

Оқулық - Мобильді

Деректер үйлесімділігі

API құжаттамасы

Өнім шығарылымдары

Жаңалықтар бюллетеньдері

Жаңалықтар бюллетеньдері

Гербицидке төзімділіктің артуы және оның әсері

Машиналық көру: арамшөптерді басқарудың тұрақты баламасы

CottonWeedDet12 деректер жиынтығы: табысқа жетудің негізі

YOLOv8: техникалық жаңалықтар мен архитектуралық жетілдірулер

Модельді оқыту: әдістеме және нәтижелер

Мәселелер мен болашақ бағыттар

Қорытынды

Қосылған құны бар соя протеиніне кіріспе

Қосылған құны бар соя протеині Нарықтық динамика және қиындықтар

1. Артық ұсыныс мәселесі

2. Құрылымдық кедергілер

Қосылған құны бар соя протеиніне ынталандыруды қайта жобалау стратегиялары

1. Сапаны бағалау жүйелері

2. Технологиялық мүмкіндік берушілер: GeoPard-тың дәл құралдары

3. Сертификация және премиум нарықтары

4. Үкімет пен саясат рычагтары

5. Тараптардың білім беру және экономикалық талдау: сапалы соя мен тауарлық соя

6. Қосылған құны бар соя протеинінің экономикалық тиімділігі және енгізу

Әлемдік кейс-зерттеулер: Қосылған құны бар соя өндірісін ынталандыру бойынша сабақтар

1. Бразилия: Қосылған құн бойынша экспортқа салықтық жеңілдіктер

2. ЕО: Қолданушыларға бағытталған ауыл шаруашылығы және сапаға негізделген фермершілік

3. Германия: GeoPard-тың NUE іс жүзінде

Технология мен трендтердің үйлесімі: GeoPard-тың дәл құралдарының рөлі

1. Ақуыз құрамын талдау: сенсорларға негізделген премиум сояға арналған түсініктер

2. Азотты пайдалану тиімділігі (NUE): қалдықтарды азайту, сапаны арттыру

3. Технология мен трендтердің үйлесімі

Тұтынушылар тенденциялары: “Климатқа-ақылды” құс шаруашылығының үнсіз қозғаушысы

1. Көміртегіге саналы тауықтардың өрлеуі

2. Көміртек белгілеудегі жемнің жасырын рөлі

Қорытынды

Қазіргі заманғы ауыл шаруашылығында жасанды интеллектуалды жүйелерге өсіп келе жатқан қажеттілік

TCRM қалай жұмыс істейді: деректер мен машинамен оқытуды біріктіру

Неліктен TCRM дәстүрлі егіншілік әдістерінен артық

Нақты әлемдегі әсері: Пенджабтан алынған кейс-зерттеулер

TCRM-нің табысының артындағы техникалық инновациялар

Ауыл шаруашылығында жасанды интеллектіні енгізудегі қиындықтар

Ауыл шаруашылығындағы жасанды интеллекттің болашағы

Қорытынды

Өсімдік ауруларын ерте анықтаудың жаһандық азық-түлік қауіпсіздігі үшін маңызы

Жасанды интеллект пен компьютерлік көру дақыл ауруларын қалай анықтайды

Қазіргі заманғы ауыл шаруашылығындағы озық сенсорлардың рөлі