Debesų kompiuterijoje įdiegtas transformacinis derliaus rekomendacijų modelis keičia tiksliąją žemdirbystę

Žemės ūkis yra kryžkelėje. Iki 2050 m. pasaulio gyventojų skaičiui pasiekus 9,7 milijardo, ūkininkai turi pagaminti 701 TP3 TB daugiau maisto, kartu kovodami su klimato kaita, dirvožemio degradacija ir vandens trūkumu.

Tradiciniai ūkininkavimo metodai, kurie remiasi pasenusia praktika ir spėlionėmis, nebepakankami. Įeikite į Transformacinių pasėlių rekomendacijų modelis (TCRM), dirbtiniu intelektu paremtas sprendimas, skirtas šiems iššūkiams spręsti tiesiogiai.

Šiame straipsnyje nagrinėjama, kaip TCRM naudoja mašininį mokymąsi, daiktų interneto jutiklius ir debesų kompiuteriją, kad pateiktų 94% tikslios pasėlių rekomendacijos, suteikdamas ūkininkams galių didinti derlių, mažinti atliekas ir taikyti tvarią praktiką.

Augantis dirbtinio intelekto poreikis šiuolaikiniame ūkininkavime

Maisto paklausa sparčiai auga, tačiau tradiciniam ūkininkavimui sunku neatsilikti. Tokiuose regionuose kaip Pandžabas (Indija) – svarbus žemės ūkio centras – dirvožemio būklė prastėja dėl per didelio trąšų naudojimo, o požeminio vandens atsargos sparčiai senka.

Ūkininkai dažnai neturi prieigos prie realaus laiko duomenų, todėl priima prastus sprendimus dėl pasėlių pasirinkimo, drėkinimo ir išteklių naudojimo. Štai kur Tiksliųjų technologijų žemės ūkis, paremtas dirbtiniu intelektu, tampa itin svarbus.

Skirtingai nuo įprastų metodų, tikslioji žemdirbystė naudoja tokias technologijas kaip daiktų interneto jutikliai ir mašininis mokymasis, kad analizuotų lauko sąlygas ir pateiktų pritaikytas rekomendacijas. Tikslioji žemdirbystė (TCRM) yra šio metodo pavyzdys, siūlanti ūkininkams praktines įžvalgas, pagrįstas dirvožemio maistinėmis medžiagomis, oro sąlygomis ir istoriniais duomenimis.

Integruodama dirbtinį intelektą į ūkininkavimą, TCRM panaikina atotrūkį tarp tradicinių žinių ir šiuolaikinių inovacijų, užtikrindama, kad ūkininkai galėtų tvariai patenkinti būsimus maisto poreikius.

“Tai ne tik apie technologijas – tai užtikrinimas, kad kiekvienas ūkininkas turėtų klestėjimo įrankius.”

Kaip veikia TCRM: duomenų sujungimas ir mašininis mokymasis

Iš esmės TCRM yra Dirbtinio intelekto pasėlių rekomendavimo sistema kuri sujungia kelias technologijas, kad būtų teikiami tikslūs patarimai. Procesas prasideda nuo duomenų rinkimo. Laukuose išdėstyti daiktų interneto jutikliai matuoja tokius svarbius parametrus kaip dirvožemio azotas (N), fosforas (P), kalis (K), temperatūra, drėgmė, krituliai ir pH lygis.

Šie jutikliai realiuoju laiku perduoda duomenis į debesijos pagrindu veikiančią platformą, kuri taip pat renka istorinius pasėlių našumo įrašus iš pasaulinių duomenų bazių, tokių kaip NASA ir FAO. Surinkti duomenys yra kruopščiai valomi.

Trūkstamos vertės, pvz., dirvožemio pH rodmenys, užpildomos naudojant regioninius vidurkius, o išskirtys, pvz., staigūs drėgmės šuoliai, yra pašalinamos. Išvalyti duomenys normalizuojami siekiant užtikrinti nuoseklumą; pavyzdžiui, kritulių vertės skaluojamos nuo 0 (100 mm) iki 1 (1000 mm), kad būtų paprasčiau analizuoti.

Toliau perima TCRM hibridinis mašininio mokymosi modelis. Jis sujungia Atsitiktinių miškų algoritmai– metodas, kuriame naudojami 500 sprendimų medžių, siekiant išvengti klaidų, – su gilaus mokymosi sluoksniais, kurie aptinka sudėtingus modelius.

Svarbi naujovė yra kelių galvų dėmesio mechanizmas, kuris nustato ryšius tarp kintamųjų. Pavyzdžiui, pripažįstama, kad didelis kritulių kiekis dažnai koreliuoja su geresniu azoto įsisavinimu tokiuose pasėliuose kaip ryžiai.

Modelis apmokomas per 200 ciklų (epochų), o mokymosi greitis yra 0,001, ir tiksliai koreguoja savo prognozes, kol pasiekia 94% tikslumą. Galiausiai sistema teikia rekomendacijas per debesijos pagrindu veikiančią programėlę arba SMS įspėjimus, užtikrindama, kad net atokių vietovių ūkininkai laiku gautų patarimus.

Kodėl TCRM pranašesnis už tradicinius ūkininkavimo metodus

Tradicinėms pasėlių rekomendavimo sistemoms, tokioms kaip logistinė regresija arba artimiausių kaimynų (KNN) metodas, trūksta sudėtingumo, kad būtų galima susidoroti su ūkininkavimo sudėtingumu.

Pavyzdžiui, KNN susiduria su nesubalansuotais duomenimis – jei duomenų rinkinyje yra daugiau įrašų apie kviečius nei apie lęšius, jo prognozės nukrypsta link kviečių. Panašiai, kitas algoritmas „AdaBoost“ tyrime dėl perteklinio pritaikymo pasiekė tik 11,5% tikslumą. TCRM šiuos trūkumus išsprendžia naudodamas hibridinį dizainą.

Sujungus medžių pagrindu veikiančius algoritmus (skaidrumui) su giliuoju mokymusi (sudėtingiems modeliams tvarkyti), jis subalansuoja tikslumą ir interpretuojamumą.

Bandymų metu TCRM pasiekė 97,67% kryžminio patvirtinimo balas, įrodydamas jo patikimumą įvairiomis sąlygomis. Pavyzdžiui, atliekant bandymus Pandžabe, granatus buvo rekomenduojama auginti ūkiuose, kuriuose yra daug kalio (120 kg/ha) ir vidutinis pH (6,3), todėl padidėjo 30% derlius.

Ūkininkai taip pat sumažino trąšų naudojimą 15% ir vandens švaistymą 25%, nes sistema pateikė tikslias maistinių medžiagų ir drėkinimo gaires. Šie rezultatai pabrėžia TCRM potencialą transformuoti žemės ūkį iš daug išteklių reikalaujančios pramonės į tvarią, duomenimis pagrįstą ekosistemą.

Realaus pasaulio poveikis: atvejų analizės iš Pandžabo

Pandžabo ūkininkai susiduria su dideliais iššūkiais, įskaitant išeikvotą gruntinį vandenį ir dirvožemio maistinių medžiagų disbalansą. Čia buvo išbandytas TCRM, siekiant įvertinti jo praktinę vertę.

Pavyzdžiui, vienas ūkininkas pateikė duomenis, rodančius, kad dirvožemio azoto kiekis yra 80 kg/ha, fosforo – 45 kg/ha, o kalio – 120 kg/ha, pH – 6,3, o metinis kritulių kiekis – 600 mm.

TCRM išanalizavo šiuos duomenis, nustatė aukštą kalio kiekį ir optimalų pH diapazoną ir rekomendavo granatus – kultūrą, kuri, kaip žinoma, klesti tokiomis sąlygomis. Ūkininkas gavo SMS pranešimą su išsamia informacija apie pasirinktą kultūrą ir idealias trąšas (karbamidas azotui, superfosfatas fosforui).

Per šešis mėnesius ūkininkai, naudojantys TCRM, pranešė 20–30% didesnis derlius pagrindinių kultūrų, tokių kaip kviečiai ir ryžiai, atveju. Taip pat pagerėjo išteklių naudojimo efektyvumas: trąšų naudojimas sumažėjo 151 TP3 T, nes sistema tiksliai nustatė maistinių medžiagų poreikius, o vandens švaistymas sumažėjo 251 TP3 T dėl drėkinimo, suderinto su kritulių prognozėmis.

Šie rezultatai rodo, kaip dirbtinio intelekto valdomi įrankiai, tokie kaip TCRM, gali padidinti produktyvumą ir kartu skatinti aplinkos tvarumą.

Techninės inovacijos, slypinčios už TCRM sėkmės

TCRM sėkmė priklauso nuo dviejų proveržių. Pirma, jos kelių galvų dėmesio mechanizmas leidžia modeliui įvertinti ryšius tarp kintamųjų.

Pavyzdžiui, nustatyta stipri teigiama koreliacija (0,73) tarp kritulių kiekio ir azoto įsisavinimo, o tai reiškia, kad regionuose, kuriuose gausu kritulių, pasėliams naudingos azoto turtingos trąšos.

Ir atvirkščiai, nustatytas nedidelis neigiamas ryšys (-0,14) tarp dirvožemio pH ir fosforo absorbcijos, paaiškinantis, kodėl rūgščius dirvožemius reikia apdorojant kalkėmis prieš sodinant fosforo turinčius augalus, tokius kaip bulvės.

Antra, TCRM debesijos ir SMS integracija užtikrina mastelio keitimą. Sistema, talpinama „Amazon Web Services“ (AWS), vienu metu apdoroja daugiau nei 10 000 vartotojų, todėl ją gali naudoti dideli kooperatyvai.

Smulkiesiems ūkininkams, neturintiems interneto ryšio, „Twilio“ API siunčia SMS įspėjimus – daugiau nei 3000 per mėnesį vien Pandžabe – su patarimais dėl pasėlių ir trąšų. Šis dvejopas metodas užtikrina, kad nė vienas ūkininkas neliktų nuošalyje, nepaisant interneto ryšio.

Iššūkiai diegiant dirbtinį intelektą ūkininkavime

Nepaisant daug žadančių rezultatų, TCRM susiduria su kliūtimis. Daugelis ūkininkų, ypač vyresnio amžiaus, nepasitiki dirbtinio intelekto rekomendacijomis ir renkasi tradicinius metodus. Pandžabe bandymų metu tik 35% ūkininkų pritaikė TCRM.

Kaina yra dar viena kliūtis: daiktų interneto jutikliai kainuoja $–$500 už akrą – tai neįperkama smulkiesiems ūkininkams. Be to, TCRM mokymo duomenys daugiausia buvo skirti Indijos pasėliams, pavyzdžiui, kviečiams ir ryžiams, todėl jų naudingumas bolivinės balandos ar avokadų augintojams kituose regionuose buvo ribotas.

Tyrime taip pat atkreipiamas dėmesys į testavimo spragas. Nors kryžminio patvirtinimo metu TCRM surinko 97,67% balą, jis nebuvo įvertintas ekstremaliomis sąlygomis, tokiomis kaip potvyniai ar užsitęsusios sausros. Būsimose versijose reikia atsižvelgti į šiuos apribojimus, kad būtų padidintas atsparumas ir pasitikėjimas.

Dirbtinio intelekto ateitis žemės ūkyje

Žvelgiant į ateitį, TCRM kūrėjai planuoja integruoti Paaiškinamas dirbtinis intelektas (XAI) tokios priemonės kaip SHAP ir LIME. Jos paaiškins rekomendacijas, pavyzdžiui, parodys ūkininkams, kad pasėlis buvo pasirinktas todėl, kad kalio kiekis viršijo ribą.

Pasaulinė plėtra yra dar vienas prioritetas; pridėjus duomenų rinkinius iš Afrikos (pvz., kukurūzai Kenijoje) ir Pietų Amerikos (pvz., sojų pupelės Brazilijoje), TCRM taps universaliai pritaikomas.

Taip pat numatoma realaus laiko daiktų interneto integracija naudojant dronus. Dronai gali kas valandą sudaryti laukų žemėlapius, atnaujindami rekomendacijas pagal besikeičiančius orus ar kenkėjų aktyvumą.

Tokios inovacijos galėtų padėti numatyti skėrių kenkėjų protrūkius ar grybelines infekcijas, sudarydamos sąlygas imtis prevencinių veiksmų. Galiausiai, partnerystės su vyriausybėmis galėtų subsidijuoti daiktų interneto jutiklius, todėl tikslioji žemdirbystė taptų prieinama visiems ūkininkams.

Išvada

Transformacinis pasėlių rekomendacijų modelis (TCRM) yra didelis šuolis žemės ūkio technologijų srityje. Apjungdamas dirbtinį intelektą, daiktų internetą ir debesų kompiuteriją, jis ūkininkams siūlo 94% tikslus, realaus laiko sprendimų priėmimo įrankis, kuris didina derlių ir taupo išteklius.

Nors tokie iššūkiai kaip išlaidos ir diegimo kliūtys išlieka, TCRM potencialas revoliucionizuoti ūkininkavimą yra neabejotinas. Pasauliui kovojant su klimato kaita ir gyventojų skaičiaus augimu, tokie sprendimai kaip TCRM bus gyvybiškai svarbūs kuriant tvarią ir aprūpinimą maistu saugų ateitį.

NuorodaSingh, G., Sharma, S. Tiksliosios žemdirbystės stiprinimas taikant debesijos pagrindu veikiantį transformuojantį pasėlių rekomendavimo modelį. Sci Rep 15, 9138 (2025). https://doi.org/10.1038/s41598-025-93417-3