Kategorija: Tiksliųjų laukų ūkininkavimo

Tiksli žemės ūkis, dar žinomas kaip tikslioji žemdirbystė, reiškia modernių technologijų, duomenų analizės ir sprendimų paramos sistemų taikymą, siekiant optimizuoti žemės ūkio praktiką.

Šis metodas leidžia ūkininkams efektyviau stebėti ir valdyti savo laukus, todėl gaunami didesni derliai, mažesnis poveikis aplinkai ir didesnis efektyvumas naudojant išteklius.

Šiame „Tiksliojo ūkininkavimo“ skyriuje suprasime, kaip svarbu naudoti technologijas ir duomenimis pagrįstą sprendimų priėmimą, siekiant optimizuoti žemės ūkio našumą, užtikrinant tvarų ir efektyvų išteklių naudojimą. Čia rasite turinio įvairiomis temomis, įskaitant:

Vadovai ir mokymai Raskite lengvai suprantamus, žingsnis po žingsnio vadovus, kurie padės jums orientuotis tiksliosios žemės ūkio pasaulyje – nuo pagrindų supratimo iki pažangių auginimo praktikų ir technologijų diegimo.
Literatūra ir tyrimai: Pasinaudokite literatūros lobynu apie tikslųjį ūkininkavimą, įskaitant praktinius tyrimus, apžvalgas ir naujausius mokslinius atradimus, atskleidžiančius naujausius šios srities pokyčius.
Pramonės naujienos: Sekite naujausius tiksliosios žemdirbystės naujienas, įskaitant informaciją apie naujas technologijas, teisės aktų pakeitimus ir rinkos tendencijas.
Ekspertų įžvalgos: Gaukite vertingos informacijos iš pramonės ekspertų interviu, nuomonių ir svečių įnašų, skirtų tiksliojo žemės ūkio iššūkiams ir galimybėms.
Sėkmės istorijos: Atraskite įkvepiančias istorijas iš ūkininkų ir agritech įmonių, sėkmingai įsidiegtinčių tiksliosios žemdirbystės (precision agriculture) praktikas, ir pasimokykite iš jų patirties.
Produktų ir paslaugų atsiliepimai: Raskite nešališkus įvairių tiksliųjų įrankių, programinės įrangos ir paslaugų atsiliepimus bei palyginimus, padėsiančius jums priimti pagrįstus sprendimus dėl geriausių sprendimų jūsų ūkiui.
Renginiai ir internetiniai seminarai: Palaikykite ryšį su pasauline bendruomene naudodamiesi mūsų kuruojamu būsimų renginių, konferencijų ir internetinių seminarų sąrašu.
Resursai ir įrankiai Naršykite mūsų plačią išteklių biblioteką, įskaitant atsisiunčiamus šablonus, kontrolinius sąrašus ir įrankius, kurie padės jums pradėti taikyti tiksliąją žemdirbystę arba optimizuoti esamus metodus.

Kaip daugialypių piktžolių aptikimas YOLOv8 pagrindu padidina medvilnės tiksliojo ūkininkavimo efektyvumą?

Paskelbta balandžio 27, 2025 pagal dementievgeopard

Medvilnės auginimas yra labai svarbi Jungtinių Valstijų žemės ūkio dalis, kuri reikšmingai prisideda prie ekonomikos. Vien 2021 m. ūkininkai nuėmė daugiau kaip 10 mln. hektarų medvilnės, iš kurių buvo pagaminta daugiau kaip 18 mln. ryšulių medvilnės, kurių vertė beveik

$7.5 bi ll i o n .$ Per didelis herbicidų naudojimas kelia ne tik finansinę įtampą, bet ir aplinkosaugos problemas, nes teršia dirvožemį ir vandens šaltinius.

Siekdami spręsti šiuos iššūkius, mokslininkai imasi tiksliosios žemdirbystės technologijų - ūkininkavimo metodų, kuriuose naudojami duomenimis pagrįsti įrankiai, kad būtų optimizuotas lauko valdymas. Vienas iš novatoriškų sprendimų yra YOLOv8 modelis - pažangiausia dirbtinio intelekto priemonė, skirta piktžolėms aptikti realiuoju laiku.

Atsparumo herbicidams didėjimas ir jo poveikis

Nuo 1996 m. plačiai pradėjus naudoti herbicidams atsparias (HR) medvilnės sėklas, pasikeitė ūkininkavimo praktika. HR augalai yra genetiškai modifikuoti taip, kad būtų atsparūs tam tikriems herbicidams, todėl ūkininkai gali purkšti chemines medžiagas, pavyzdžiui, glifosatą, tiesiai ant pasėlių jų nepažeisdami.

Iki 2020 m. 96% JAV medvilnės ploto bus naudojama HR veislių medvilnė, taip sukuriant priklausomybės nuo herbicidų ciklą. Iš pradžių šis metodas buvo veiksmingas, tačiau ilgainiui dėl natūralios atrankos piktžolės išsiugdė atsparumą.

Šiuo metu 70% JAV ūkių užkrėsta herbicidams atsparios piktžolės, todėl ūkininkai priversti naudoti 30% daugiau cheminių medžiagų nei prieš dešimtmetį. Pavyzdžiui, Palmerio amarantas, greitai auganti ir daug kartų dauginanti piktžolė, gali sumažinti medvilnės derlių 79%, jei nėra laiku suvaldomas.

Finansinė našta didžiulė: atsparių piktžolių naikinimas ūkininkams kasmet kainuoja milijardus, o herbicidų nuotėkis užteršia 41% gėlo vandens šaltinių netoli žemės ūkio naudmenų. Šie iššūkiai rodo, kad reikia skubiai ieškoti novatoriškų sprendimų, kurie sumažintų priklausomybę nuo cheminių medžiagų ir kartu išlaikytų pasėlių produktyvumą.

Mašinų matymas: Tvari alternatyva piktžolių tvarkymui

Reaguodami į atsparumo herbicidams krizę, mokslininkai kuria mašininio matymo sistemas - technologijas, kurios sujungia kameras, jutiklius ir dirbtinio intelekto algoritmus, kad galėtų tiksliai aptikti ir klasifikuoti piktžoles. Mašininė vizija imituoja žmogaus regimąjį suvokimą, tačiau greičiau ir tiksliau, todėl galima automatizuotai priimti sprendimus.

Šios sistemos leidžia tikslingai atlikti intervencinius veiksmus, pavyzdžiui, robotai ravėtojai mechaniškai pašalina augalus arba išmanieji purkštuvai išpurškia herbicidus tik ten, kur reikia. Ankstyvosios šių technologijų versijos buvo netikslios, nes dažnai neteisingai atpažindavo augalus kaip piktžoles arba neaptikdavo mažų augalų.

Tačiau pažanga gilaus mokymosi srityje - mašininio mokymosi poskyryje, kuriame duomenims analizuoti naudojami daugiasluoksniai neuroniniai tinklai - gerokai pagerino našumą. Konvoliuciniai neuroniniai tinklai (CNN) - gilaus mokymosi modelio tipas, optimizuotas vaizdų analizei - puikiai atpažįsta vaizdinių duomenų modelius.

YOLO (You Only Look Once) šeimos modeliai, žinomi dėl savo greičio ir tikslumo aptinkant objektus, tapo ypač populiarūs žemės ūkyje. Naujausia iteracija, YOLOv8, piktžolių aptikimo tikslumas viršija 90%, todėl ji keičia žaidimo taisykles tiksliojoje žemdirbystėje.

CottonWeedDet12 duomenų rinkinys: Sėkmės pagrindas

Patikimiems dirbtinio intelekto modeliams mokyti reikia aukštos kokybės duomenų, o CottonWeedDet12 duomenų rinkinys yra labai svarbus šaltinis piktžolių aptikimo tyrimams. Duomenų rinkinys - tai struktūrizuotas duomenų rinkinys, naudojamas mašininio mokymosi modeliams mokyti ir testuoti.

Šį duomenų rinkinį, surinktą iš Misisipės valstijos universiteto mokslinių tyrimų ūkių, sudaro 5 648 didelės skiriamosios gebos medvilnės laukų vaizdai, prie kurių pridėta 9 370 riboženklių, identifikuojančių 12 įprastų piktžolių rūšių. Ribiniai langeliai - tai stačiakampiai rėmeliai, nubrėžti aplink dominančius objektus (pvz., piktžoles) vaizduose, kuriuose nurodomos tikslios vietos dirbtinio intelekto modeliams mokyti. Pagrindinės funkcijos:

12 piktžolių klasių: Vandens amaras (dažniausias), rytinis amaras, Palmerio amarantas, dėmėtoji spurga ir kt.
9 370 riboženklių anotacijų: Ženklinama naudojant VGG Image Annotator (VIA).
Įvairios sąlygos: Vaizdai, užfiksuoti esant skirtingam apšvietimui (saulėta, debesuota), augimo etapams ir dirvožemio fonui

Piktžolės yra įvairios - nuo vandeninių kanapių (dažniausia) iki dirvinių našlaičių, Palmerio amaranto ir dėmėtosios plukės. Siekiant užtikrinti, kad duomenų rinkinys atspindėtų realias sąlygas, vaizdai buvo fiksuojami esant skirtingam apšvietimui (saulėta, debesuota) ir skirtingais augimo etapais.

Pavyzdžiui, kai kurios piktžolės pasirodo kaip maži daigeliai, o kitos yra visiškai suaugusios. Be to, duomenų rinkinyje yra įvairių dirvožemio fonų ir augalų išsidėstymo, todėl imituojamas realių medvilnės laukų sudėtingumas.

Prieš pradėdami mokyti YOLOv8 modelį, tyrėjai iš anksto apdorojo duomenis, kad padidintų jo patikimumą. Išankstinis apdorojimas apima neapdorotų duomenų modifikavimą, siekiant pagerinti jų tinkamumą dirbtinio intelekto mokymui. Tokie metodai, kaip mozaikos didinimas, kuris sujungia keturis vaizdus į vieną, padėjo imituoti tankias piktžolių populiacijas.

Kitais metodais, pavyzdžiui, atsitiktinio mastelio keitimo ir apvertimo, modelis buvo parengtas taip, kad būtų galima apdoroti augalų dydžio ir orientacijos pokyčius.

mastelio keitimas (±50%), kirpimas (±30°) ir apvertimas, kad būtų imituojamas realaus pasaulio kintamumas.

Naudojant vizualizavimo metodą, vadinamą t-SNE (t-Distributed Stochastic Neighbor Embedding) - mašininio mokymosi algoritmą, kuris sumažina duomenų matmenis, kad būtų galima sukurti vizualinius klasterius - buvo atskleistos atskiros kiekvienos piktžolių klasės grupės, o tai patvirtino, kad duomenų rinkinys tinkamas modeliams, kuriais galima mokyti atpažinti subtilius rūšių skirtumus, kurti.

YOLOv8: techninės naujovės ir architektūriniai pasiekimai

"YOLOv8" remiasi ankstesnių YOLO modelių sėkme ir yra patobulinta žemės ūkio reikmėms pritaikyta architektūra. Jo pagrindas - CSPDarknet53 - neuroninio tinklo pagrindas, skirtas hierarchinėms savybėms iš vaizdų išgauti. Neuroninio tinklo pagrindas yra pagrindinis modelio komponentas, atsakingas už įvesties duomenų apdorojimą ir atitinkamų požymių išskyrimą.

"CSPDarknet53" naudoja kryžminio etapo dalines (CSP) jungtis - konstrukciją, pagal kurią tinklo požymių žemėlapiai padalijami į dvi dalis, apdorojami atskirai ir vėliau sujungiami, siekiant pagerinti gradiento srautą mokymo metu.

Gradientinis srautas reiškia, kaip efektyviai neuroninis tinklas atnaujina savo parametrus, kad būtų sumažintos klaidos, o jo didinimas užtikrina, kad modelis efektyviai mokytųsi. Architektūroje taip pat integruotas požymių piramidės tinklas (FPN) ir kelio agregacijos tinklas (PAN), kurie veikia kartu, kad aptiktų piktžoles įvairiais mastais.

FPN: aptinka įvairaus mastelio objektus (pvz., mažus daigus ir subrendusias piktžoles).
PAN: Padidina vietos nustatymo tikslumą sujungiant tinklo sluoksnių funkcijas.

FPN - tai struktūra, kuri sujungia didelės skiriamosios gebos požymius (mažiems objektams aptikti) ir semantiškai turtingus požymius (dideliems objektams atpažinti), o PAN pagerina vietos nustatymo tikslumą sujungdama tinklo sluoksnių požymius. Pavyzdžiui, FPN atpažįsta mažus daigus, o PAN patikslina subrendusių piktžolių lokalizaciją.

Skirtingai nuo senesnių modelių, kurie remiasi iš anksto nustatytais inkariniais langeliais - iš anksto nustatytomis ribinių langelių formomis, naudojamomis objekto vietai nuspėti, - "YOLOv8" naudoja aptikimo galvutes be inkarų. Šios galvutės tiesiogiai numato objektų centrus, todėl nereikia atlikti sudėtingų skaičiavimų ir sumažėja klaidingų teigiamų rezultatų.

Ši naujovė ne tik padidina tikslumą, bet ir pagreitina apdorojimą - "YOLOv8" analizuoja vaizdą vos per 6,3 milisekundės, naudodamas NVIDIA T4 GPU - didelio našumo grafikos procesorių, optimizuotą dirbtinio intelekto užduotims.

Modelio nuostolių funkcija - matematinė formulė, pagal kurią nustatoma, kaip gerai modelio prognozės atitinka faktinius duomenis, - sujungia CloU nuostolius, kad būtų užtikrintas ribinio lauko tikslumas, kryžminės entropijos nuostolius, kad būtų galima klasifikuoti, ir pasiskirstymo židinio nuostolius, kad būtų galima apdoroti nesubalansuotus duomenis. CloU (Complete Intersection over Union) nuostoliai pagerina riboženklių suderinimą, atsižvelgiant į persidengimo plotą, centro atstumą ir aspektų santykį tarp prognozuojamų ir faktinių langelių.

Matematiškai, bendras nuostolis yra: $L (θ) = 7.5 \cdot L_{langelis} + 0.5 \cdot L_{cls} + 0.375 \cdot L_{dfl} + Reguliavimas$

Kryžminės entropijos nuostoliais klasifikavimo tikslumas vertinamas lyginant prognozuojamas tikimybes su tikrosiomis etiketėmis, o pasiskirstymo židinio nuostoliais sprendžiama klasių disbalanso problema, nes modelis labiau baudžiamas už neteisingą retų piktžolių klasifikavimą.

Lyginant su ankstesnėmis YOLO versijomis, YOLOv8 jas visas lenkia. Pavyzdžiui, YOLOv4 pasiekė 95,22% vidutinį tikslumą (mAP) esant 50% ribojančio lauko persidengimui, o YOLOv8 - 96,10%. mAP yra metrika, pagal kurią apskaičiuojamas visų kategorijų tikslumo balų vidurkis, o didesnės reikšmės rodo geresnį aptikimo tikslumą.

Panašiai, YOLOv8 mAP, esant kelioms persidengimo riboms (nuo 0,5 iki 0,95), buvo 93,20% ir viršijo YOLOv4 89,48%. Dėl šių patobulinimų YOLOv8 tapo tiksliausiu ir veiksmingiausiu piktžolių medvilnės laukuose aptikimo modeliu.

Modelio mokymas: Metodika ir rezultatai

Mokydami YOLOv8 tyrėjai naudojo perkėlimo mokymąsi - metodą, kai iš anksto apmokytas modelis (jau apmokytas naudojant didelį duomenų rinkinį) tikslinamas naudojant naujus duomenis. Perkėlimo mokymasis sutrumpina mokymo laiką ir padidina tikslumą, nes panaudojamos žinios, įgytos atliekant ankstesnes užduotis.

Modelis vaizdus apdorojo 32 vaizdų partijomis, naudodamas AdamW optimizatorių - Adamo optimizavimo algoritmo variantą, į kurį įtrauktas svorio mažėjimas, kad būtų išvengta perteklinio pritaikymo - su 0,001 mokymosi koeficientu.

Per 100 epochų (mokymo ciklų) modelis išmoko itin tiksliai atskirti piktžoles nuo medvilnės augalų. Duomenų papildymo strategijos, pavyzdžiui, atsitiktinis vaizdų apvertimas ir jų ryškumo reguliavimas, užtikrino, kad modelis galėtų susidoroti su realaus pasaulio kintamumu.

Rezultatai buvo įspūdingi. Per pirmąsias 20 epochų modelis pasiekė daugiau nei 90% tikslumą, o tai rodo greitą mokymąsi. Iki mokymo pabaigos YOLOv8 aptiko dideles piktžoles 94,40% tikslumu.

Tačiau mažesnės piktžolės pasirodė esančios sudėtingesnės - tikslumas sumažėjo iki 11,90%. Šis neatitikimas atsirado dėl duomenų rinkinio nesubalansuotumo: didelių piktžolių buvo per daug, o mažų daigų - retai. Nepaisant šio apribojimo, bendras YOLOv8 našumas yra didelis šuolis į priekį.

Iššūkiai ir ateities kryptys

Nors "YOLOv8" teikia daug vilčių, iššūkių išlieka. Labai svarbu anksti aptikti mažas piktžoles, nes daigus lengviau suvaldyti.

Siekdami išspręsti šią problemą, tyrėjai siūlo naudoti generatyvinius priešpriešos tinklus (GAN) - dirbtinio intelekto modelių klasę, kurioje du neuroniniai tinklai (generatorius ir diskriminatorius) konkuruoja, kad sukurtų tikroviškus sintetinius duomenis, kad būtų sukurti dirbtiniai mažų piktžolių atvaizdai ir taip subalansuotas duomenų rinkinys.

Kitas sprendimas - integruoti daugiaspektrinius vaizdus, kurie fiksuoja duomenis ne tik matomoje šviesoje (pvz., artimoje infraraudonųjų spindulių srityje), kad padidintų pasėlių ir piktžolių kontrastą. Artimųjų infraraudonųjų spindulių jutikliai nustato chlorofilo kiekį, todėl augalai atrodo ryškesni ir juos lengviau atskirti nuo dirvos.

Būsimos YOLO versijos, pavyzdžiui, YOLOv9 ir YOLOv10, gali dar labiau padidinti tikslumą. Tikimasi, kad į šiuos modelius bus įtraukti transformuojamieji sluoksniai - neuroninių tinklų architektūros tipas, kuris duomenis apdoroja lygiagrečiai, efektyviau nei tradiciniai CNN fiksuodamas tolimąsias priklausomybes, ir dinaminės požymių piramidės, prisitaikančios prie objektų dydžių. Tokie patobulinimai galėtų padėti patikimiau aptikti mažas piktžoles.

Kitas ūkininkų žingsnis - lauko bandymai. Autonominiai ravėtuvai su YOLOv8 ir kameromis galėtų judėti medvilnės eilėmis ir mechaniškai šalinti piktžoles. Panašiai dronai su dirbtinio intelekto valdomais purkštuvais galėtų tiksliai nukreipti herbicidus, taip sumažindami cheminių medžiagų naudojimą iki 90%.

Šios technologijos ne tik mažina sąnaudas, bet ir saugo ekosistemas, nes atitinka tvaraus žemės ūkio - ūkininkavimo filosofijos, kurioje pirmenybė teikiama aplinkos sveikatai, ekonominiam pelningumui ir socialiniam teisingumui - tikslus.

Išvada

Piktžolių, atsparių herbicidams, plitimas privertė žemės ūkį diegti naujoves, o YOLOv8 yra proveržis tiksliojo piktžolių valdymo srityje. Pasiekdamas 96,10% tikslumą nustatant piktžoles realiuoju laiku, šis modelis suteikia ūkininkams galimybę sumažinti herbicidų naudojimą, sumažinti išlaidas ir apsaugoti aplinką.

Nors tokie iššūkiai, kaip mažų piktžolių aptikimas, išlieka, nuolatinė dirbtinio intelekto ir jutiklių technologijų pažanga siūlo sprendimus. Tobulėjant šioms priemonėms medvilnės auginimas taps tvaresnis ir efektyvesnis. Ateinančiais metais YOLOv8 integravimas į autonomines sistemas gali sukelti revoliuciją žemės ūkyje.

Ūkininkai gali pasikliauti išmaniaisiais robotais ir bepiločiais orlaiviais piktžolėms naikinti, taip atlaisvindami laiką ir išteklius kitoms užduotims atlikti. Šis perėjimas prie duomenimis pagrįsto ūkininkavimo ne tik užtikrina derlių, bet ir sveikesnę planetą ateities kartoms. Naudodama tokias technologijas kaip YOLOv8, žemės ūkio pramonė gali įveikti atsparumo herbicidams iššūkius ir nutiesti kelią ekologiškesnei ir produktyvesnei ateičiai.

Nuoroda: Khan, A. T., Jensen, S. M., & Khan, A. R. (2025). Tiksliosios žemdirbystės pažanga: A comparative analysis of YOLOv8 for multi-class weed detection in cotton cultivation. Artificial Intelligence in Agriculture, 15, 182-191. https://doi.org/10.1016/j.aiia.2025.01.013

Sojų baltymų praktikų optimizavimas siekiant didesnio maistinių medžiagų efektyvumo paukštienos tiekimo grandinėse

Paskelbta balandžio 12, 2025 pagal dementievgeopard

JAV sojų pupelių pramonė yra kryžkelėje, įstrigusi tarp žaliavų gamybos ekonomikos ir neišnaudoto pridėtinės vertės sojų baltymų produktų potencialo.

Nors pasaulinė sojų rupinių rinka toliau auga – prognozuojama, kad iki 2034 m. ji pasieks 157,8 mlrd. USD, – įprastų sojų rupinių perteklius sumažino kainas ir sukūrė sisteminę kliūtį naudoti maistiniu požiūriu pranašesnius, didelio efektyvumo sojų baltymų koncentratus.

Šie pridėtinės vertės produktai, kurie, kaip įrodyta, pagerina pašarų konversijos rodiklius (FCR) paukštienose iki 5%, teikia didelę ekonominę ir tvarumo naudą, tačiau sunkiai konkuruoja rinkoje, kurioje prekiaujama urmu.

Tačiau pagrindinis iššūkis yra tiekimo grandinės paskatų pertvarkymas, kad pridėtinės vertės sojų baltymai būtų ekonomiškai perspektyvūs ūkininkams, perdirbėjams ir paukštienos gamintojams. Tuo tarpu technologijos atlieka esminį vaidmenį šiame perėjime.

Tiksliosios žemdirbystės įrankiai, tokie kaip „GeoPard“ baltymų analizės ir azoto panaudojimo efektyvumo (NUE) moduliai, leidžia ūkininkams optimizuoti pasėlių kokybę, kartu patenkinant tikslius paukščių pašarų mitybos poreikius.

Įvadas į pridėtinės vertės sojų baltymus

Epochoje, kai tvarumas ir efektyvumas keičia pasaulinį žemės ūkį, pridėtinės vertės sojų baltymų produktai tapo transformaciniu sprendimu paukštienos gamybai. Prognozuojant, kad pasaulinė paukštienos paklausa nuo 2024 iki 2030 m. augs 4,3% sudėtiniu metiniu augimo tempu (CAGR), pašarų efektyvumo optimizavimas tapo itin svarbus.

Įprastus sojų rupinius, aliejaus gavybos šalutinius produktus, kuriuose yra 45–48% baltymų, vis labiau nustelbia pažangios alternatyvos, tokios kaip sojų baltymų koncentratai (SPC) ir modifikuoti sojų baltymų koncentratai (MSPC).

Šie pridėtinės vertės produktai yra specialiai apdorojami, pavyzdžiui, plaunami vandeniniu alkoholiu arba apdorojami fermentais, kad būtų pasiektas 60–70% baltymų kiekis, kartu pašalinant antimitybinius veiksnius, tokius kaip oligosacharidai.

Naujausios inovacijos, įskaitant naujus fermentų mišinius (pvz., proteazių ir lipazių derinius), dabar sumažina apdorojimo sąnaudas 15–20% ir tuo pačiu pagerina baltymų tirpumą.

Tokios įmonės kaip „Novozymes“ diegia mašininį mokymąsi, kad pritaikytų fermentų apdorojimą konkretiems paukščių augimo etapams, maksimaliai padidindamos maistinių medžiagų įsisavinimą ir pagerindamos virškinamumą bei aminorūgščių prieinamumą. Pridėtinės vertės sojų baltymų paukščių pašarų nauda yra transformuojanti:

1. Pagerintas pašarų konversijos rodiklis (FCR):

FCR, rodantis, kaip efektyviai gyvuliai paverčia pašarus į kūno masę, yra labai svarbus pelningumui ir tvarumui.

Tyrimai rodo, kad pakeitus įprastų sojų rupinių 10% MSPC, FCR sumažėja nuo 1,566 iki 1,488. 5% patobulinimas– tai reiškia, kad reikia mažiau pašaro tam pačiam mėsos kiekiui pagaminti. Tai reiškia mažesnes sąnaudas ir mažesnį poveikį aplinkai.

2. Tvarumo nauda:

Patobulintas pašarų taupymas (FCR) sumažina žemės, vandens ir energijos sąnaudas vienam pagaminamos paukštienos kilogramui. Pavyzdžiui, 5% FCR patobulinimas vidutinio dydžio JAV paukštininkystės ūkyje (kasmet užauginančiame 1 milijoną paukščių) galėtų sutaupyti ~750 tonų pašarų per metus.

Be išlaidų taupymo, nauda aplinkai yra reikšminga: patobulinus 5% FCR, kasmet kiekvienam ūkiui sutaupoma 1 200 akrų sojų pupelių, taip sumažinant spaudimą žemės naudojimui ir miškų naikinimui.

3. Nauda gyvūnų sveikatai:

Gyvūnų sveikatos rezultatai dar labiau sustiprina argumentus dėl pridėtinės vertės sojų vartojimo. Brazilijoje atlikti tyrimai (2023 m.) parodė, kad MSPC šeriamų broilerių žarnyne buvo mažesnis 30% enterobakterijų kiekis, todėl jie pasižymėjo stipresniu imunitetu, sumažino viduriavimo atvejų skaičių ir priklausomybę nuo antibiotikų – tai yra esminis pranašumas, nes tokie regionai kaip ES griežtina antimikrobinių medžiagų gyvuliams reglamentavimą.

Europos ūkiai, naudojantys MSPC, pranešė apie 22% profilaktinio antibiotikų naudojimo sumažėjimą 2024 m., o tai atitinka vartotojų poreikius dėl saugesnės ir tvaresnės mėsos gamybos.

Pridėtinės vertės sojų baltymai Rinkos dinamika ir iššūkiai

Nepaisant šių privalumų, pridėtinės vertės sojų produktai susiduria su dideliais sunkumais rinkoje, kurioje dominuoja pigūs, komerciniai sojų rupiniai. JAV sojų rupinių rinka 2024 m. buvo įvertinta $98,6 mlrd. JAV dolerių, o prognozuojama, kad iki 2034 m. ji augs 4,8% metiniu augimo tempu iki $157,8 mlrd. JAV dolerių.

Tačiau šį augimą skatina perteklinės pasiūlos dinamika ir į sąnaudas orientuota pramonė, kuri mažina kainas ir slopina inovacijas.

Pasaulinė sojų pupelių rupinių gamyba 2024 m. pasiekė rekordinį 250 milijonų tonų lygį, kurį lėmė didelis derlius JAV ir Brazilijoje.
Kainos smarkiai nukrito iki $313/t 2023 m. (USDA), todėl įprastiniai miltai tapo nepaprastai pigūs sąnaudoms jautriems paukštienos gamintojams.
Įprastiniai sojų pupelių rupiniai, kurie sudaro daugiau nei 651 TP3 t JAV gyvulių pašarų ingredientų, nepaisant jų maistinių apribojimų, išlieka pagrindiniu pasirinkimu.

1. Perteklinės pasiūlos problema

JAV sojų rupinių rinka yra įklimpusi į perteklinės pasiūlos ir praleistų galimybių paradoksą. Nepaisant to, kad 2023 m. buvo pagaminta rekordinis 47,7 mln. metrinių tonų (MMT) sojų rupinių kiekis – 41 TP3T daugiau nei 2022 m., kainos išlieka žemos, vidutiniškai 1 TP4 350–380/t, vis dar 201 TP3T mažesnės nei iki 2020 m. Šį perteklių lemia du pagrindiniai veiksniai:

aš). Išplėstinis buitinis smulkinimasŠis perteklius kyla dėl agresyvaus vidaus gamybinio aktyvaus gamybos augimo, kurį lemia sparčiai auganti sojų aliejaus paklausa (biokuro ir maisto perdirbimo paklausa išaugo 121 TP3 t per metus), dėl kurios rinka užtvindoma miltų šalutiniais produktais. Atsargos, nors ir šiek tiek sumažėjo iki 8,5 mln. tonų 2023 m., palyginti su 10,8 mln. tonų 2021 m., vis dar 301 TP3 t viršija dešimtmečio vidurkį.

ii). Eksporto konkurencija: Tuo tarpu pasauliniai konkurentai, tokie kaip Brazilija ir Argentina, dar labiau padidina disbalansą: Brazilijos 2023/2024 m. sojų pupelių derlius siekė 155 mln. tonų, o rupinių eksporto kaina buvo 10–151 TP3 t mažesnė nei JAV dėl mažesnių gamybos sąnaudų, o Argentinos rupinių eksportas po sausros atsigavo 401 TP3 t iki 28 mln. tonų, todėl kainų spaudimas sustiprėjo.

Kalbant apie pridėtinės vertės sojų baltymų produktus, šis perteklius yra dviašmenis kardas. Nors įprasti sojų pupelių rupiniai tampa pigesni, pridėtinės vertės variantų, tokių kaip sojų baltymų koncentratas (SPC), perdirbimo išlaidos išlieka labai didelės.

2. Struktūrinės kliūtys

Be ciklinio perteklinio tiekimo, sisteminiai JAV žemės ūkio sistemos trūkumai slopina inovacijas pridėtinės vertės sojų produktų srityje. Šios kliūtys yra įsišaknijusios politikoje, rinkos struktūrose ir kultūrinėje praktikoje, sukurdamos savaime sustiprėjantį ciklą, kuriame pirmenybė teikiama kiekiui, o ne maistinei kokybei.

i). Pasenę USDA klasifikavimo standartai

USDA sojų pupelių vertinimo sistema, paskutinį kartą atnaujinta 1994 m., vis dar grindžiama fizinėmis savybėmis, tokiomis kaip bandymo svoris (mažiausiai 56 svarai/bušelis #1 klasei) ir drėgmės kiekis, ignoruojant maistingumo rodiklius, tokius kaip baltymų koncentracija ar aminorūgščių balansas.

Remiantis 2024 m. Jungtinės sojų pupelių tarybos analize, be baltymais pagrįsto kainodaros JAV ūkininkai kasmet praranda 1,2–1,8 mlrd. eurų potencialių priemokų. Šis atotrūkis turi apčiuopiamų pasekmių:

Baltymų kintamumasJAV sojų pupelės vidutiniškai turi 35–38% baltymų, tačiau naujesnės veislės (pvz., „Pioneer“ XF53-15) gali siekti 42–45% – šis skirtumas išnyksta prekių rinkose, kur visų sojų pupelių kainos yra vienodos.
Ūkininkų atgrasymo priemonės2023 m. Purdue universiteto atliktas tyrimas parodė, kad 68% Vidurio Vakarų sojų pupelių augintojų pasirinktų daug baltymų turinčias veisles, jei būtų taikomos priemokos. Šiuo metu tai daro tik 12%, nurodydami, kad trūksta rinkos atlygio.
Visuotinis kontrastasPagal ES bendrą žemės ūkio politiką (BŽŪP) kasmet (2023–2027 m.) skiriama 58,7 mlrd. EUR, iš kurių 15% yra susieta su tvarumo ir kokybės kriterijais. Pavyzdžiui, Nyderlandų ūkininkai gauna subsidijas už sojų pupeles, kurių baltymų kiekis viršija 40%, o tai skatina auginti daug maistinių medžiagų turinčius augalus.

ii). Prekių spąstai

Sojų pupelių rupiniai parduodami kaip birūs produktai, o pašarų fabrikai ir paukštininkystės integratoriai teikia pirmenybę kainai už toną, o ne kainai už gramą virškinamų baltymų. Šį požiūrį sustiprina:

Sutartinis ūkininkavimasIlgalaikiai susitarimai tarp paukštininkystės gigantų ir pašarų tiekėjų dažnai numato nebrangias, standartizuotas miltų specifikacijas.
Skaidrumo stokaBe standartizuoto maistingumo ženklinimo pirkėjai negali lengvai palyginti baltymų kokybės tarp tiekėjų.

2023 m. Nacionalinės viščiukų tarybos ataskaitoje atskleista, kad 831 TP3T JAV broilerių produkcijos reglamentuoja sutartys, pagal kurias privaloma naudoti “žemiausios kainos” pašarų receptūras. Pavyzdžiui, „Tyson Foods“ 2022 m. perėjusi prie generinių sojų rupinių, kasmet sutaupė 1 TP4T120 mln. USD, nepaisant 4,81 TP3T FCR pablogėjimo savo paukščių pulkuose.

Be to, sojų rupinių kainoms esant 380–400 eurų už toną (2024 m. liepos mėn.), net $50 už toną priemoka už daug baltymų turinčius koncentratus daro juos neperspektyvius pirkėjams, kuriems lemia kainos.

Vienas Ajovos pašarų gamyklos vadovas pažymėjo:

“Mūsų klientams rūpi tonos, o ne gramo baltymų kaina. Kol tai nepasikeis, aukščiausios kokybės produktai neįgis populiarumo.”

Tuo tarpu, remiantis 2024 m. Tarptautinės pašarų pramonės federacijos atlikta apklausa, tik 22% JAV sojų rupinių pardavėjų atskleidžia baltymų virškinamumo balus (PDIAAS), palyginti su 89% ES.

2023 m. Arkanzaso universiteto atliktas tyrimas parodė, kad paukštynai, naudojantys 60% sojų baltymų koncentratą, pasiekė 1,45 FCR, o standartinius miltus – 1,62, tačiau be ženklinimo pirkėjai negali patikrinti teiginių. Be to, Nacionalinės aliejinių sėklų perdirbėjų asociacijos (NOPA) tyrimas parodė, kad 87% JAV sojų pupelių augintojų augintų daug baltymų turinčias veisles, jei rūšiavimo standartai juos apdovanotų.

Tuo tarpu Brazilijoje atlikti pašarų bandymai rodo, kad paukštininkystės ūkiai, naudojantys aukščiausios kokybės sojų baltymus, dėl pagerėjusio pašarų kokybės rodiklio (FCR) sutaupo pašarų sąnaudas $1,50/t – tai argumentas, kodėl reikėtų iš naujo kalibruoti sąnaudų ir naudos analizę visoje pramonėje. Tai sukuria užburtą ratą:

Ūkininkai teikia pirmenybę didelio derlingumo, mažai baltymų turinčioms sojų pupelėms, kad padidintų bušelių derlių iš akro.
Perdirbėjai daugiausia dėmesio skiria tūrio valdomam smulkinimui, o ne nišinėms pridėtinės vertės linijoms.
Paukštienos gamintojai renkasi pigesnį rupinių miltus, taip toliau naudodami neefektyvius pašarus.

Norint nutraukti šį ciklą, reikia pašalinti struktūrines kliūtis – tai iššūkis, kuriam įveikti reikia politikos reformų, rinkos perkvalifikavimo ir technologinių inovacijų.

Pridėtinės vertės sojų baltymų skatinimo pertvarkymo strategijos

Norint JAV sojų pupelių rinką nukreipti link didelės baltymų koncentracijos ir pridėtinės vertės gamybos, reikalinga daugiašalė suinteresuotųjų šalių skatinimo sistema. Žemiau pateikiamos patikrintos strategijos, pagrįstos 2024 m. rinkos duomenimis, politikos įžvalgomis ir technologinėmis inovacijomis, skirtos skatinti aukščiausios kokybės sojų baltymų naudojimą paukščių pašaruose.

1. Kokybės vertinimo sistemos

USDA federalinės grūdų inspekcijos tarnybos (FGIS) vertinimo sistema ir toliau grindžiama fizinėmis savybėmis, tokiomis kaip bandymo svoris (mažiausiai 54 svarai/bušelis) ir pašalinių medžiagų ribos (≤1%), neatsižvelgiant į maistinę vertę. Siekiant paskatinti pridėtinės vertės sojų baltymus, reformose pirmenybė turi būti teikiama maistinei kokybei:

a. Baltymų kiekisŠiuo metu JAV sojų pupelės vidutiniškai turi 35–40% baltymų, o didelės vertės veislės (pvz., „Prolina®“) siekia 45–48%. Padidinus baltymų kiekį 1%, sojų rupinių vertė gali padidėti. $2-$ 4/toną, verčiant į $20-$ 40 mln. JAV ūkininkams kasmet (USDA-ERS, 2023 m.).

b. Aminorūgščių profiliaiLizinas ir metioninas yra labai svarbūs paukščių maisto reprodukcinei sistemai (FCR). Šiuolaikiniai hibridai, tokie kaip „Pioneer® A“ serijos sojų pupelės, turi 10–15% didesnį lizino kiekį. Tyrimai rodo, kad pašarai su optimizuotomis aminorūgštimis pagerina broilerių FCR 3–5% (Ilinojaus universitetas, 2023 m.).

c. VirškinamumasStandartizuoti metodai, tokie kaip in vitro klubinės žarnos virškinamumo tyrimai (IVID), įgauna populiarumą. Pavyzdžiui, sojų baltymų koncentrato (SPC) virškinamumas pasiekia 85–90%, palyginti su 75–80%, naudojamu įprastiniam miltui (Journal of Animal Science, 2024).

2013 m. Brazilija pertvarkė mokesčių lengvatas, kad būtų palankiau eksportuoti sojų miltus ir aliejų, o ne žalias pupeles, ir per dvejus metus padidino pridėtinės vertės eksportą 221 TP3T. JAV galėtų tai pakartoti taikydama mokesčių lengvatas ūkininkams, auginantiems daug baltymų turinčią soją, o tai, kaip manoma, padidintų gamintojų pelno maržą 50–70 USD už akrą.

2. Technologiniai veiksniai: „GeoPard“ tikslūs įrankiai

„GeoPard“ žemės ūkio programinė įranga siūlo realaus laiko baltymų analizės modulius, naudojančius hiperspektrinį vaizdavimą ir mašininį mokymąsi, kad būtų galima nustatyti baltymų kintamumą skirtinguose laukuose. Hiperspektriniai jutikliai analizuoja pasėlių vainiko atspindį, kad prognozuotų baltymų kiekį 95% tikslumu.

2023 m. Ilinojaus valstijoje atliktame bandomajame projekte ūkininkai, pasinaudoję „GeoPard“ įžvalgomis, padidino baltymų derlių 8%, optimizuodami sėjos tankumą ir azoto tręšimo laiką.
Nebraskos kooperatyvas 2024 m. pasiekė 12% didesnį baltymų kiekį turinčių sojų pupelių derlių, integruodamas „GeoPard“ zonavimo žemėlapius su kintama sėjos norma („GeoPard“ atvejo analizė).
Be to, „GeoPard“ NUE algoritmai 2024 m. Ajovos bandomajame projekte sumažino azoto nuotėkį 20%, išlaikant baltymų lygį. Tai atitinka USDA tikslą iki 2030 m. sumažinti su žeme susijusį azoto nuotėkį 30%.

JAV sojų pupelių rūšiavimo pertvarkymas pagal maistingumo rodiklius, paremtas „GeoPard“ tikslaus naudojimo įrankiais ir pasaulinės politikos modeliais, iki 2030 m. galėtų atverti 500–700 mln. metinių pridėtinės vertės pajamų.

Suderinus paskatas su paukštininkystės pramonės poreikiais, ūkininkai gauna didesnes kainas, perdirbėjai užsitikrina kokybiškas žaliavas, o aplinka gauna naudos iš efektyvaus išteklių naudojimo. Atėjo laikas baltymams skirtoms sojų pupelių rūšiavimo revoliucijoms.

3. Sertifikavimas ir aukščiausios kokybės rinkos

JAV sojų rinkoje trūksta standartizuoto maistinės kokybės sertifikavimo, nepaisant aiškios paukštienos gamintojų paklausos didesnio baltymų kiekio, lengvai virškinamiems sojų rupiniams. Nors USDA ekologiškų ir ne GMO projektų patikrintų produktų etiketėse nurodomi gamybos metodai, “Daug baltymų turinčios sojos” sertifikavimas galėtų užpildyti šią spragą užtikrindamas:

Minimalios baltymų ribos (≥45% žalių baltymų, su priemokos lygiais, kai baltymų kiekis ≥50%).
Aminorūgščių profiliai (lizinas ≥2,8%, metioninas ≥0,7%), kad atitiktų paukščių pašarų formules.
Tvarumo lyginamieji rodikliai (azoto naudojimo efektyvumas ≥60%, patikrintas naudojant tokias priemones kaip „GeoPard“).

2024 m. ES skyrė 185,9 mln. EUR tvarių žemės ūkio maisto produktų skatinimui, daugiausia dėmesio skirdama baltymingiems augalams, siekiant sumažinti priklausomybę nuo importuojamų sojų (Europos KomisijaPanašiai JAV galėtų nukreipti „Ūkio įstatymo“ lėšas sertifikuotos daug baltymų turinčios sojos rinkodaros kampanijoms, orientuotoms į tokius paukštienos integratorius kaip „Tyson Foods“ ir „Pilgrim's Pride“. Sertifikatai jau dabar didina įmokas:

Sertifikuotos ne GMO sojų pupelės jau turi $2-$ 4 už bušelį priemoka (USDA AMS, 2023 m.).
Žymė “Daug baltymų” galėtų pridėti dar vieną $1,50-$ 3 premium klasės, skatinanti ūkininkus diegti tiksliojo ūkininkavimo įrankius, tokius kaip „GeoPard“.

4. Vyriausybės ir politikos svertai

USDA pridėtinės vertės gamintojų dotacijų (VAPG) programa yra labai svarbi priemonė, skatinanti didelės vertės sojų baltymų gamybą. 2024 m. buvo skirta 1 TP4 TI31 mln., o dotacijos siūlomos:

Iki $250 000 galimybių studijoms ir apyvartiniam kapitalui.
Iki $75 000 verslo planavimui (USDA kaimo plėtros departamentas, 2024 m.).

Pavyzdžiui, Misūrio ūkininkų kooperatyvas 2023 m. gavo $200 000 VAPG dotaciją sojų baltymų koncentrato (SPC) perdirbimo įrenginiui įkurti. Vietos paukštininkystės ūkiai, pereidami nuo prekinių sojų rupinių prie SPC (65% baltymas, palyginti su 48%), pranešė:

12% pašarų sąnaudų sumažėjimas dėl pagerėjusio FCR (1,50 → 1,35).
18% didesnės pelno maržos vienam paukščiui.

Tuo tarpu 2023 m. Žemės ūkio įstatyme numatyta $3 mlrd. klimato kaitos požiūriu pažangioms prekėms, sukuriant tiesioginį subsidijavimo kelią:

Tikslus azoto valdymas (naudojant „GeoPard“ NUE modulius)
Daug baltymų turintis sojų auginimas (naudingas >50% baltymų kiekis)

Novatoriška 2024 m. iniciatyva, kurioje dalyvavo 200 Ajovos ūkių, pademonstravo „GeoPard“ tiksliosios žemdirbystės įrankių integravimo į sojų pupelių gamybą potencialą. Įdiegę įmonės baltymų žemėlapių sudarymo ir azoto panaudojimo efektyvumo (NUE) analizę, dalyvaujantys ūkininkai pasiekė puikių rezultatų, kurie pabrėžia pridėtinės vertės sojų pupelių gamybos ekonominį gyvybingumą:

$78/akrui sutaupytos trąšų išlaidos
6,2% didesnis baltymų kiekis sojų pupelėse (palyginti su regiono vidurkiu)
$2,50/bušelio priemoka iš paukščių pašarų pirkėjų (Ajovos sojų asociacijos ataskaita, 2024 m.)

Pagal ES BŽŪP ekologines schemas ūkininkams mokama 120 EUR/ha už baltyminių augalų auginimą. JAV galėtų tai pakartoti per Ūkio įstatymo “Baltyminių augalų skatinimo programą”. Be to, Brazilijos 2024 m. mokesčių reforma dabar siūlo 8% eksporto mokesčių lengvatas sojų baltymams (palyginti su 12% už žalias pupeles).

Panašiai, Ilinojuje (2024 m.) siūloma JAV sojų inovacijų mokesčių lengvata (SITC) suteiktų 5% valstijos mokesčių lengvatų už sojų pupelių perdirbimą. Be to, Minesotos žemės ūkio inovacijų zonos programa (2023 m.) finansavo $4,2 mln. sojų perdirbimo modernizavimui, o tai lėmė:

9% daugiau SPC išvesties
$11 mln. naujų paukštininkystės sutarčių (MN Žemės ūkio departamentas, 2024 m.)

5. Suinteresuotųjų šalių švietimas ir ekonominė analizė: kokybiška ir prekinė soja

Pridėtinės vertės sojų baltymų naudojimas paukščių pašaruose priklauso nuo suinteresuotųjų šalių – ūkininkų, perdirbėjų ir pašarų gamyklų – švietimo apie jų ilgalaikę ekonominę ir aplinkosauginę naudą. Naujausios iniciatyvos ir tyrimai pabrėžia tikslinių švietimo programų transformacinį potencialą, ypač kai jos derinamos su tiksliosios žemdirbystės įrankiais, tokiais kaip „GeoPard“ moduliai.

1. Vidurio Vakarų atvejo analizėAmerikos sojų pupelių asociacijos 2023 m. seminaruose buvo parodyta, kaip daug baltymų turinti soja gali duoti derlių. $50-$ 70 daugiau už akrą, nepaisant didesnių sąnaudų. Ūkininkai, naudojantys „GeoPard“ modulius, pranešė apie 15% mažesnes azoto atliekas, o tai kompensavo išlaidas.

2. Skaitmeniniai ištekliaiTokios platformos kaip Sojų tyrimų ir informacijos tinklas (SRIN) teikia nemokamus internetinius seminarus apie baltymų kiekio optimizavimą taikant tikslųjį ūkininkavimą. 2023–2024 m. buvo surengta 15 internetinių seminarų, kuriuose dalyvavo daugiau nei 3 500 ūkininkų, o 68% pranešė apie geresnį baltymų optimizavimo metodų supratimą.

3. Ajovos valstijos universitetasTyrėjai sukūrė pašarų vartojimo efektyvumo modelį, rodantį, kad 1% FCR pagerėjimas (pvz., nuo 1,5 iki 1,485) paukštininkystės gamintojams sutaupo $0,25 vienam paukščiui (ISU tyrimas, 2023 m.Bendradarbiaudami su „GeoPard“, jie dabar siūlo mokymus, kaip susieti sojų baltymų rodiklius su FCR rezultatais.

4. Purdue universitetasBandymai su modifikuotais sojų baltymų koncentratais (MSPC) parodė greitesnį 7% broilerių augimo greitį, o tai suteikia duomenų, verčiančių pašarų gamyklas pertvarkyti racionus.Paukštininkystės mokslas, 2024 m.). Pašarų gamyklos, kurios pakeitė racionus naudodami MSPC, pranešė apie 12% didesnes pelno maržas dėl sumažėjusių pašarų atliekų ir aukštesnės kainos už “efektyvumui optimizuotus” paukštienos produktus.

6. Pridėtinės vertės sojų baltymų ekonominis gyvybingumas ir įgyvendinimas

Pridėtinės vertės sojų baltymų produktų diegimas priklauso nuo jų ekonominio gyvybingumo, palyginti su įprastais sojų pupelių rupiniais. Tačiau pridėtinės vertės sojų produktų gamyba kainuoja brangiau, o jų pranašumai paukščių pašaruose leidžia ilgalaikėje perspektyvoje sutaupyti.

Sojų pupelių miltų rūšys: kaina ir maistinė vertė

Duomenų šaltiniai: USDA ERS, „GeoPard Analytics“, 2024 m.

Ūkis, kasmet auginantis 1 milijoną broilerių, naudodamas SPC, sutaupo 1 TP4 234 000 pašarų išlaidų.
Per 5 metus tai kompensuoja SPC $200/t priemoką, pateisindama išankstines investicijas.

2023 m. Ajovos valstijos universiteto atliktame tyrime nustatyta, kad broilerių pašaruose pakeitus 10% įprastų sojų rupinių SPC, per šešias savaites pašarų sąnaudos sumažėjo $1,25 vienam paukščiui dėl greitesnio augimo tempo ir mažesnio mirtingumo.

Baltymų efektyvumasNors SPC kainuoja 30–40% daugiau už toną, didesnis baltymų kiekis (60–70%) sumažina kainos skirtumą už kilogramą baltymų.
FCR taupymas5% FCR patobulinimas sumažina pašarų suvartojimą 120–150 kg 1000 paukščių, taip sutaupant $50-$ 70 už toną mėsos (darant prielaidą, kad pašarų sąnaudos yra $0,30/kg).
Lūžio taškasDabartinėmis kainomis paukštienos gamintojai, įdiegę SPC, atsiperka, jei FCR pagerėja ≥4%, o tai rodo, kad jis yra tinkamas didelio masto veiklai.

Pasauliniai atvejų tyrimai: pamokos, kaip skatinti pridėtinės vertės sojų gamybą

Nuo Brazilijos eksporto mokesčių reformų iki ES tiksliojo ūkininkavimo subsidijų – šie atvejų tyrimai rodo, kad perėjimas prie pridėtinės vertės sojų pupelių gamybos yra ne tik įmanomas, bet ir ekonomiškai būtinas nepastovių pašarų rinkų ir griežtėjančių tvarumo standartų eroje.

1. Brazilija: mokesčių lengvatos pridėtinės vertės eksportui

2013 m. Brazilija peržiūrėjo savo mokesčių politiką, teikdama pirmenybę perdirbtų sojų produktų eksportui, o ne žalių pupelių eksportui, siekdama didesnės vertės pasaulinėse rinkose.

Vyriausybė panaikino sojų pupelių perdirbėjams skirtas vidaus mokesčių lengvatas ir perskyrė jas sojų rupinių ir aliejaus eksportuotojams. Šis politikos pokytis buvo skirtas konkuruoti su Argentina, kuri tuo metu buvo didžiausia pasaulyje sojų rupinių eksportuotoja. Kai kurie pagrindiniai šios politikos padariniai:

Eksporto padidėjimasIki 2023 m. Brazilijos sojų miltų eksportas pasiekė 18,5 mln. metrinių tonų (MMT) – 721 TP3 t daugiau nei 2013 m. (10,7 MMT). Sojų aliejaus eksportas per tą patį laikotarpį taip pat išaugo 481 TP3 t (USDA FAS).
Rinkos dominavimasBrazilija šiuo metu tiekia 251 TP3 T visame pasaulyje sojų miltų eksporto, konkuruodama su Argentina (301 TP3 T) ir JAV (151 TP3 T) („Oil World Annual 2024“).
Vidaus augimasMokesčių lengvatos paskatino investicijas į perdirbimo infrastruktūrą. Smulkinimo pajėgumai 2013–2023 m. padidėjo 40%, įrengus 23 naujas gamyklas (ABIOVE).

Be to, Mato Grosso, didžiausioje sojų pupelių gamintojoje Brazilijoje, tokie perdirbėjai kaip „Amaggi“ ir „Bunge“ pasinaudojo mokesčių lengvatomis, kad pastatytų integruotus įrenginius. Šie fabrikai dabar gamina daug baltymų turinčius sojų miltus (baltymai 48–50%), skirtus paukščių pašarams Pietryčių Azijoje, ir tai valstijai generuoja $1,2 mlrd. metinių pajamų (Mato Grosso žemės ūkio institutas).

Taigi, Brazilijos modelis parodo, kaip tikslinė mokesčių politika gali pakeisti rinkos elgseną. JAV galėtų imtis panašių paskatų, pavyzdžiui, mokesčių lengvatų už sojų baltymų koncentrato (SPC) gamybą, kad kovotų su prekių pertekliumi.

2. ES: BŽŪP ir kokybe pagrįstas ūkininkavimas

ES bendroji žemės ūkio politika (BŽŪP) jau seniai teikia pirmenybę tvarumui ir kokybei, o ne vien apimtims. 2023–2027 m. BŽŪP reformos skiria 387 mlrd. EUR subsidijų ekologinėms sistemoms, įskaitant baltyminių augalų auginimą ir azoto naudojimo efektyvumą. Kai kurie pagrindiniai mechanizmai yra šie:

1. Priemokos už baltyminius augalus

Pagal ES 2023–2027 m. bendrą žemės ūkio politiką (BŽŪP), ūkininkai, auginantys baltymingus augalus, tokius kaip sojų pupelės arba ankštiniai augalai (pvz., žirniai, lęšiai), gauna 250–350 eurų už hektarą tiesioginių išmokų, palyginti su 190 eurų už hektarą už įprastus augalus, tokius kaip kviečiai ar kukurūzai. Ši išmoka, finansuojama iš 387 mlrd. eurų BŽŪP biudžeto, skirta:

Sumažinti priklausomybę nuo importuojamos sojos (80% ES sojų yra importuojama, daugiausia genetiškai modifikuotų iš Pietų Amerikos).
Gerinti dirvožemio sveikatąAnkštiniai augalai natūraliai fiksuoja azotą, taip sumažindami sintetinių trąšų naudojimą. 20–30% (ES Komisija, 2024 m.).
Padidinkite baltymų savarankiškumąES sojų gamyba nuo 2020 m. išaugo 311 TP3 t (Eurostatas).

Finansinis atotrūkis tarp baltyminių augalų (250–350 EUR/ha) ir javų (190 EUR/ha) skatina ūkininkus keisti auginimo būdus. Pavyzdžiui, 100 hektarų ūkis, auginantis soją, kasmet uždirba 25 000–35 000 EUR, o už javus – 19 000 EUR, t. y. 32–841 TP3T priemoka.

2. Su tvarumu susiję mokėjimai:

30% tiesioginių išmokų priklauso nuo tokių praktikų kaip sėjomaina ir sintetinių trąšų kiekio mažinimas. 2024 m. skirta 185,9 mln. EUR “tvarios ES sojos” naudojimui gyvūnų pašaruose skatinti (ES žemės ūkio maisto produktų skatinimo politika).

Sintetinių trąšų naudojimas ES sojų auginime nuo 2021 m. sumažėjo 181 TP3 t.
Paukščių pašarų bandymuose, naudojant CAP reikalavimus atitinkančią soją, nustatytas 4,2% geresnis FCR.

3. Prancūzijos sojų puoselėjimo iniciatyva

Prancūzijos „Soy Excellence“ iniciatyva, kuriai vadovauja tokie žemės ūkio kooperatyvai kaip „Terres Univia“ (atstovaujanti 300 000 ūkininkų), iš naujo apibrėžė sojų gamybą, pirmenybę teikdama baltymų kokybei. Programoje įdiegta baltymais pagrįsta rūšiavimo sistema, reikalaujanti, kad paukščių pašarams skirtose sojų pupelėse būtų ne mažiau kaip 42% baltymų kiekis – tai viršija ES vidurkį – 38–40%.

Šį standartą atitinkantys ūkininkai gauna 50 eurų už toną priemoką (600 eurų už toną, palyginti su 550 eurų už toną standartinių sojų pupelių), o tai sukuria tiesioginę finansinę paskatą diegti pažangias praktikas, tokias kaip tikslus azoto valdymas ir daug baltymų turinčios sėklų veislės. 2021–2024 m. stebėti rezultatai buvo transformuojantys:

Baltymų derlius išaugo 12%, o vietinė sojų gamyba išaugo 18% – nuo 440 000 tonų 2020 m. iki 520 000 tonų 2023 m.
Šis augimas pakeitė 200 000 tonų genetiškai modifikuotų sojų importą, taip sumažindamas priklausomybę nuo nepastovių pasaulinių rinkų.
Paukštininkystės sektorius taip pat gavo naudos – Prancūzijos paukštininkystės asociacijos duomenimis, dėl pagerėjusių pašarų konversijos rodiklių (PPK) pašarų kainos sumažėjo 8–10 EUR/t.

JAV šis Prancūzijos modelis siūlo planą, kaip pereiti nuo prekėmis pagrįstų sistemų prie pridėtinės vertės žemės ūkio.

Atkartodami šį metodą – per baltymais pagrįstas USDA sutartis (pvz., 10–15 USD/t priemokos už sojų pupeles, viršijančias 45% baltymų kiekį) ir politiką, kuria siekiama sumažinti priklausomybę nuo genetiškai modifikuotų organizmų importo (JAV paukštienos sektorius kasmet importuoja 6,5 mln. tonų), – ūkininkai galėtų suderinti gamybą su paukštienos mitybos poreikiais, kartu stabilizuodami sąnaudas ir didindami tvarumą.

3. Vokietija: „GeoPard“ NUE programa veikia

Tiksliosios žemdirbystės įrankiai, tokie kaip „GeoPard“ azoto panaudojimo efektyvumo (NUE) moduliai, keičia sojų kokybės optimizavimą. 2023 m. su „John Deere“ atstovybe LVA (Vokietija) vykusiame bandomajame projekte buvo parodyta, kaip duomenimis pagrįstas ūkininkavimas gali padidinti baltymų derlių ir kartu sumažinti išlaidas.

„GeoPard“ programinė įranga analizavo palydovinius vaizdus, dirvožemio jutiklius ir istorinius derliaus duomenis, kad sukurtų kintamo kiekio azoto žemėlapius.
22% azoto sunaudojimo sumažinimas (nuo 80 kg/ha iki 62 kg/ha).
Baltymų kiekis padidėjo 4% (nuo 40% iki 41,6%) dėl optimizuoto maistinių medžiagų įsisavinimo.
37 €/ha trąšų sąnaudų, be derliaus nuostolių (LVA-John Deere ataskaita).

Be to, „GeoPard“ NUE įrankis dabar naudojamas 15 000+ hektarų Vokietijos sojų ūkių, pagerinant atitiktį ES tvarumo standartams. JAV panašus pritaikymas galėtų padėti ūkininkams patenkinti kylančius “mažai anglies dioksido išskiriančių pašarų” poreikius iš tokių paukštininkystės gigantų kaip „Tyson“ ir „Pilgrim's Pride“.

Technologijų ir tendencijų sinergija: „GeoPard“ tiksliųjų įrankių vaidmuo

Pridėtinės vertės sojų baltymų gamybos sėkmė priklauso nuo tikslaus žemės ūkio valdymo – šį iššūkį puikiai išsprendžia pažangiausia „GeoPard“ tiksliojo ūkininkavimo technologija. Pažangi įmonės analizės platforma suteikia ūkininkams dvi revoliucines baltymų optimizavimo galimybes:

1. Baltymų kiekio analizė: jutikliais pagrįstos įžvalgos apie aukščiausios kokybės soją

Šiuolaikinis žemės ūkis reikalauja tikslumo, o „GeoPard“ baltymų analizės įrankiai keičia tai, kaip ūkininkai augina daug baltymų turinčias sojų pupeles. Integruodama palydovinius vaizdus, ant dronų montuojamus jutiklius ir artimojo infraraudonojo spektroskopijos (NIR) duomenis, „GeoPard“ teikia realaus laiko įžvalgas apie pasėlių sveikatą ir baltymų kiekį. prieš derliaus nuėmimą.

i. NDVI ir daugiaspektris vaizdavimas:

Stebi augalo gyvybingumą ir azoto įsisavinimą, koreliuodamas su baltymų sinteze.
PavyzdysAjovoje (2023 m.) atlikti bandymai parodė 12% padidėjimas baltymų kiekį koreguojant drėkinimą ir tręšimą pagal „GeoPard“ NDVI žemėlapius.

ii. Arr. IR spektroskopija:

Neardomasis baltymų matavimas lauke (tikslumas: ±1,5%).
Ūkininkai gali suskirstyti laukus į zonas, atskirai nuimdami daug baltymų turinčios sojos derlių pridėtinės vertės rinkoms.

iii. Nuspėjamoji analizė:

Mašininio mokymosi modeliai prognozuoja baltymų kiekį 6–8 savaites iki derliaus nuėmimo, todėl galima atlikti korekcijas sezono viduryje.
Atvejo analizėIlinojaus kooperatyvas panaudojo „GeoPard“ įspėjimus sieros naudojimui optimizuoti ir 2023 m. padidino baltymų kiekį nuo 43% iki 47%.

2. Azoto naudojimo efektyvumas (NEU): atliekų mažinimas, kokybės gerinimas

„GeoPard“ NUE moduliai sprendžia vieną didžiausių žemės ūkio iššūkių: subalansuoti pasėlių mitybą su aplinkosauga. Štai keletas pagrindinių funkcijų, skirtų pagerinti pasėlių stebėseną ir vertės didinimą:

i. Kintamo kiekio purškimas (VRA):

GPS valdoma įranga purškia azotą tik ten, kur reikia, mažinant per didelį vartojimą.
Pavyzdys„John Deere“ atstovas Vokietijoje (LVA) pasiekė 20% sunaudojama mažiau azoto išlaikant derlių, kaip nurodyta „GeoPard“ NUE atvejo analizė.

ii. Dirvožemio būklės stebėsena:

Jutikliai seka organines medžiagas ir mikrobų aktyvumą, optimizuodami tręšimo grafikus.

iii. Pasirengimas sertifikavimui:

„GeoPard“ ataskaitų suvestinės generuoja atitikties ataskaitas tvarumo sertifikavimui (pvz., USDA „Climate-Smart“, ES žaliasis kursas).

„GeoPard“ tiksliosios žemdirbystės technologija ūkininkams teikia didelę aplinkosauginę ir ekonominę naudą. Sistema, naudodama pažangią analizės platformą, optimizuodama azoto naudojimą, sumažina azoto nuotėkį 15–25%, o tai tiesiogiai prisideda prie EPA vandens kokybės standartų laikymosi.

Kalbant apie finansus, ūkininkai sutaupo dideles išlaidas trąšoms – $12–18 vienam akrui, o investicijos į „GeoPard“ prenumeratas paprastai atsiperka vos per 1–2 auginimo sezonus.

Be to, kooperatyvas Nebraskoje panaudojo „GeoPard“ baltymų žemėlapių sudarymo metodą, kad atskirtų daug baltymų turinčias (50%+) sojų pupeles pridėtinės vertės perdirbimui. Tai generavo $50/t priemokos palyginti su prekių kainomis.

3. Technologijų ir tendencijų sinergija

Nors žaliavų rinkos vis dar dominuoja, tylus technologiškai išprususių ūkininkų ir aplinkai sąmoningų vartotojų iškilimas perrašo taisykles. Kaip pastebėjo vienas Ajovos ūkininkas: “GeoPard” siekia ne tik mažinti išlaidas – ji siekia auginti tai, ko nori ateities rinka.“

„GeoPard“ žemės ūkio technologijų inovacijų ir besikeičiančių vartotojų pageidavimų suartėjimas sukuria retą galimybę:

Atsekamumas nuo ūkio iki stalo“GeoPard” blokų grandinėje integruoti moduliai leidžia paukštienos gamintojams patikrinti sojų baltymų kiekį ir azoto efektyvumą, taip užtikrinant skaidrumą „nuo ūkio iki pašaro“. „Pilgrim's Pride“ neseniai išbandė šią sistemą, padidindama savo produktų pardavimus. “Grynasis nulinis viščiukas” eilutė pagal 34% (WattPoultry, 2024).

Politikos pagreitis2024 m. ūkio įstatyme yra $500 milijonų fondas tiksliosios žemdirbystės diegimui, o „GeoPard“ tipo įrankiai gali būti subsidijuojami (Senato Žemės ūkio komitetas, 2024 m.).

Vartotojų tendencijos: tylusis “klimato požiūriu išmanios” paukštininkystės variklis

Kol ūkininkai ir perdirbėjai susiduria su sudėtinga tiekimo grandinės ekonomika, besikeičiantys vartotojų pageidavimai tyliai keičia paukštienos pramonę. Remiantis 2024 m. “McKinsey” ataskaita, 641 TP3 t JAV vartotojų, pirkdami paukštieną, dabar teikia pirmenybę tvarumo ženklams, o tokie terminai kaip „klimato požiūriu protingas“ tampa galingu išskirtinumo veiksniu.

Ši tendencija skatina paukštienos, auginamos naudojant didelio efektyvumo, mažai anglies dioksido išskiriančius pašarus, paklausos augimą, sukurdama naujų galimybių ir spaudimą gamintojams naudoti pridėtinės vertės sojų baltymus.

1. Anglies dioksido kiekį tausojančių vištų augimas

Paukštienos, parduodamos kaip “mažai anglies dioksido į aplinką išskirianti” arba “tvariai šeriama”, rinka 2023 m. išaugo 281 TP3 t, palyginti su praėjusiais metais, gerokai pranokdama įprastinės paukštienos augimą (“Nielsen”, 2024 m.). Tokie dideli prekių ženklai kaip „Perdue“ ir „Tyson“ dabar parduoda „klimato požiūriu pažangią“ vištieną su 15–201 TP3 t kainų priemokomis, aiškiai pabrėždami pašarų efektyvumą (FCR) kaip pagrindinį tvarumo rodiklį (Maisto technologų institutas, 2024 m.).

„Tyson Foods“ įsipareigojo iki 2030 m. sumažinti savo tiekimo grandinės išmetamųjų teršalų kiekį 30%, o pagrindinį vaidmenį atlieka pagerintas FCR naudojant daug baltymų turinčius sojų pašarus („Tyson“ tvarumo ataskaita, 2023 m.).
„McDonald's“ įsipareigojo iki 2025 m. 100% savo paukštienos įsigyti iš ūkių, naudojančių patikrintus tvarius pašarus – šis žingsnis gali pakeisti visą pašarų pramonę („QSR Magazine“, 2024 m.).

USDA programa „Partnerystė dėl klimatui draugiškų prekių“ skyrė $2,8 mlrd. EUR projektams, kurie susieja tvarios ūkininkavimo praktiką su vartotojų rinkomis, įskaitant iniciatyvas, kuriomis skatinamas sojos pagrindu pagamintas, mažai anglies dioksido išskiriantis paukštienos pašaras (USDA, 2024 m.).

2. Paslėptas pašarų vaidmuo anglies dioksido ženklinime

Perėjimas prie daug baltymų turinčių sojų koncentratų yra ne tik efektyvumo klausimas – tai ir klimato sprendimas. Pasaulio išteklių instituto (2023 m.) tyrimai rodo, kad perėjimas nuo įprastų sojų rupinių (45% baltymas) prie koncentruotų sojų baltymų (60% baltymas) gali sumažinti su pašarais susijusį išmetamų teršalų kiekį 12% vienam broileriui dėl mažesnio žemės naudojimo ir azoto nuotėkio.

Be to, vartotojų informuotumas apie šį ryšį sparčiai auga. 2024 m. Aplinkos apsaugos fondo atlikta apklausa parodė, kad 411 TP3 t pirkėjų dabar supranta ryšį tarp gyvūnų pašarų ir poveikio klimatui, palyginti su vos 181 TP3 t 2020 m.

Ši tendencija rodo, kad “klimato požiūriu išmani” paukštiena nėra tik nišinė rinka – ji tampa pagrindiniu lūkesčiu, verčiančiu pramonę permąstyti, kaip pašarai tiekiami, ženklinami ir parduodami.

Išvada

Dėl žaliavų rinkos dinamikos plačiai paplitęs pridėtinės vertės sojų baltymų produktų naudojimas paukščių pašaruose susiduria su dideliais iššūkiais, tačiau strateginis tiekimo grandinės pertvarkymas gali padėti įveikti šias kliūtis. Kaip rodo Brazilijos eksporto mokesčių lengvatos ir ES kokybe pagrįstos subsidijų programos, tikslinės politikos intervencijos gali veiksmingai nukreipti gamybą į didesnės vertės sojų produktus. JAV gali taikyti panašius metodus, taikydamos USDA klasifikavimo reformas ir Ūkininkų įstatymo nuostatas, kuriomis skatinamas baltymų kiekis ir tvarumas.

Technologiniai sprendimai, tokie kaip „GeoPard“ tiksliosios žemdirbystės įrankiai, suteikia ūkininkams praktišką būdą pagerinti sojų kokybę išlaikant pelningumą, o Europos bandymuose gauti rezultatai, įskaitant 8% baltymo padidėjimą, yra įrodyti.

Šios inovacijos tampa vis vertingesnės, nes vartotojų paklausa tvariai auginamai paukštienai auga, o klimatui draugiškos paukštienos rinka kasmet plečiasi 281 TP3 t. Ši transformacija sukurtų naujų pajamų srautų ūkininkams, pagerintų paukštienos gamintojų efektyvumą ir sumažintų gyvulininkystės poveikį aplinkai – tai tikrai abipusiai naudingas scenarijus visiems žemės ūkio vertės grandinės suinteresuotiesiems subjektams.

Debesų kompiuterijoje įdiegtas transformacinis derliaus rekomendacijų modelis keičia tiksliąją žemdirbystę

Paskelbta balandžio 3, 2025 pagal dementievgeopard

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

Giliojo mokymosi kompiuterinės vizijos taikomųjų programų vaidmuo ankstyvajai augalų ligų stadijai aptikti

Paskelbta balandžio 2, 2025 pagal dementievgeopard

Augalų ligos tyliai kelia grėsmę pasauliniam aprūpinimui maistu, kasmet sunaikindamos 10–161 TP3 t pasėlių ir padarydamos žemės ūkio pramonei 1 TP4 220 mlrd. nuostolių. Tradiciniai metodai, tokie kaip rankiniai patikrinimai ir laboratoriniai tyrimai, yra lėti, brangūs ir dažnai nepatikimi.

Novatoriškas 2025 m. tyrimas, “Gilusis mokymasis ir kompiuterinė rega augalų ligų aptikime” (Upadhyay ir kt.) atskleidžia, kaip dirbtinio intelekto augalų ligų aptikimas ir kompiuterinio matymo žemės ūkis keičia ūkininkavimą.

Kodėl ankstyvas augalų ligų nustatymas yra svarbus pasauliniam maisto saugumui

Žemės ūkyje dirba 281 t³ t pasaulio darbo jėgos, o tokios šalys kaip Indija, Kinija ir JAV pirmauja pagal pasėlių gamybą. Nepaisant to, grybelių, bakterijų ir virusų sukeltos augalų ligos mažina derlių ir apsunkina ekonomiką.

Pavyzdžiui, ryžių blastinė liga paveiktuose regionuose sumažina derlių 30–50%, o citrusinių vaisių žalėjimas nuo 2005 m. sunaikino 70% Floridos apelsinų giraičių. Ankstyvas aptikimas yra labai svarbus, tačiau daugelis ūkininkų neturi prieigos prie pažangių įrankių ar patirties.

Čia į pagalbą ateina dirbtiniu intelektu pagrįstas ligų aptikimas, siūlantis greitus, prieinamus ir tikslius sprendimus, kurie pranoksta tradicinius metodus.

Kaip dirbtinis intelektas ir kompiuterinė rega aptinka pasėlių ligas

Tyrime buvo analizuojami 278 moksliniai straipsniai, siekiant paaiškinti, kaip veikia dirbtinio intelekto augalų ligų aptikimo sistemos. Pirmiausia kameros arba jutikliai užfiksuoja pasėlių vaizdus. Šie vaizdai apdorojami naudojant algoritmus, skirtus ligos požymiams nustatyti.

Pavyzdžiui, RGB kameros darykite spalvotas nuotraukas, kad pastebėtumėte matomus simptomus, tokius kaip lapų dėmės, o hiperspektrinės kameros aptinka paslėptus streso signalus analizuodamos šimtus šviesos bangos ilgių.

Užfiksavus vaizdus, jie apdorojami iš anksto, siekiant pagerinti jų kokybę. Tokie metodai kaip slenksčių nustatymas išskiria pažeistas sritis pagal spalvą, o kraštų aptikimas padeda nustatyti pažeidimų ar spalvos pakitimų ribas.

Toliau gilaus mokymosi modeliai analizuoja iš anksto apdorotus duomenis. Konvoliuciniai neuroniniai tinklai (CNN), labiausiai paplitę dirbtinio intelekto įrankiai žemės ūkyje, nuskaito vaizdus sluoksnis po sluoksnio, kad nustatytų tokius modelius kaip neįprastos tekstūros ar spalvos.

2022 m. vykusiame teismo procese, ResNet50– populiarus CNN modelis – diagnozuojant pomidorų ligas pasiekė 99,07% tikslumą.

Tuo tarpu, Regėjimo transformatoriai (ViT) padalinti vaizdus į fragmentus ir ištirti jų ryšius, imituojant, kaip žmonės analizuoja kontekstą. Šis metodas padėjo 2020 m. atliktame tyrime aptikti vynuogių gyslų valymo virusą 71% tikslumu.

“Ūkininkavimo ateitis slypi ne žmonių pakeitime, o jų aprūpinime išmaniaisiais įrankiais.”

Pažangių jutiklių vaidmuo šiuolaikiniame ūkininkavime

Skirtingi jutikliai suteikia unikalių pranašumų tiksliajam ūkininkavimui. RGB kameros, nors ir įperkamos ir lengvai naudojamos, sunkiai diagnozuojamos ankstyvos stadijos ligos dėl riboto spektrinio detalumo. Priešingai, hiperspektrinės kameros fiksuoti duomenis per šimtus šviesos bangos ilgių, atskleidžiant plika akimi nematomus streso signalus.

Pavyzdžiui, 2022 m. tyrėjai naudojo hiperspektrinį vaizdavimą, kad diagnozuotų obuolių vėgį 98% tikslumu. Tačiau šios kameros kainuoja $10, 000-$ 50 000, todėl smulkiesiems ūkininkams jie yra per brangūs.

Terminės kameros suteikti kitą požiūrį matuojant infekcijų sukeltus temperatūros pokyčius. 2019 m. atliktame tyrime nustatyta, kad citrusinių vaisių žalumomis užkrėsti lapai pasižymi skirtingais karščio modeliais, todėl tai galima anksti aptikti.

Tuo tarpu, daugiaspektrinės kameros– tarpinis variantas – stebėti chlorofilo kiekį augalų sveikatai įvertinti.

Šie jutikliai 2014 m. užfiksavo kviečių dryžuotąsias rūdis, padėdami ūkininkams veiksmingiau taikyti priemones. Nepaisant jų privalumų, jutiklių kaina ir aplinkos veiksniai, tokie kaip vėjas ar netolygus apšvietimas, išlieka iššūkiais.

Viešieji duomenų rinkiniai: dirbtinio intelekto žemės ūkio pagrindas

Patikimų dirbtinio intelekto modelių mokymui reikia didžiulių kiekių paženklintų duomenų. „PlantVillage“ duomenų rinkinys, nemokamas šaltinis, kuriame yra 87 000 14 pasėlių ir 26 ligų vaizdų, tapo auksiniu standartu tyrėjams.

Daugiau nei 90% straipsnyje cituotų tyrimų naudojo šį duomenų rinkinį savo modeliams apmokyti ir išbandyti. Kitas svarbus šaltinis – Kasavos ligos duomenų rinkinys, apima 11 670 kasavos mozaikos ligos vaizdų ir pasiekė 96% tikslumą su CNN modeliais.

Tačiau spragų vis dar yra. Retos ligos, tokios kaip pušinė nematoda, turi mažiau nei 100 paženklintų vaizdų, todėl dirbtinis intelektas negali jų aptikti. Be to, daugumoje duomenų rinkinių pateikiami laboratorijoje užfiksuoti vaizdai, kuriuose neatsižvelgiama į realaus pasaulio kintamuosius, tokius kaip oras ar apšvietimas.

Siekiant tai spręsti, tokie projektai kaip „AI4Ag“ naudoja ūkininkų iš viso pasaulio lauko vaizdų rinkimo priemones, siekdami sukurti patikimesnius ir realistiškesnius duomenų rinkinius.

Dirbtinio intelekto našumo matavimas: tikslumas, preciziškumas ir daugiau

Tyrėjai naudoja kelis rodiklius, kad įvertintų dirbtinio intelekto augalų ligų aptikimo sistemas. Tikslumas– teisingų diagnozių procentas – svyruoja nuo 76.9% ankstyvuosiuose modeliuose į 99.97% pažangiose sistemose, tokiose kaip „EfficientNet-B5“.

Tačiau vien tikslumas gali būti klaidinantis. Tikslumas matuoja, kiek pažymėtų ligų yra tikros (išvengiant klaidingų aliarmų), o atkūrimas seka, kiek tikrų infekcijų aptinkama.

Pavyzdžiui, Kaukė R-CNN, objektų aptikimo modelis, braškių antraknozės aptikimo tikslumu pasiekė 93,5%, tačiau medvilnės šaknų puvinio aptikimo tikslumu – tik 45%.

Svetainė F1 balas subalansuoja tikslumą ir įsiminimą, pateikdamas holistinį našumo vaizdą. 2023 m. atliktame bandyme, PlantViT— hibridinis dirbtinio intelekto modelis — „PlantVillage“ duomenų rinkinyje surinko 98,61% F1 balą.

Objektų aptikimui, vidutinis vidutinis tikslumas (mAP) yra kritinis. Greitesnis R-CNN, populiarus modelis, obelų ligų tyrimuose pasiekė 73,07% mAP, o tai reiškia, kad daugeliu atvejų jis teisingai nustatė ir klasifikavo infekcijas.

Iššūkiai, stabdantys dirbtinį intelektą žemės ūkyje

Nepaisant potencialo, dirbtiniu intelektu pagrįstas ligų aptikimas susiduria su kliūtimis. Pirma, duomenų trūkumas kamuoja retas arba naujai atsirandančias ligas.

Pavyzdžiui, 2021 m. tyrimui buvo prieinami tik 20 agurkų miltligės vaizdų, todėl modelio patikimumas buvo ribotas.
Antra, aplinkos veiksniai, tokie kaip vėjas, šešėliai ar skirtingos apšvietimo sąlygos, sumažina lauko matavimų tikslumą 20–30%, palyginti su laboratoriniais nustatymais.
Trečia, didelės išlaidos trukdo diegti šias technologijas. Hiperspektrinės kameros, nors ir galingos, vis dar neįperkamos smulkiesiems ūkininkams, o dirbtinio intelekto įrankiams reikalingi išmanieji telefonai arba interneto prieiga – tai vis dar kliūtis kaimo vietovėse.
Galiausiai, pasitikėjimo problemos išlieka. 2023 m. atlikta apklausa parodė, kad 681 300 ūkininkų dvejoja diegti dirbtinį intelektą dėl jo “juodosios dėžės” pobūdžio – jie nemato, kaip priimami sprendimai.

Siekdami tai įveikti, tyrėjai kuria interpretuojamą dirbtinį intelektą, kuris diagnozes paaiškina paprastais terminais, pavyzdžiui, paryškina užkrėstus lapų plotus arba išvardija simptomus.

Ūkininkavimo ateitis: 5 inovacijos, į kurias verta atkreipti dėmesį

1. Kraštinių kompiuterių naudojimas realiuoju laiku atliekamai analizeiLengvi dirbtinio intelekto modeliai, tokie kaip „MobileNetV2“ (7 MB dydžio), veikia išmaniuosiuose telefonuose arba dronuose ir siūlo ligų aptikimą realiuoju laiku be interneto. 2023 m. šis modelis pasiekė 99,42% tikslumą bulvių ligų klasifikavimo srityje, suteikdamas ūkininkams galimybę priimti momentinius sprendimus.

2. Mokymosi perkėlimas greitesnei adaptacijaiIš anksto apmokyti modeliai, tokie kaip „PlantViT“, gali būti tiksliai suderinti su naujais pasėliais turint minimalius duomenis. 2023 m. atliktame tyrime „PlantViT“ buvo pritaikytas ryžių blastų aptikimui, pasiekus 87,87% tikslumą naudojant vos 1000 vaizdų.

3. Regėjimo ir kalbos modeliai (VLM)Tokios sistemos kaip “OpenAI” CLIP leidžia ūkininkams pateikti DI užklausas naudojant tekstą (pvz., „Rasti rudas dėmes ant lapų“). Ši natūrali sąveika panaikina atotrūkį tarp sudėtingų technologijų ir kasdienio ūkininkavimo.

4. Bendrosios paskirties dirbtinio intelekto pagrindiniai modeliaiDideli modeliai, tokie kaip GPT-4, galėtų imituoti ligų plitimą arba rekomenduoti gydymą, veikdami kaip virtualūs agronomai.

5. Bendradarbiaujančios pasaulinės duomenų bazėsAtvirojo kodo platformos, tokios kaip „PlantVillage“ ir „AI4Ag“, kaupia ūkininkų ir tyrėjų duomenis iš viso pasaulio, taip spartindamos inovacijas.

Atvejo analizė: dirbtinio intelekto valdomas mangų auginimas Indijoje

2024 m. tyrėjai sukūrė lengvą „DenseNet“ modelį, skirtą kovoti su mangų ligomis, tokiomis kaip antraknozė ir miltligė. Modelis, apmokytas naudojant 12 332 lauko vaizdus, pasiekė 99,2% tikslumą – didesnį nei dauguma laboratorinių sistemų.

Turėdamas mažiau parametrų, 50% sklandžiai veikia ir biudžetiniuose išmaniuosiuose telefonuose. Indijos ūkininkai dabar naudoja šiuo dirbtiniu intelektu sukurtą $10 programėlę, skirtą lapams nuskaityti ir momentinėms diagnozėms gauti, taip sumažindami pesticidų naudojimą ir išsaugodami derlių.

Išvada

Dirbtinis augalų ligų aptikimas ir tiksliosios žemdirbystės technologijos keičia ūkininkavimą, suteikdamos vilties kovoti su maisto trūkumu. Sudarydamos sąlygas ankstyvai diagnostikai, sumažindamos cheminių medžiagų naudojimą ir suteikdamos galių smulkiesiems ūkininkams, šios priemonės galėtų padidinti pasaulinį pasėlių derlių 20–301 TP3 T.

Kad realizuotų šį potencialą, suinteresuotosios šalys turi spręsti jutiklių išlaidų klausimus, didinti duomenų įvairovę ir didinti ūkininkų pasitikėjimą per švietimą.

NuorodaUpadhyay, A., Chandel, NS, Singh, KP ir kt. Gilusis mokymasis ir kompiuterinė rega augalų ligų nustatyme: išsami tiksliosios žemdirbystės metodų, modelių ir tendencijų apžvalga. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x

Kaip daiktų internetas (IoT) transformuoja tiksliają žemdirbystę ir sprendžia dabartinius iššūkius?

Paskelbta kovo 16, 2025 pagal dementievgeopard

Pasaulio gyventojų skaičius sparčiai auga, o prognozės rodo, kad iki 2050 m. jis pasieks 9,7 mlrd. Kad visi būtų pamaitinti, maisto gamyba turi padidėti 60%, tačiau tradiciniai ūkininkavimo metodai, priklausantys nuo dir.

Klimato kaita, dirvožemio degradacija ir vandens trūkumas padėtį blogina. Pavyzdžiui, vien tik dirvožemio erozija ūkininkams kainuoja $40 mlrd. dolerių per metus dėl prarasto produktyvumo, o tradicinė laistymo sistema dėl pasenusių praktikų išeikvoja 60% gėlo vandens.

Indijoje dėl nenuspėjamų musonų per pastarąjį dešimtmetį ryžių derlius sumažėjo 15%. Šie iššūkiai reikalauja skubių sprendimų, o išmanioji žemdirbystė, varoma daiktų interneto (IoT) ir aeroponikos, siūlo gyvybės šiaudą.

IoT galia šiuolaikinėje žemdirbystėje

Išmaniojo ūkininkavimo pagrindas - daiktų internetas, t. y. tarpusavyje sujungtų prietaisų, kurie realiuoju laiku renka duomenis ir jais dalijasi, tinklas. Belaidžių jutiklių tinklai (WSN) yra šios sistemos pagrindas.

Šie tinklai naudoja laukuose įrengtus jutiklius, kad stebėtų dirvožemio drėgmę, temperatūrą, drėgnumą ir maistinių medžiagų lygius. Pavyzdžiui, DHT22 jutiklis stebi drėgmę, o TDS jutikliai matuoja maistinių medžiagų koncentraciją vandenyje.

Šie duomenys per mažai energijos naudojančius protokolus, tokius kaip LoRa ar ZigBee, siunčiami į debesų platformas, tokias kaip ThingSpeak ar AWS IoT. Analizuojus, sistema gali inicijuoti veiksmus, pavyzdžiui, įjungti drėkinimo siurblius ar pakoreguoti trąšų lygius.

Coimbatore, Indijoje, 2022 m. projektas parodė daiktų interneto galimybes. Jutikliai aptiko sausas dirvožemio zonas pomidorų laukuose, leidžiančius tikslingai laistyti, o tai sumažino vandens švaistymą 35%.

Panašiai dronai su multispektrinėmis kameromis skenuoja didžiulius laukus, siekdami nustatyti tokias problemas kaip kenkėjų antplūdis ar maistinių medžiagų trūkumas.

2019 m. tyrime dronai, naudodami 98% tikslumą, aptiko paprastąją miltligę kukurūzų pasėliuose, taip padėdami ūkininkams sutaupyti $120 svarų sterlingų nuostolių hektarui. Mašininis mokymasis dar labiau patobulina šias sistemas.

Mokslininkai apmokė dirbtinio intelekto modelius su tūkstančiais lapų vaizdų, kad būtų galima diagnozuoti tokias ligas kaip miltligė, pasiekiant 99,53% tikslumą, leidžiant ūkininkams imtis veiksmų, kol pasėliai nenukentėjo.

Aeroponika: daržovių auginimas be dirvožemio

Nors daiktų internetas (IoT) optimizuoja tradicinį ūkininkavimą, aeroponika iš esmės pakeičia žemės ūkį. Šiuo metodu augalai auginami ore, jų šaknys laikomos rūko užpildytose kamerose, kur purškiamas vanduo ir maistinės medžiagos.

Skirtingai nuo dirvožemio auginimo, aeroponika naudoja 95% mažiau vandens ir nenaudoja pesticidų. Šaknys efektyviau įsisavina deguonį, pagreitindamos augimą.

Pavyzdžiui, aeroponiškai užauginti salotos, anot 2018 m. tyrimo,% greičiau nei auginamos dirvožemyje.

Aeroponika ypač vertinga miestuose ar regionuose, kur prasta dirva. Vertikaliuose ūkiuose augalai sodinami bokštuose, todėl vienam kvadratiniam metrui tenka 10 kartų daugiau maisto nei tradiciniuose laukuose.

Meksiko Sityje 2022 m. ant stogo įrengta aeroponinė ferma davė 3,8 kg salotų iš kvadratinio metro – tai tris kartus daugiau nei auginant dirvožemyje, sunaudojant tik 10 litrų vandens kilogramui.

Singapūro „Sky Greens“ žengia toliau, augindama 1 toną daržovių per dieną 30 pėdų aukščio bokštuose, naudodama 95% mažiau žemės nei tradiciniai ūkiai.

IoT perkelia aeroponiką į kitą lygį. Jutikliai stebi šaknų kameras drėgmės, pH ir maistinių medžiagų lygiui, automatiškai reguliuodami purškimo ciklus.

2017 m. projekte mokslininkai automatizavo aeroponinę sistemą naudojant Raspberry Pi, sumažindami darbo sąnaudas 50%. Ūkininkai valdo šias sistemas per mobiliąsias programėles, tokias kaip AgroDecisor, kuri siunčia pranešimus apie tokias problemas kaip maistinių medžiagų disbalansas.

Iššūkiai, stabdantys pažangą

Nepaisant jų potencialo, daiktų internetas (IoT) ir aeroponika susiduria su reikšmingomis kliūtimis. Didelės išlaidos yra pagrindinė kliūtis. Pagrindinis IoT įrenginių komplektas kainuoja nuo 1 500 iki 5 000, o pažangūs dronai ir jutikliai reikalauja 10 000–50 000 pradinių investicijų – tai viršija besivystančių šalių smulkiųjų ūkininkų galimybes. Tuo tarpu priežiūra papildomai kainuoja 15–20% kasmet, dar labiau spausdama biudžetus.

Ryšių spragos dar labiau apsunkina problemą. Apie 40% kaimo vietovių neturi patikimo interneto, o tai stabdo duomenų perdavimą realiuoju laiku.

Etiopijoje IoT bandomasis projektas 2021 m. nepavyko, nes laukuose nutrūko 3G ryšys, sutrękdami drėkinimo tvarkaraščius. Taip pat iškyla didelės saugumo rizikos. Dažnai trūksta tokių IoT protokolų kaip MQTT ir CoAP šifravimo, todėl sistemos tampa pažeidžiamos įsilaužėliams.

2021 m. 62% žemės ūkio daiktų interneto (IoT) sistemų pranešė apie kibernetines atakas, įskaitant duomenų praradimą, kuris galėjo paveikti jutiklių rodmenis arba išjungti įrangą.

Technologinis sudėtingumas prideda dar vieną sunkumų sluoksnį. Ūkininkams reikalingi mokymai, kaip suprasti duomenis ir diagnozuoti sistemas.

2017 m. Kolumbijoje žlugus aeroponiniam projektui, neteisingi pH nustatymai pažeidė pasėlius, o tai lėmė $12 000 vertės daigų praradimą.

Netgi elektros tiekimas kelia problemų – saulės energija varomi jutikliai sugenda musonų metu, o dronai vienu įkrovimu veikia tik 20–30 minučių.

Žemės ūkio ateitis: naujovės horizonto link

Nepaisant šių iššūkių, ateitis atrodo daug žadanti. 5G tinklai atnaujins ryšius, leisdami dronams realiu laiku stebėti didžiules fermas.

Brazilijoje 2023 m. bandomajame projekte 5G ryšiu veikiantys dronai per 10 minučių apžvelgė daugiau nei 1000 akrų sojų laukų, o ne per kelias dienas, ir aptiko ligas. Kraštinis dirbtinis intelektas (Edge AI), apdorojantis duomenis tiesiai įrenginiuose, sumažina priklausomybę nuo debesų kompiuterijos.

Pavyzdžiui, „MangoYOLO“ sistema skaičiuoja mangus su 91% tikslumu naudodama borto kameras, taip pašalindama delsimą siunčiant duomenis.

Blokų grandinės technologija yra dar vienas esminis pokytis. Stebėdama produktus nuo ūkio iki vartotojo, ji užtikrina skaidrumą ir mažina sukčiavimą.

„eFarm“ programėlė naudoja bendraujamą duomenų rinkimą, kad patvirtintų ekologinius sertifikatus, taip sumažindama sukčiavimą 30%. „Walmart“ blokų grandinės sistema 2022 m. sumažino mangų tiekimo grandinės klaidas 90%.

Kyla ir dirbtinio intelekto valdomi šiltnamiai. Šios sistemos naudoja tokius modelius kaip VGG19, kad stebėtų augalų sveikatą su% 91,52 proc. tikslumu.

Japonijoje robotai, tokie kaip AGROBOT, 24 valandas per parą, 7 dienas per savaitę renka braškes, padidindami produktyvumą triskart. Miestų erdvės taip pat priima aeroponiką – Berlyne veikianti „Infarm“ augina žoleles prekybos centruose, sumažindama transporto išmetamųjų teršalų kiekį 95%.

Vyriausybės ir įmonės imasi veiksmų. Indijos 2023 m. Agri-Tech iniciatyva subsidijuoja daiktų interneto (IoT) įrankius 500 000 smulkiųjų ūkininkų, o „Microsoft“ „FarmBeats“ Kenijos ūkininkams teikia nebrangius dronus.

Sėkmės planas

Daiktų internetas (IoT) ir aeroponika yra ne tik įrankiai – jie yra būtini tvarios ateities kūrimui. Iki 2030 m. šios technologijos galėtų:

Sutaupykite 1,5 trilijono litrų vandens kasmet.
Sumažinti šiltnamio efektą sukeliančių dujų emisijas 1,5 gigatonos per metus.
Pamaitinti 2 milijardus papildomų žmonių neišplečiant dirbamų žemių.

Siekiant to, vyriausybės privalo subsidijuoti prieinamus įrankius, plėsti interneto prieigą kaimo vietovėse ir įgyvendinti kibernetinio saugumo standartus. Ūkininkams reikia apmokymų, kad jie galėtų efektyviai išnaudoti šias technologijas.

Kaip teigia JT Maisto ir žemės ūkio organizacija (FAO), “Maisto ateitis priklauso nuo šiandienos inovacijų.” Įdiegdami daiktų internetą (IoT) ir aeroponiką, galime sukurti pasaulį, kuriame niekas nebadautų, o žemės ūkis rūpintųsi mūsų planeta, o ne naikintų ją.

Nuoroda: Dhanasekar, S. (2025). Visapusiška apžvalga apie dabartines daiktų interneto problemas ir pažangą tiksliosios žemdirbystės srityje. Computer Science Review, 55, 100694.

Tiksliosios žemdirbystės technologijos ir strategijos šiuolaikiniame pasaulyje

Paskelbta vasario 9, 2025 pagal dementievgeopard

Didelių ūkių pastangomis sparčiai populiarėja tiksliosios žemės ūkio technologijos. Šie ūkiai integruoja pažangias priemones, siekdami padidinti efektyvumą, sumažinti sąnaudas ir padidinti derlių.

Remiantis JAV žemės ūkio departamento (USDA) ataskaita, beveik 70% didelių ūkių, apibrėžiamų kaip tie, kurių metinės pajamos viršija $1 milijoną JAV dolerių, naudoja tokias technologijas kaip derliaus monitoriai, automatinio vairavimo sistemos ir dirvožemio žemėlapiai, siekdami pagerinti savo veiklą.

Tai reikšmingas kontrastas, palyginti su vos 13% smulkių ūkių, kurie pranešė naudoję panašias technologijas 2023 m., remiantis USDA Ūkio tyrimų tarnyba.

Kodėl didesnės fermos dažniau taiko tiksliają žemdirbystę

Tiksliųjų technologijų žemės ūkis – tai pažangių technologijų naudojimas, siekiant optimizuoti ūkininkavimo praktiką ir maksimaliai padidinti produktyvumą. Didesniems ūkiams šių technologijų nauda yra didelė.

Dideliems ūkiams, siekiantiems padidinti pasėlių derlių, sumažinti veiklos sąnaudas ir valdyti nenuspėjamus orų bei rinkos svyravimus, tenka daugiau finansinių išteklių investuoti į technologijas. Tai palengvina įrankių, reikalaujančių didelių pradinių išlaidų, tokių kaip derliaus monitoriai, automatinio vairavimo sistemos ir automatizuota įranga, diegimą.

Remiantis USDA apklausa, technologijų diegimo skirtumas yra ryškus. Nors 68% stambaus masto ūkių naudojo sprendimų paramos technologijas, tokias kaip derliaus monitoriai ir dirvožemio žemėlapiai, tik 13% smulkaus masto ūkių naudojo šias priemones.

Ataskaita pabrėžia, kad didesnės įmonės ne tik turi finansinių galimybių investuoti į tokias technologijas, bet ir gali daugiau iš jų įgyvendinimo naudos.

Tikslumo žemės ūkio technologijos, ypač tos, kurios sutelktos į automatizavimą ir sprendimų priėmimą remiantis duomenimis, gali padidinti efektyvumą, pagerinti išteklių valdymą ir galiausiai padidinti pelno maržas.

Pagrindinės technologijos, skatinančios tiksliosios žemdirbystės diegimą

Tarp įvairių precizinio žemės ūkio įrankių, keli išsiskiria plačiu naudojimu dideliuose ūkiuose:

1. Derliaus monitoriaiŠie prietaisai matuoja derliaus kiekį ir kokybę jį nuimant. Teikdami duomenis realiuoju laiku, derliaus monitoriai leidžia ūkininkams įvertinti laukų nevienalytiškumą ir priimti pagrįstus sprendimus dėl pasėlių valdymo bei išteklių paskirstymo.

2. Pagalbos vairavimo sistemosŠios sistemos yra neatsiejama didelių ūkių įrangos, tokios kaip traktoriai ir kombainai, dalis. „Autosteering“ naudoja GPS technologiją įrangai valdyti, mažina žmogiškąsias klaidas ir optimizuoja tokias operacijas kaip sėja, tręšimas ir derliaus nuėmimas. Remiantis USDA ataskaita, 70% didelių ūkių naudojo „autosteering“ sistemas, palyginti su vos 9% mažų ūkių.

3. Dirvožemio žemėlapiai ir duomenų analizėDirvožemio kartografavimo technologija suteikia išsamią informaciją apie dirvožemio sąlygas visame ūkyje, leidžiančią ūkininkams priimti tikslius sprendimus dėl laistymo, tręšimo ir sėjos. Suprasdami dirvožemio sudėties ir drėgmės lygio kintamumą, stambių ūkių savininkai gali padidinti derlių ir sumažinti sąnaudų.

Veiksniai, turintys įtakos technologijų priėmimui

USDA ataskaita pabrėžia kelis veiksnius, turinčius įtakos tiksliosios žemdirbystės diegimui, o didžiausią įtaką daro ūkio dydis ir finansiniai ištekliai. Didesni ūkiai, turintys didesnes pajamas ir galintys ilgalaikius investicijas, dažniau diegia technologijas, kurioms reikalingas didelis pradinis kapitalas.

Kita vertus, mažesnės įmonės, ypač tos, kurių metinės pajamos yra mažesnės nei $150 000, susiduria su iššūkiais pateisinti pradinę investiciją dėl riboto biudžeto ir mažesnių pelno maržų.

Be finansinių apribojimų, technologijų diegimui įtakos turi ir ūkio pobūdis. Ūkiai, kuriuose ūkininkai išeina į pensiją arba artėja prie pensinio amžiaus, dažnai mažiau linkę investuoti į naujas technologijas, nes jų ilgalaikis įsitraukimas į žemės ūkio verslą gali būti neapibrėžtas.

Šioms operacijoms tiksliosios žemdirbystės nauda gali neatsverti išlaidų, ypač jei ūkininkas artimiausiu metu planuoja nutraukti aktyvią veiklą.

Kova už plačiai paplitusį priėmimą

Nors tiksliosios žemės ūkio technologijos suteikia akivaizdžių privalumų, jų plačiai paplitusiu priėmimu vyko lėčiau nei tikėtasi. Nepaisant augančio tokių priemonių kaip derliaus monitoriai ir automatinės vairavimo sistemos naudojimo dideliuose ūkiuose, tam tikros technologijos dar nepelnė reikšmingo populiarumo visų dydžių ūkiuose.

Pavyzdžiui, dronai, nešiojami gyvulių stebėjimo prietaisai ir robotizuotos melžimo sistemos išlieka nepakankamai naudojamos net ir didesniuose ūkiuose.

Dronų, kurie dažnai laikomi perspektyvia priemone pasėlių stebėsenai ir laukų analizei, 2023 m. naudojo tik 12% didelio masto šeimos ūkių.

Kiti aukštųjų technologijų įrankiai, tokie kaip robotizuoti melžtuvai ir nešiojami gyvulių stebėjimo prietaisai, taip pat buvo mažai naudojami, nes ūkininkai dvejojo diegti šias technologijas dėl kainos, sudėtingumo ar neaiškios naudos.

Įrenginių gamintojų vaidmuo

Kadangi paklausa tiksliosios žemdirbystės srityje ir toliau auga, žemės ūkio technikos gamintojai didina investicijas į pažangias technologijas.

Įmonės kuria prieinamesnius ir pigesnius sprendimus, kad patenkintų platesnio diapazono ūkininkų, įskaitant mažesnių ūkių savininkus, poreikius. Tačiau, nepaisant šių pastangų, rinka išlieka sudėtinga, daugelis ūkininkų vis dar dvejoja įsidiegti naujas technologijas, atsižvelgdami į sunkų žemės ūkio ekonomikos laikotarpį.

Gamintojai taip pat sutelkia dėmesį į automatizuotų sistemų kūrimą, kurios gali padėti optimizuoti traktorių, kombainų ir kitos žemės ūkio technikos našumą. Šios naujovės skirtos padėti ūkininkams sumažinti darbo sąnaudas ir padidinti produktyvumą, užtikrinant, kad tiksliosios žemės ūkio technologijos taptų patrauklesnės bet kokio dydžio ūkininkams.

Išvada

Tiksliosios žemdirbystės technologijos suteikia didelę naudą ūkininkams, ypač tiems, kurie valdo didelio masto ūkius. Naudodami tokius įrankius kaip derliaus monitoriai, automatinio vairavimo sistemos ir dirvožemio žemėlapiai, dideli ūkiai gali optimizuoti savo produktyvumą, sumažinti išlaidas ir įveikti nepastovių rinkų bei nenuspėjamų orų keliamus iššūkius.

Tačiau didelės pradinės šių technologijų išlaidos ir toliau trukdo mažesniems ūkiams, ypač tiems, kurie turi ribotus finansinius išteklius, jas įsisavinti.

Didelės fermos dominuoja tiksliosios žemdirbystės kraštovaizdyje, teigia USDA

Paskelbta sausio 26, 2025 pagal dementievgeopard

Tai reikšmingas kontrastas, palyginti su vos 13% smulkių ūkių, kurie pranešė naudoję panašias technologijas 2023 m., remiantis USDA Ūkio tyrimų tarnyba.

Kodėl didesnės fermos dažniau taiko tiksliają žemdirbystę

Ataskaita pabrėžia, kad didžioji dalis bendrovių ne tik turi finansinių galimybių investuoti į tokias technologijas, bet ir gali daugiau iš jų įgyvendinimo naudos. Tiksliosios žemdirbystės technologijos, ypač tos, kurios orientuotos į automatizavimą ir sprendimų priėmimą remiantis duomenimis, gali lemti didesnį efektyvumą, geresnį išteklių valdymą ir, galiausiai, didesnį pelną.

Pagrindinės technologijos, skatinančios tiksliosios žemdirbystės diegimą

Tarp įvairių precizinio žemės ūkio įrankių, keli išsiskiria plačiu naudojimu dideliuose ūkiuose:

Derliaus monitoriaiŠie prietaisai matuoja derliaus kiekį ir kokybę jį nuimant. Teikdami duomenis realiuoju laiku, derliaus monitoriai leidžia ūkininkams įvertinti laukų nevienalytiškumą ir priimti pagrįstus sprendimus dėl pasėlių valdymo bei išteklių paskirstymo.
Vairavimo autonominėmis sistemomis vadovasŠios sistemos yra neatsiejama didelių ūkių įrangos, tokios kaip traktoriai ir kombainai, dalis. „Autosteering“ naudoja GPS technologiją įrangai valdyti, mažina žmogiškąsias klaidas ir optimizuoja tokias operacijas kaip sėja, tręšimas ir derliaus nuėmimas. Remiantis USDA ataskaita, 70% didelių ūkių naudojo „autosteering“ sistemas, palyginti su vos 9% mažų ūkių.
Dirvožemio žemėlapiai ir duomenų analitikaDirvožemio kartografavimo technologija suteikia išsamią informaciją apie dirvožemio sąlygas visame ūkyje, leidžiančią ūkininkams priimti tikslius sprendimus dėl laistymo, tręšimo ir sėjos. Suprasdami dirvožemio sudėties ir drėgmės lygio kintamumą, stambių ūkių savininkai gali padidinti derlių ir sumažinti sąnaudų.

Veiksniai, turintys įtakos technologijų priėmimui

Šioms operacijoms tiksliosios žemdirbystės nauda gali neatsverti išlaidų, ypač jei ūkininkas artimiausiu metu planuoja nutraukti aktyvią veiklą.

Kova už plačiai paplitusį priėmimą

Nors tiksliosios žemės ūky technologija suteikia akivaizdžių privalumų, jos plačiai nepriimta greičiau, nei tikėtasi. Nepaisant didėjančio tokių įrankių kaip derliaus monitoriai ir savaeigio vairavimo sistemos naudojimo dideliuose ūkiuose, tam tikros technologijos dar neįgavo reikšmingo svorio visuose ūkių dydžiuose. Pavyzdžiui, dronai, nešiojami gyvulių stebėjimo įrenginiai ir robotizuoti melžtuvai tebėra nepakankamai naudojami net ir didesniuose ūkiuose.

Dronų, kurie dažnai laikomi perspektyvia darbo saugos priemone augalų stebėsenai ir laukų analizei, 2023 metais naudojo tik 12% didelio masto šeimos ūkių. Kiti aukštųjų technologijų įrankiai, tokie kaip robotizuoti melžimo aparatai ir nešiojami gyvulių stebėjimo prietaisai, taip pat buvo mažai pritaikomi, ūkininkams nenoriai įsisavinant šias technologijas dėl jų kainos, sudėtingumo ar neaiškios naudos.

Įrenginių gamintojų vaidmuo

Didėjant paklausai po tiksliosios žemės ūkio, žemės ūkio technikos gamintojai didina investicijas į pažangias technologijas. Įmonės kuria prieinamesnius sprendimus, kad atitiktų platesnio masto ūkininkų, įskaitant tuos, kurie valdo mažesnius ūkius, poreikius.

Tačiau, nepaisant šių pastangų, rinka išlieka sudėtinga, daugelis ūkininkų vis dar dvejoja įsisavinti naujas technologijas, atsižvelgiant į sudėtingą žemės ūkio ekonomiką.

Išvada

Tiksliosios žemdirbystės technologijos suteikia didelę naudą ūkininkams, ypač tiems, kurie valdo didelius ūkius. Naudodami tokias priemones kaip derliaus monitoriai, autopiloto sistemos ir dirvožemio žemėlapiai, dideli ūkiai gali optimizuoti savo produktyvumą, sumažinti išlaidas ir įveikti iššūkius, kylamus dėl nepastovių rinkų ir nenuspėjamų orų. Tačiau didelės pradinės šių technologijų investicijos ir toliau stabdo jų diegimą mažesniuose ūkiuose, ypač tuose, kurie turi ribotus finansinius išteklius.

Žemės ūkio pramonei toliau vystantis, tikėtina, kad tiksliosios žemdirbystės naudojimas plėsis. Mažiesiems ūkininkams svarbiausia bus prieinamesnių ir pigesnių sprendimų kūrimas, siekiant užtikrinti, kad šios technologijos būtų prieinamos visiems. Ūkininkavimo ateitį, atrodo, vis labiau formuos skaitmeniniai įrankiai, leidžiantys ūkininkams priimti protingesnius, duomenimis pagrįstus sprendimus savo veikloje.

Tiksliosios žemdirbystės evoliucija: kaip praeitis formuoja rytojų

Paskelbta sausio 26, 2025 pagal dementievgeopard

Tiksli žemdirbystė (angl. Precision Ag), novatoriškas ūkininkavimo metodas, integruojantis technologijas, duomenis ir pažangius metodus, pakeitė žemės ūkio kraštovaizdį.

Naudodami tokias priemones kaip GPS navigacija, dronai, jutikliai ir duomenų analizė, ūkininkai gali padidinti efektyvumą, sumažinti atliekas ir optimizuoti derlių. Tačiau ši revoliucinė sritis neatsirado atskirai. Jos evoliucija yra giliai įsišaknijusi šimtmečius skaičiuojančiose žemės ūkio praktikose, parodydama, kaip praeitis tarnauja kaip prologas ateičiai.

Žvilgsnis atgal: tiksliosios žemdirbystės pamatai

Žemės ūkis visada buvo inovacijų sritis. Dar ilgai prieš atsirandant šiuolaikinėms technologijoms, ūkininkai pasikliaudavo aštriu pastebėjimu, patirtimi ir bandymų bei klaidų metodu, siekdami padidinti produktyvumą.

Tokie metodai kaip augalų sėjomaina, drėkinimas ir atrankinė selekcija yra ankstyvosios tikslumo ūkininkavimo formos. Šie metodai, nors ir primityvūs pagal šiandienos standartus, padėjo pamatus šiuolaikinėms agrarinėms strategijoms.

Pramoninė revoliucija XVIII ir XIX amžiuje žymi svarbų lūžį. Mechanizuota įranga, tokia kaip arklai, sėjamosios ir kuliamoji mašinos, pagerino efektyvumą, leisdama ūkininkams valdyti didesnius žemės plotus.

Šiuo laikotarpiu taip pat atsirado trąšos ir pesticidai, dar labiau padidinę derlių. Šios naujovės paruošė dirvą tikslioms technologijoms, kurios atsiras 20-ajame ir 21-ajame amžiuose.

Šiuolaikinės tiksliosios žemdirbystės atsiradimas

Tikslinės žemdirbystės, kokią ją žinome šiandien, samprata pradėjo formuotis XX amžiaus pabaigoje, tobulėjant palydovų technologijoms, kompiuterinei galiai ir geografinėms informacinėms sistemoms (GIS). Pagrindiniai šio laikotarpio etapai apima:

GPS technologija (1990-ieji): GPS sistemų įdiegimas pakeitė žemės ūkį, leidžiantis tiksliai naviguoti technikai. Ūkininkai dabar galėjo optimizuoti sėjos, tręšimo ir derliaus nuėmimo schemas, sumažindami persidengimą ir tausodami išteklius.
Derlingumo stebėjimas (1990-ieji): Kombainuose įrengti derlingumo monitoriai suteikė išsamių duomenų apie pasėlių našumą, padėdami ūkininkams nustatyti didelio ir mažo derlingumo plotus savo laukuose.
Nuotoliniai tyrimai (2000 m.): Palydovinių vaizdų ir dronų naudojimas leido ūkininkams su precedento neturinčiu tikslumu stebėti pasėlių būklę, dirvožemio sąlygas ir vandens naudojimą.
Kintamo normos technologijos (VRT): VRT leido ūkininkams taikyti tokias priemones kaip sėklos, trąšos ir pesticidai kintamais normomis visame lauke, pritaikant jas skirtingų zonų specifiniams poreikiams.

Šios inovacijos žymėjo perėjimą nuo bendrųjų ūkininkavimo praktikų prie specifinio valdomo valdymo, žymiai padidinant efektyvumą ir tvarumą.

Dabartinė padėtis: tikslioji žemdirbystė šiandien

XXI amžiuje tikslioji žemdirbystė tapo šiuolaikinio ūkininkavimo kertiniu akmeniu. Šiandieninės technologijos apima pažangius jutiklius, mašininio mokymosi algoritmus ir realaus laiko duomenų analizę. Pagrindinės tendencijos, formuojančios dabartinį kraštovaizdį, yra:

Didysis duomenų ir DI: Žemdirbiai dabar renka didžiulius kiekius duomenų iš savo laukų, įskaitant dirvožemio sudėtį, orų sąlygas ir pasėlių našumą. Dirbtinis intelektas apdoroja šiuos duomenis, kad pateiktų naudingų įžvalgų.
Daiktų internetas (IoT) Išmanieji jutikliai ir daiktų interneto (IoT) įrenginiai leidžia nuolat stebėti lauko sąlygas, suteikdami galimybę priimti sprendimus realiuoju laiku.
Autonominės mašinos Autonominiai traktoriai ir robotizuotos kombainai sumažina darbo jėgos poreikį, kartu didindami tikslumą ir efektyvumą.
Tvarumo dėmesys: Tikslioji žemdirbystė atitinka vis didesnį dėmesį tvarumui, nes kuo labiau sumažinamas išteklių naudojimas, poveikis aplinkai ir anglies dioksido sekvestracija dirvožemyje.

Agronomijos ateitis

Žvelgiant į ateitį, tikslioji žemdirbystė, tikėtina, ir toliau vystysis, nes naujos technologijos keis pramonės kryptį. Kai kurie perspektyviausi pokyčiai apima:

Genų redagavimas: Tokios priemonės kaip CRISPR galėtų leisti sukurti augalus, specialiai pritaikytus tiksliam ūkininkavimui, su savybėmis, optimizuotomis vietinėms dirvožemio ir klimato sąlygoms.
Analitinis prognozavimas Dirbtinio intelekto ir mašininio mokymosi pažanga pagerins prognozinių modelių tikslumą, padėdama ūkininkams numatyti tokius iššūkius kaip kenkėjų antplūdis ar oro anomalijos.
Loch-grandininė technologija: Blokų grandinė gali padidinti žemės ūkio tiekimo grandinių skaidrumą ir atsekamumą, užtikrinant etiško šaltinio tiekimą ir sąžiningas kainas.
Išplėstos ryšių galimybės: Įdiegus 5G tinklus, kaimo vietovės gaus prieigą prie didelės spartos interneto, o tai leis naudoti dar sudėtingesnes tiksliosios žemdirbystės technologijas.

Praeitis kaip prologas: mokymasis iš istorijos

Tikslioji žemės ūkis atskleidžia svarbią pamoką: naujovės grindžiamos praeities pasiekimais. Ankstyvosios žemės ūkio praktikos mus išmokė stebėjimo ir prisitaikymo svarbos. Mechanizacijos era pabrėžė efektyvumo ir mastelio didinimo vertę. Šiandienos tikslusis žemės ūkis šias pamokas derina su pažangiausiomis technologijomis, siekdamas spręsti iššūkius, susijusius su vis didėjančios pasaulio populiacijos maitinimu.

Suprasdami ir vertindami tiksliosios žemdirbystės istorinį kontekstą, galime geriau orientuotis jos ateityje. Praeitis tarnauja ne tik kaip vadovas, bet ir kaip priminimas, kad pažanga yra nuolatinė kelionė, įsišaknijusi mūsų pirmtakų išradingume ir atsparume.

Išvada

Tiksli žemdirbystė yra liudijimas žmogaus inovacijų galiai ir istorijos svarbai. Šiuo metu, kai esame ant naujų proveržių slenksčio, būtina pripažinti, kad rytojaus pažangą formuos šiandienos įžvalgos ir praeities pamokos. Pripažindami šią tęstinumą, galime užtikrinti, kad tiksli žemdirbystė ir toliau vystysis, skatindama tvarią ir klestinčią ateitį tiek ūkininkams, tiek visai planetai.

5G tinklas leidžiantis mokytis realiu laiku tvariajame ūkininkavime: cukrinių runkelių tyrimas

Paskelbta liepos 13, 2024liepos 13, 2024 pagal dementievgeopard

Džiaugiamės galėdami pranešti apie sėkmingą projekto “5G tinklai kaip realaus laiko mokymosi tvarioje žemdirbystėje įgalintojai” užbaigimą, kuriam dalinai finansavimą skyrė Šiaurės Rein menyje-Vestfalijos žemės Ūkio, pramonės, klimato apsaugos ir energetikos ministerija.

Ši iniciatyva žymi reikšmingą žingsnį siekiant ištirti 5G technologijos transformacinį potencialą žemės ūkyje, ypač siekiant pagerinti cukrinių runkelių auginimo ekologinius, ekonominius ir tvarumo aspektus.

Ji pasinaudojo žemu 5G atsilikimu, kad realiuoju laiku integruotų pažangias informacines technologijas, leidžiančias nedelsiant reaguoti į jutiklių ir padėties duomenis per nustatytus laiko intervalus.

Nuotrauka iš galutinio projekto pristatymo renginio Hamm-Lippstadt universitete (HSHL)

Projekto tikslas ir partnerystė

Bendradarbiaujant su HSHL partneriais ir „Pfeifer & Langen“ parama, projektas sutelkė dėmesį į cukrinių runkelių auginimo visą gyvavimo ciklą partneriams priklausančiuose laukuose. Juo siekta parodyti, kaip 5G gali tapti pagrindiniu technologijos katalizatoriumi Šiaurės Reinso-Vestfalijos žemės ūkio sektoriuje, demonstruojant jo potencialą skatinant inovacijas ir efektyvumą.

GeoPard žemės ūkis

„GeoPard Agriculture“ atliko svarbų vaidmenį nustatant ir įgyvendinant pagrindinius projekto aspektus, įskaitant augalų aptikimo, stebėjimo ir produkcijos prognozavimo scenarijus. Sukūrėme bandomąją DI sistemą, pritaikytą 5G žemės ūkio aplinkai, modelius vykdėme debesų infrastruktūroje ir sukūrėme mobiliąją programėlę realiu laiku bendrauti su debesų modeliais.

Technologinė integracija

Dirbtinio intelekto (DI) metodai buvo naudojami per tvirtą debesų infrastruktūrą, pasižyminčią didelėmis skaičiavimo galimybėmis. DI algoritmai kiekvieno kryžminimo metu realiu laiku kategorizavo augalus ir stebėjo jų augimą visą gyvavimo ciklą, taip atsisakant nereikalingų lauko apžiūrų vien tik duomenų rinkimo tikslu.

Šis proveržis leido tiksliai paskirstyti trąšas ir augalų apsaugos produktus, dinamiškai reguliuojant paskirstymo normas mašininio mokymosi algoritmais, kertant laukus.

Belaidžių transporto priemonių dislokavimas

Be to, projekte buvo pasinaudota sumažinta 5G delsa, siekiant dislokuoti nepilotuojamas transporto priemones augalų stebėjimui ir duomenų rinkimui. Šios transporto priemonės suvaidino itin svarbų vaidmenį renkant realaus laiko įžvalgas ir toliau optimizuojant žemės ūkio praktikas.

Projekto rezultatai: Cukrinių runkelių gamybos gerinimas naudojant 5G technologiją

Projektas parodė, kaip 5G technologija galėtų tapti transformuojančiu veiksniu Šiaurės Reino-Vestfalijos žemės ūkio sektoriuje, analizuojant visą cukrinių runkelių auginimo gyvavimo ciklą ir pabrėžiant reikšmingus 5G technologijos suteikiamus patobulinimus. Tačiau, norint efektyviai pademonstruoti projekto rezultatus, mokslininkai naudojo darbo paketus, kuriuose buvo skirtingi scenarijai ir infrastruktūros.

Scenarijaus apibrėžimas, atsižvelgiant į esamus geografinius duomenis ir ML infrastruktūrą

Projekte parodoma, kaip 5G technologijos integravimas gali pagerinti tradicinius cukrinių runkelių gamybos ciklo procesus. Pagrindiniai tikslai apėmė:

Parengti paruošti įgyvendinimui scenarijai augalų atpažinimui, stebėjimui ir gamybos prognozavimui.
Nustatyti techniniai reikalavimai, reikalingi sėkmingam šių scenarijų įgyvendinimui.
Nustatyti ir įvertinti atitinkami ekologiniai ir ekonominiai rodikliai, siekiant įvertinti pridėtinę vertę, kurią suteikia 5G tinklas.

Šis etapas pabrėžė projekto įsipareigojimą integruoti pažangiausias technologijas su esamomis agrarinėmis praktikomis. Ši architektūra pasinaudojo didelio greičio 5G tinklo ryšiu, kad palengvintų duomenų rinkimą ir apdorojimą realiuoju laiku tarp kraštinių įrenginių ir debesies. Debesų infrastruktūra suteikė esminių išteklių didelio masto dirbtinio intelekto modelių mokymui ir diegimui, o dirbtinio intelekto platforma pasiūlė tvirtus įrankius modelių kūrimui ir diegimui. Taikomųjų programų sluoksnis pateikė galutiniams vartotojams veiksmų rekomendacijas, gautas iš dirbtinio intelekto modelių, pagerindamas sprendimų priėmimo galimybes.

Mašininis mokymasis ir dirbtinis intelektas 5G kontekste

Šios dalies tikslas buvo pritaikyti esamas mašininio mokymosi ir dirbtinio intelekto sistemas, kad jos atitiktų pirmiau aprašytus scenarijus, atitinkamai jas optimizuojant. Pagrindiniai tikslai apėmė:

Apibrėžkite sistemos tikslus ir sukurkite sistemos architektūrą
Surinkti duomenys iš realaus pasaulio modeliui mokyti ir tikrinti.
Sukurta ir anotaciuota tinkama duomenų bazė, skirta augalų identifikavimui ir stebėjimui.
Integruoti dirbtinio intelekto modeliai sklandžiai į 5G tinklo infrastruktūrą.

Šiame etape svarbų vaidmenį atliko krašto įrenginiai su 5G technologiją naudojančiomis SIM kortelėmis. Buvo atidžiai stebimi pagrindiniai našumo rodikliai (KPI), tokie kaip delsos arba galutinės (E2E) delsos. Matavimai apėmė gautų duomenų paketų patikimumo ir prieinamumo įvertinimą, taip pat vartotojo duomenų perdavimo spartos ir didžiausios duomenų perdavimo spartos analizę.

Be to, prielaidos buvo daromos remiantis UHD raiškos vaizdo įrašo MP4 formatu, perduodamo Transmission Control Protocol (TCP) protokolu, transliacija. Galimi sprendimai apėmė optimizavimą naudojant atskirus vaizdus vietoj nuolatinių vaizdo transliacijų, pagrindinių optimizacijų atlikimą tiesiogiai briaunos (edge) įrenginiuose ir modelių kvantizavimo technologijų taikymą efektyvumui pagerinti.

Debesų infrastruktūra ir AWS paslaugos

Projektas stipriai rėmėsi debesų infrastruktūra, naudojant AWS paslaugas, tokias kaip Lambda, SageMaker, S3, CloudWatch ir RDS, kurios atliko svarbų vaidmenį teikiant reikiamus išteklius dirbtinio intelekto modelių mokymui ir diegimui.

AWS Lambda buvo naudojama efektyviam instancijų valdymui ir pritaikymų pateikimui, o AWS SageMaker palengvino tvirtų mašininio mokymosi procesų kūrimą. Saugyklos sprendimai, tokie kaip S3, CloudWatch ir RDS, buvo būtini duomenų rinkiniams ir žurnalams saugoti, kurie yra gyvybiškai svarbūs mašininio mokymosi modelių ir neuroninių tinklų veikimui.

Dėl to ši infrastruktūra palaikė 5G tinklo užtikrinamas realaus laiko duomenų apdorojimo galimybes.

5G tinklo vėlavimas

5G tinklai buvo sukurti siekiant pasiekti itin mažą delsą, paprastai nuo 1 iki 10 milisekundžių. Ši delsa atspindėjo laiką, reikalingą duomenims keliauti tarp mobiliųjų įrenginių ir AWS serverių per 5G tinklą. Įrenginių specifinės apdorojimo galimybės, pavyzdžiui, greitis, su kuriuo išmanieji telefonai su didelio našumo procesoriais fiksuoja ir apdoroja nuotraukas, taip pat turėjo įtakos delsai.

5G tinklo duomenų įkėlimo spartos ir nuotraukos dydis turėjo įtakos duomenų perdavimo laikui į AWS. AWS dar labiau prisidėjo prie vėlavimo dėl apdorojimo laikų, tokių kaip neuroninių tinklų pagrindu atliekamas aptikimas ir segmentavimas, kurie skyrėsi priklausomai nuo algoritmo sudėtingumo ir AWS paslaugos efektyvumo. Po apdorojimo rezultatai buvo atsisiunčiami atgal į mobiliuosius įrenginius, tai priklausė nuo 5G atsisiuntimo spartos ir rezultatų duomenų dydžio.

Augalų atpažinimas naudojant DI

Augalų atpažinimo srityje dirbtinio intelekto valdomi procesai apėmė išsamios augalų vaizdų duomenų bazės kūrimą, skirtos mokyti algoritmus, paremtus neuroninių tinklų principais. Šie algoritmai buvo mokomi atskirti cukrinių runkelių rūšis nuo kitų augalų, atpažįstant konkrečiam augalo tipui būdingus požymius, tokius kaip lapų formos, žiedų spalvos ir kt.

Cukrinių runkelių augalų fenologinė raida. Šaltinis: https://www.mdpi.com/2073-4395/11/7/1277

Čia augalų atpažinimu laikome piktžolių aptikimo ir cukrinių runkelių augalų segmentavimo užduotį.

Piktžolių aptikimas

Veiklos nustatymui projekte naudotas "MobileNet-v3" modelis, apmokytas naudojant plačias duomenų augmentacijas ir svertinį parinkimą. Šis modelis pasiekė įspūdingą 0,984 tikslumą ir 0,998 AUC.

Cukrinių runkelių segmentavimas

Segmentavimo užduotims atlikti buvo naudojami tokie modeliai kaip YOLACT, ResNeSt, SOLO ir U-net, siekiant tiksliai nustatyti atskirus cukrinių runkelių pavyzdžius vaizduose. Tada efektyviausias modelis buvo pasirinktas pagal skirtingus kriterijus: greitį, inferencijos laiką ir kt. Segmentavimo duomenys buvo gauti iš orlaivių fiksuotų RGB vaizdų, kurie buvo pakeisto dydžio ir anotacijų apmokymui bei validavimui.

Segmentavimo užduotys apėmė kaukių kūrimą, tiksliai apibrėžiant augalų ribas. Šis metodas sumažino žmogaus anotavimo pastangas ir optimizavo efektyvumą. Pirmenybę teikiant sudėtingų pavyzdžių žymėjimui, modelio našumas buvo žymiai patobulintas. Iteratyvinis pakartotinis apmokymas ir netikrumo mėginių ėmimo strategijos pasirodė esąs veiksmingas, pasiekiant didesnį nei 98% segmentavimo tikslumą įvairiais augimo etapais.

Pavyzdys, kaip atliekamas segmentavimas (įvestis ir išvestis)

Modelio vertinimas

Modelis buvo apmokytas naudojant griežtus duomenų padidinimo metodus. Modelis buvo vertinamas naudojant įvairius metrikus, įskaitant sankirtą per sąjungą (IoU). Sukurtam modeliui atlikta išvadų analizė, remiantis dalimi ‘plant seedlings v2’ duomenų rinkinio, parodė 81%tikslumą. Išvadų laikas užtruko maždaug 320 milisekundžių, po 7 sekundžių inicijavimo laikotarpio, kuris reikalingas tik kartą per sesiją.

Augalų stebėjime, pagrįstame dirbtiniu intelektu (DI), kameros ir jutikliai rinko gyvybiškai svarbius augalų duomenis, kuriuos analizavo mašininio mokymosi ir DI algoritmai. Ši analizė atliko itin svarbų vaidmenį vertinant augalų sveikatą, nustatant stresą, ligas ar kitus augimą veikiančius veiksnius.

Programos, apimančios nuo žemės ūkio produktyvumo optimizavimo iki gamtosaugos ekosistemų, tokių kaip miškai, stebėjimo, gamtosaugos pastangų palaikymo ir poveikio aplinkai supratimo gerinimo.

Objektų aptikimas augalų stebėsenoje

Kitas cukrinių runkelių augalų segmentavimo etapas yra objektų aptikimas, siekiant suprasti kiekvieno augalo ypatybes pagal sveikatą, augimą ir kitus veiksnius. Augalų stebėjimui objektams aptikti buvo naudojami pažangūs modeliai, tokie kaip YOLOv4, MobileNetV2 ir VGG-19 su atidumo mechanizmais. Šie modeliai analizavo segmentuotus cukrinių runkelių vaizdus, kad aptiktų specifines streso ir ligų vietas, leidžiančius atlikti tikslesnius ir kryptingesnius veiksmus.

Projektas pasiekė reikšmingų etapų ligų aptikimo srityje, apmokant „ResNet-18“ ir „ResNet-34“ modelius, iš anksto apmokytus ant „ImageNet“. Šie modeliai pademonstravo įspūdingą 0,88 tikslumą nustatant cukrinių runkelių augalus naikinusias ligas, o ROC kreivės plotas (AUC) siekė 0,898. Modeliai pasižymėjo dideliu prognozavimo pasitikėjimu, tiksliai atskirdami sergančius ir sveikus augalus.

Pavyzdys įėjimo-išėjimo objekto aptikimui

Projekte buvo naudojamas sistemingas ligų aptikimo metodas, vaizdai suskirstyti į standartizuotus fragmentus. Šie fragmentai buvo kruopščiai anotacijami naudojant interaktyvius įrankius ligų paveiktoms sritims nustatyti. Objektų aptikimas dar labiau padidino tikslumą, apibrėžiant ribojančius langelius aplink augalus, taip palengvinant tikslų augalų sveikatos stebėjimą.

Augalų gamybos prognozė

Augalų gamybos prognozavimo srityje dirbtinio intelekto modeliai naudojosi aplinkos duomenimis, tokiais kaip oro sąlygos ir dirvožemio parametrai, siekdami prognozuoti kultūrų derlių. Buvo pasitelkti regresijos modeliai, tokie kaip „Isolation Forest“, „Linear Regression“ ir „Ridge Regression“.

Šie modeliai integravimo skaitines ypatybes, išgautas iš ribojančių stačiakampių sričių, kartu su dirvožemio duomenimis, siekiant optimizuoti trąšų naudojimą.

Modelio diegimo svarstymai

Sukurtų modelių diegimo strategijos buvo vertinamos tiek krašto įrenginiams, tiek debesų platformoms. Modeliai, diegiami krašto įrenginiuose, suteikė privalumų, tokių kaip mažesnės išlaidos ir mažesnė latentija.

Tačiau toks metodas gali lemti galimo tikslumo praradimą dėl techninės įrangos apribojimų. Kita vertus, debesų sprendimai pasiūlė greitesnį išvedimo laiką naudojant didelio našumo GPU, tačiau galėjo pareikalauti papildomų išlaidų ir priklausė nuo interneto ryšio, kuris galėjo sukelti ryšio vėlavimą.

Lyginamoji analizė su 5G tinklu

Lyginamoji analizė parodė, kad naudojant 5G tinklą žymiai pagerėjo cukrinių runkelių segmentavimas, palyginti su tradicinėmis 4G/WiFi sistemomis. Šis patobulinimas pasireiškė trumpesniu vidutiniu sąrankos ir tinklo laiku, pabrėžiant 5G technologijos dėka pasiektą efektyvumą.

Duomenų paruošimo procesas

Duomenų paruošimo procesas apėmė sveikų ir sergančių augalų duomenų rinkinių rinkimą, piktžolių aptikimą, augimo stadijų identifikavimą ir vaizdų išskyrimą iš 4K žaliųjų vaizdo įrašų. Duomenims paruošti analizei buvo naudoti tokie metodai kaip histogramos išlyginimas, vaizdų filtravimas ir HSV spalvų erdvės transformavimas.

Buvo surinkti sveiki cukrinių runkelių lapų ir sergančių mėginių, tokių kaip kukurūzų lapai su pilkąja dėmėtligę, pavyzdžiai. Ligos požymių išskyrimas apėmė lapo atskyrimą nuo fono, vaizdų pakeitimą, transformavimą ir sujungimą, siekiant sukurti realius analizei skirtus pavyzdžius.

Aktyvaus mokymosi ciklas

Buvo inicijuotas aktyvaus mokymosi ciklas su nepažymėtais duomenimis, kurie buvo naudojami atrankos modeliams apmokyti. Šie modeliai generavo anotavimo užklausas, kurias atliko žmonių anotatoriai, nuolat tobulindami modelio tikslumą per iteracinius mokymo ir anotavimo ciklus.

Duomenų anotavimas naudojant daugialypį pamatinį modelį

Sprendžiant riboto paženklintų duomenų iššūkį, projekte buvo pasitelkti patikimi pagrindiniai modeliai, siekiant sugeneruoti tikruosius anotačius. Visų pirma, CLIP, „OpenAI“ sukurtas transformerių modelis, apmokytas naudojant didžiulį, daugiau nei 400 milijonų paveikslėlių-teksto porų, duomenų rinkinį, atliko svarbų vaidmenį.

Naudodamas Vision Transformers kaip savo pagrindą, CLIP pasiekė nuostabų 95% tikslumą validavimo rinkiniuose, įgudusiai su dideliu tikslumu klasifikuodamas vaizdus į skirtingas klases, tokias kaip cukriniai runkeliai ir piktžolės.

Dronų technologijos duomenų rinkimui

Viena iš kritinių technologijų, naudotų projekte, buvo dronų, aprūpintų RGB kameromis, kurios fiksuoja 4K vaizdo įrašus, naudojimas. Šie dronai pateikė detalius vaizdus (3840 × 2160 raiška) analizei.

Šių vaizdų išankstinis apdorojimas žymiai padidino modelio tikslumą, ypač pastebimas pagerėjimas tokiuose modeliuose kaip VGGNet (+38,52%), ResNet50 (+21,14%), DenseNet121 (+7,53%) ir MobileNet (+6,6%).

Vaizdo kontrastui pagerinti naudotos tokios technikos kaip histogramos išlyginimas, o transformacija į HSV spalvų erdvę padėjo paryškinti augalų plotus ir išryškinti reikšmingas ypatybes.

Sintetinių duomenų generavimas

Sprendžiant ribotos vaizdinės informacijos trūkumo problemą, dirbtinio intelekto ir mašininio mokymosi pagalba buvo sukurtos sintetinės duomenų bazės. Duomenys buvo renkami naudojant dronus, skraidančius 1–4 metrų aukštyje ir 2 m/s ar didesniu greičiu, naudojant RGB kameras.

Taip pat buvo naudojamos kitos transporto priemonės, pavyzdžiui, traktoriai, duomenims rinkti. Šis sintetinių duomenų generavimas pasirodė ypač naudingas aptinkant cukrinių runkelių ligas.

Išvada

Projektas “5G tinklai kaip darnaus ūkininkavimo mokymosi realiame laike leidėjai” sėkmingai pademonstravo, kaip 5G technologija gali pagerinti cukrinių runkelių auginimo ekologinį, ekonominį ir tvarumo aspektus. Bendradarbiaujant su HSHL ir Pfeifer & Langen, projekte buvo integruotas duomenų rinkimas realiuoju laiku ir dirbtinio intelekto valdoma analizė, siekiant padidinti efektyvumą ir sumažinti nereikalingus lauko apžiūrėjimų skaičius.

Savaiminio 5G tinklo diegimas leido tiksliai naudoti trąšas ir augalų apsaugos produktus. Bendrovė „Geopard Agriculture“ atliko itin svarbų vaidmenį kuriant augalų aptikimo ir stebėjimo scenarijus bei sukuriant prototipinę mašininio mokymosi sistemą 5G žemės ūkio aplinkai. Projekto sėkmė pabrėžė pažangių technologijų svarbą tvariai žemdirbystei, išryškinant 5G potencialą skatinti inovacijas ir efektyvumą.

Laipsniškas poslinkis link tiksliosios žemdirbystės

Paskelbta liepos 6, 2024 pagal dementievgeopard

Nuo XX a. dešimtojo dešimtmečio tikslioji žemdirbystė siekia pertvarkyti žemės ūkį, teikdama augintojams išsamią informaciją apie jų pasėlius ir technologijas, leidžiančias veiksmingai naudoti šiuos duomenis.

Atlikta daug pažangos, padidinančios žemės ūkio tikslumą. Šiuolaikiniai traktoriai gali patys vairuoti naudodami GPS, o ūkininkai dabar gali reguliuoti sėklų ir trąšų kiekį. Taip pat pažengta augalų genetikos ir piktžolių kontrolės srityse.

“ Vienintelis dalykas, kurio mes nepagerinome, yra jutiklis”, – sakė “Impossible Sensing” įkūrėjas Pablo Sobronas. „Gebėjimas matyti svarbius dalykus tiek augaluose, tiek dirvožemyje ir šaknyse.“

Sobronas ir jo mokslininkų komanda Sent Luise šiuo metu kuria antrąjį jutiklio prototipą, skirtą montuoti ant sėjamosios. Šis jutiklis leis ūkininkams, važiuojant per laukus, matyti informaciją apie maistinių medžiagų kiekius, dirvožemio būklę, drėgmės sąlygas ir kitus veiksnius, turinčius įtakos pavieniams augalams, beveik realiu laiku.

“Mes tikime, kad tikslesnis žinojimas, kuriose ūkio dalyse reikia daugiau ar mažiau trąšų, padės ūkininkams jas tinkamai paskirstyti”, – sakė Sobronas. “Tikroji vertė ir poreikis čia yra suteikti įžvalgas ir žinias, nurodant, ką daryti ir kada.”

Šie duomenys turėtų padėti ūkininkams priimti sprendimus, kurie ne tik padidins jų pelną, bet ir sumažins trąšų bei cheminių medžiagų perteklinius naudojimus, bei leis tikslingiau laistyti.

Tačiau Sobron pripažino, kad tiksliojo žemės ūkio pažanga dar nepadarė visiško žemės ūkio perversmo.

“Tai nepasiteisina su rinkodaros sukeltais lūkesčiais”, – sakė jis.

Tikriausiai praeis metai, kol perspektyvios priemonės, tokios kaip lazeriai, bus pritaikytos tūkstančiuose, jau nekalbant apie milijonus, hektarų žemės ūkio paskirties ploto.

“Eksperimentavimas yra rizika”, – sakė Bilis Leigh, Ilinojaus valstijos Maršalo apygardos ūkininkas, su broliu auginantis apie 2200 arų kukurūzų ir sojų. Nuo pat 1980-ųjų pradžios Leigh palaipsniui prie savo technikos pridėjo daugiau tiksliųjų įrankių, kurie padėjo jam efektyviau sodinti sėklas ir trąšas, herbicidus bei fungicidus.

Tačiau šis pokytis įvyko lėtai, paaiškino jis.

“Tai ne šuolis stačia galva, tai procesas”, – sakė Leigh. “Tiesiog per brangu ir per daug rizikinga atlikti tą skrydį ir suprasti, kad gale nėra šuolių į aukštį duobės, o tik betono gabalas.”

Nauja ūkio technika kai kuriais atvejais gali kainuoti daugiau nei $100 000. Leigh yra pasirengęs tokias investicijas daryti, jei mato ekonominę naudą. Šis finansinis aspektas yra labai svarbus, nes daugelis ūkių veikia su minimaliu pelnu.

Pasak „BioSTL Agrifood“ direktorės Chado ZImmermano, naujos technologijos ir jas naudojančių ūkininkų vis dar atotrūkis, nes daugelis negali sau leisti išbandyti kažką naujo visuose savo laukuose.

“Mes negalime jų prašyti prisiimti didesnę riziką, tiesiog sutikti su pelno sumažėjimu, kad pasiektų kažkieno kito tikslą”, – sakė Zimermanas.

Tai daro spaudimą įmonėms įrodyti, kad jų tiksliosios agrarinės technologijos iš tiesų veikia. Daugelis dirba šiuo klausimu, pažymėjo Alison Doyle, Ajovos valstijos universiteto tyrimų parko jaunesnioji direktorė.

“Daugelis agrarinio verslo įmonių save labiau pozicionuoja technologijų, o ne tradicinio žemės ūkio srityje”, – sakė Doyle.

Darbas yra svarbus veiksnys. Šiandien ūkininkų darbuotojų yra mažiau nei praeityje, o šiuolaikiniai ūkiai yra daug didesni, pridūrė Doyle.

“Turint tokio dydžio operaciją, kai žaliavų ir sąnaudų kainos yra tokios, kokios yra, ieškai bet kokio menkiausio pelno, kur tik gali jį rasti”, – sakė ji. “Štai kodėl šie tikslumo įrankiai tampa būtini.”

Produktai

Dirbtinio intelekto samprotavimo asistentas NAUJAS

Valdymo zonos ir VRA žemėlapiai

Augalininkystės stebėsena

Topografijos analitika

3D Žemėlapiai

Skautingas

Dirvožemio duomenų analitika

Laukų lyginamoji analizė

Duomenys pagal taikymą ir pasėtus augalus

Derliaus duomenys

PAGAL ROLĘ

Augintojams

Agrokonsultams ir paslaugų įmonėms

Kooperatyvams ir agropriemonių holdingams

Agro produktų gamintojams ir platintojams

Žemės ūkio technikos gamintojams ir pardavėjams

Žemės ūkio technologijų įmonėms

Mokslui ir švietimui

PAGAL NAUDOJIMO ATVEJĮ

Anglininkystė

Biologinė įvairovė

Produktai

Pagal vaidmenį

Pagal naudojimo atvejį

Tiksliosios žemdirbystės API

Baltos etiketės sprendimai

Valdikliai

MyJohndeere Ops Center Connected

Tinklaraštis

Vieno puslapio PDF

Tvarumas

Platintojai ir partneriai

Vadovas - Žiniatinklis

Vadovas - Mobilus

Duomenų suderinamumas

API dokumentacija

Produktų išleidimai

Naujienlaiškiai

Naujienlaiškiai

Atsparumo herbicidams didėjimas ir jo poveikis

Mašinų matymas: Tvari alternatyva piktžolių tvarkymui

CottonWeedDet12 duomenų rinkinys: Sėkmės pagrindas

YOLOv8: techninės naujovės ir architektūriniai pasiekimai

Modelio mokymas: Metodika ir rezultatai

Iššūkiai ir ateities kryptys

Išvada

Įvadas į pridėtinės vertės sojų baltymus

Pridėtinės vertės sojų baltymai Rinkos dinamika ir iššūkiai

1. Perteklinės pasiūlos problema

2. Struktūrinės kliūtys

Pridėtinės vertės sojų baltymų skatinimo pertvarkymo strategijos

1. Kokybės vertinimo sistemos

2. Technologiniai veiksniai: „GeoPard“ tikslūs įrankiai

3. Sertifikavimas ir aukščiausios kokybės rinkos

4. Vyriausybės ir politikos svertai

5. Suinteresuotųjų šalių švietimas ir ekonominė analizė: kokybiška ir prekinė soja

6. Pridėtinės vertės sojų baltymų ekonominis gyvybingumas ir įgyvendinimas

Pasauliniai atvejų tyrimai: pamokos, kaip skatinti pridėtinės vertės sojų gamybą

1. Brazilija: mokesčių lengvatos pridėtinės vertės eksportui

2. ES: BŽŪP ir kokybe pagrįstas ūkininkavimas

3. Vokietija: „GeoPard“ NUE programa veikia

Technologijų ir tendencijų sinergija: „GeoPard“ tiksliųjų įrankių vaidmuo

1. Baltymų kiekio analizė: jutikliais pagrįstos įžvalgos apie aukščiausios kokybės soją

2. Azoto naudojimo efektyvumas (NEU): atliekų mažinimas, kokybės gerinimas

3. Technologijų ir tendencijų sinergija

Vartotojų tendencijos: tylusis “klimato požiūriu išmanios” paukštininkystės variklis

1. Anglies dioksido kiekį tausojančių vištų augimas

2. Paslėptas pašarų vaidmuo anglies dioksido ženklinime

Išvada

Augantis dirbtinio intelekto poreikis šiuolaikiniame ūkininkavime

Kaip veikia TCRM: duomenų sujungimas ir mašininis mokymasis

Kodėl TCRM pranašesnis už tradicinius ūkininkavimo metodus

Realaus pasaulio poveikis: atvejų analizės iš Pandžabo

Techninės inovacijos, slypinčios už TCRM sėkmės

Iššūkiai diegiant dirbtinį intelektą ūkininkavime

Dirbtinio intelekto ateitis žemės ūkyje

Išvada

Kodėl ankstyvas augalų ligų nustatymas yra svarbus pasauliniam maisto saugumui

Kaip dirbtinis intelektas ir kompiuterinė rega aptinka pasėlių ligas