Kategorija: Precīzā lauksaimniecība

Precīzā lauksaimniecība, kas pazīstama arī kā precīzā lauksaimniecība, attiecas uz modernu tehnoloģiju, datu analīzes un lēmumu atbalsta sistēmu izmantošanu lauksaimniecības prakses optimizēšanai.

Šī pieeja ļauj lauksaimniekiem efektīvāk uzraudzīt un pārvaldīt savus laukus, kā rezultātā tiek iegūta labāka raža, samazināta ietekme uz vidi un palielināta resursu izmantošanas efektivitāte.

Šajā precīzās lauksaimniecības sadaļā mēs sapratīsim tehnoloģiju un uz datiem balstītas lēmumu pieņemšanas izmantošanas nozīmi, lai optimizētu lauksaimniecības produktivitāti, vienlaikus nodrošinot ilgtspējīgu un efektīvu resursu izmantošanu. Šeit jūs varat atrast saturu par plašu tēmu loku, tostarp:

Rokasgrāmatas un pamācības: Atrodiet viegli saprotamus, soli pa solim sniegtus ceļvežus, kas palīdzēs jums orientēties precīzās lauksaimniecības pasaulē, sākot no pamatu izpratnes līdz pat progresīvu lauksaimniecības prakšu un tehnoloģiju ieviešanai.
Literatūra un pētījumi: Piekļūstiet plašam literatūras klāstam par precīzo lauksaimniecību, tostarp gadījumu izpētei, apskatiem un progresīviem pētījumu rezultātiem, kas izgaismo jaunākos sasniegumus šajā jomā.
Nozares jaunumi: Esiet informēti par jaunākajiem atjauninājumiem precīzās lauksaimniecības jomā, tostarp ziņām par jaunajām tehnoloģijām, normatīvo aktu izmaiņām un tirgus tendencēm.
Ekspertu atziņas: Gūstiet vērtīgas atziņas no nozares ekspertiem, izmantojot intervijas, viedokļu rakstus un viesu rakstus, kas iedziļinās precīzās lauksaimniecības izaicinājumos un iespējās.
Veiksmes stāsti: Atklājiet iedvesmojošus stāstus no lauksaimniekiem un lauksaimniecības tehnoloģiju uzņēmumiem, kuri ir veiksmīgi ieviesuši precīzās lauksaimniecības praksi, un mācieties no viņu pieredzes.
Produktu un pakalpojumu atsauksmes: Atrodiet objektīvas dažādu precīzijas instrumentu, programmatūras un pakalpojumu atsauksmes un salīdzinājumus, kas palīdzēs jums pieņemt pārdomātus lēmumus par labākajiem risinājumiem jūsu saimniecībai.
Pasākumi un tīmekļa semināri: Sazinieties ar tās globālo kopienu, izmantojot mūsu rūpīgi atlasīto gaidāmo pasākumu, konferenču un tīmekļa semināru sarakstu.
Resursi un rīki: Iepazīstieties ar mūsu plašo resursu bibliotēku, tostarp lejupielādējamām veidnēm, kontrolsarakstiem un rīkiem, kas palīdzēs jums sākt darbu ar precīzo lauksaimniecību vai optimizēt esošās prakses.

Precīzās lauksaimniecības rokasgrāmata, literatūra un atjauninājumi

Mākoņdatošanas transformatīvais augu ieteikumu modelis maina precīzo lauksaimniecību

Publicēts Muhammad Farjad

Lauksaimniecība ir nonākusi krustcelēs. Tā kā pasaules iedzīvotāju skaits līdz 2050. gadam sasniegs 9,7 miljardus, lauksaimniekiem ir jāražo par 701 TP3 T vairāk pārtikas, vienlaikus cīnoties pret klimata pārmaiņām, augsnes degradāciju un ūdens trūkumu.

Tradicionālās lauksaimniecības metodes, kas balstās uz novecojušām praksēm un minējumiem, vairs nav pietiekamas. Iepazīstieties ar Transformējošais kultūraugu ieteikumu modelis (TCRM), mākslīgā intelekta vadīts risinājums, kas paredzēts šo izaicinājumu risināšanai.

Šajā rakstā ir aplūkots, kā TCRM izmanto mašīnmācīšanos, lietu interneta sensorus un mākoņdatošanu, lai sniegtu 94% precīzi kultūraugu ieteikumi, dodot lauksaimniekiem iespēju palielināt ražu, samazināt atkritumus un ieviest ilgtspējīgu praksi.

Pieaugošā mākslīgā intelekta nepieciešamība mūsdienu lauksaimniecībā

Pieprasījums pēc pārtikas strauji pieaug, taču tradicionālajai lauksaimniecībai ir grūti sekot līdzi. Tādos reģionos kā Pendžaba, Indijā, kas ir nozīmīgs lauksaimniecības centrs, augsnes veselība pasliktinās pārmērīgas mēslošanas līdzekļu lietošanas dēļ, un gruntsūdeņu rezerves strauji samazinās.

Lauksaimniekiem bieži vien trūkst piekļuves reāllaika datiem, kā rezultātā tiek pieņemti slikti lēmumi par kultūraugu izvēli, apūdeņošanu un resursu izmantošanu. Tieši šeit Precīzā lauksaimniecība, ko darbina mākslīgais intelekts, kļūst kritiski svarīga.

Atšķirībā no tradicionālajām metodēm, precīzā lauksaimniecība izmanto tādas tehnoloģijas kā lietu interneta sensorus un mašīnmācīšanos, lai analizētu lauka apstākļus un sniegtu pielāgotus ieteikumus. TCRM ir šīs pieejas piemērs, piedāvājot lauksaimniekiem noderīgu informāciju, kuras pamatā ir augsnes barības vielas, laikapstākļu modeļi un vēsturiskie dati.

Integrējot mākslīgo intelektu lauksaimniecībā, TCRM pārvar plaisu starp tradicionālajām zināšanām un mūsdienu inovācijām, nodrošinot, ka lauksaimnieki var ilgtspējīgi apmierināt nākotnes pārtikas pieprasījumu.

“Šeit nav runa tikai par tehnoloģijām — runa ir par to, lai katram lauksaimniekam būtu pieejami rīki, kas ļauj attīstīties.”

Kā darbojas TCRM: datu apvienošana un mašīnmācīšanās

Pēc būtības TCRM ir Mākslīgā intelekta kultūraugu ieteikumu sistēma kas apvieno vairākas tehnoloģijas, lai sniegtu precīzus padomus. Process sākas ar datu vākšanu. Laukos izvietotie lietu interneta (IoT) sensori mēra kritiskos parametrus, piemēram, augsnes slāpekli (N), fosforu (P), kāliju (K), temperatūru, mitrumu, nokrišņus un pH līmeni.

Šie sensori reāllaika datus nosūta uz mākoņdatošanas platformu, kas arī iegūst vēsturiskos kultūraugu ražas datus no globālām datubāzēm, piemēram, NASA un FAO. Pēc apkopošanas dati tiek rūpīgi attīrīti.

Trūkstošās vērtības, piemēram, augsnes pH rādījumi, tiek aizpildītas, izmantojot reģionālos vidējos rādītājus, savukārt novirzes, piemēram, pēkšņas mitruma svārstības, tiek filtrētas. Attīrītie dati pēc tam tiek normalizēti, lai nodrošinātu konsekvenci; piemēram, nokrišņu vērtības tiek mērogotas no 0 (100 mm) līdz 1 (1000 mm), lai vienkāršotu analīzi.

Pēc tam darbu pārņem TCRM hibrīdais mašīnmācīšanās modelis. Tas apvieno Nejaušā meža algoritmi—metode, kurā tiek izmantoti 500 lēmumu koki, lai izvairītos no kļūdām, — ar dziļās mācīšanās slāņiem, kas atklāj sarežģītus modeļus.

Kā darbojas TCRM: datu apvienošana un mašīnmācīšanās

Svarīgs jauninājums ir vairāku galvu uzmanības mehānisms, kas identificē mainīgo lielumu savstarpējās attiecības. Piemēram, tajā atzīts, ka liels nokrišņu daudzums bieži vien korelē ar labāku slāpekļa absorbciju tādās kultūrās kā rīsi.

Modelis tiek apmācīts 200 ciklos (epohās) ar mācīšanās ātrumu 0,001, precizējot savas prognozes, līdz tiek sasniegta precizitāte 94%. Visbeidzot, sistēma izvērš ieteikumus, izmantojot mākonī balstītu lietotni vai īsziņu brīdinājumus, nodrošinot, ka pat lauksaimnieki attālos apgabalos saņem savlaicīgus padomus.

Kāpēc TCRM pārspēj tradicionālās lauksaimniecības metodes

Tradicionālajām kultūraugu ieteikumu sistēmām, piemēram, tām, kas izmanto loģistisko regresiju vai K tuvāko kaimiņu (KNN) metodi, trūkst sarežģītības, lai tiktu galā ar lauksaimniecības sarežģītību.

Piemēram, KNN cīnās ar nesabalansētiem datiem — ja datu kopā ir vairāk ierakstu par kviešiem nekā lēcām, tā prognozes sliecas par labu kviešiem. Līdzīgi AdaBoost, vēl viens algoritms, pētījumā ieguva tikai 11,5% precizitāti pārmērīgas pielāgošanas dēļ. TCRM pārvar šos trūkumus, izmantojot savu hibrīda dizainu.

Apvienojot uz kokiem balstītus algoritmus (caurspīdīgumam) ar dziļo mācīšanos (sarežģītu modeļu apstrādei), tas līdzsvaro precizitāti un interpretējamību.

Izmēģinājumos TCRM sasniedza 97,67% krustvalidācijas rezultāts, pierādot tā uzticamību dažādos apstākļos. Piemēram, testējot Pendžabā, tas ieteica granātābolu audzēšanu saimniecībām ar augstu kālija līmeni (120 kg/ha) un mērenu pH līmeni (6,3), kas nodrošināja 30% ražas pieaugumu.

Lauksaimnieki arī samazināja mēslošanas līdzekļu patēriņu par 15% un ūdens atkritumus par 25%, jo sistēma sniedza precīzas barības vielu un apūdeņošanas vadlīnijas. Šie rezultāti uzsver TCRM potenciālu pārveidot lauksaimniecību no resursu ietilpīgas nozares par ilgtspējīgu, uz datiem balstītu ekosistēmu.

TCRM pārspēj tradicionālos lauksaimniecības modeļus

Reālās pasaules ietekme: gadījumu izpēte no Pendžabas

Pendžabas lauksaimnieki saskaras ar nopietnām problēmām, tostarp noplicinātiem gruntsūdeņiem un augsnes barības vielu nelīdzsvarotību. Šeit tika pārbaudīta TCRM metode, lai novērtētu tās praktisko vērtību.

Piemēram, viens lauksaimnieks ievadīja datus, kas liecināja par augsnes slāpekļa daudzumu 80 kg/ha, fosfora daudzumu 45 kg/ha un kālija daudzumu 120 kg/ha, pH līmenim esot 6,3 un gada nokrišņu daudzumam 600 mm.

TCRM analizēja šos datus, atpazina augsto kālija līmeni un optimālo pH diapazonu un ieteica granātābolu — kultūru, kas pazīstama ar savu labklājību šādos apstākļos. Lauksaimnieks saņēma īsziņas brīdinājumu ar detalizētu informāciju par izvēlēto kultūru un ideāliem mēslošanas līdzekļiem (urīnviela slāpekļa vietā, superfosfāts fosfora vietā).

Sešu mēnešu laikā lauksaimnieki, kas izmanto TCRM, ziņoja 20–30% augstāka raža tādiem pamatkultūraugiem kā kvieši un rīsi. Uzlabojās arī resursu efektivitāte: mēslošanas līdzekļu patēriņš samazinājās par 151 TP3 t, jo sistēma precīzi noteica barības vielu vajadzības, un ūdens izšķērdēšana samazinājās par 251 TP3 t, pateicoties apūdeņošanai, kas tika saskaņota ar nokrišņu prognozēm.

Šie rezultāti parāda, kā mākslīgā intelekta vadīti rīki, piemēram, TCRM, var uzlabot produktivitāti, vienlaikus veicinot vides ilgtspējību.

Tehniskās inovācijas, kas ir TCRM panākumu pamatā

TCRM panākumi ir atkarīgi no diviem sasniegumiem. Pirmkārt, tā vairāku galvu uzmanības mehānisms ļauj modelim novērtēt mainīgo lielumu savstarpējās attiecības.

Piemēram, tā atklāja spēcīgu pozitīvu korelāciju (0,73) starp nokrišņiem un slāpekļa uzņemšanu, kas nozīmē, ka kultūraugi reģionos ar augstu nokrišņu daudzumu gūst labumu no slāpeklim bagātiem mēslošanas līdzekļiem.

Turpretī tika konstatēta neliela negatīva saikne (-0,14) starp augsnes pH līmeni un fosfora absorbciju, kas izskaidro, kāpēc skābās augsnēs pirms fosforu saturošu kultūraugu, piemēram, kartupeļu, stādīšanas ir nepieciešama apstrāde ar kaļķi.

Otrkārt, TCRM mākoņa un īsziņu integrācija nodrošina mērogojamību. Sistēma, kas mitināta Amazon Web Services (AWS), vienlaikus apstrādā vairāk nekā 10 000 lietotāju, padarot to piemērotu lieliem kooperatīviem.

Mazajiem lauksaimniekiem bez interneta piekļuves Twilio API nosūta īsziņu brīdinājumus — vairāk nekā 3000 mēnesī tikai Pendžabā — ar ieteikumiem par kultūraugiem un mēslojumu. Šī divējāda pieeja nodrošina, ka neviens lauksaimnieks netiek atstāts novārtā neatkarīgi no interneta savienojuma.

Tehniskās inovācijas, kas ir TCRM panākumu pamatā

Izaicinājumi, ieviešot mākslīgo intelektu lauksaimniecībā

Neskatoties uz solījumu, TCRM saskaras ar šķēršļiem. Daudzi lauksaimnieki, īpaši vecāki, neuzticas mākslīgā intelekta ieteikumiem, dodot priekšroku tradicionālajām metodēm. Pendžabā tikai 351 TP3 t lauksaimnieku izmēģinājumu laikā ieviesa TCRM.

Izmaksas ir vēl viens šķērslis: lietu lietu interneta sensoru izmaksas 200500 par akru, kas mazajiem lauksaimniekiem nav atļauts. Turklāt TCRM apmācības dati koncentrējās uz Indijas kultūrām, piemēram, kviešiem un rīsiem, ierobežojot to lietderību kvinojas vai avokado audzētājiem citos reģionos.

Pētījumā arī uzsvērtas testēšanas nepilnības. Lai gan TCRM savstarpējā validācijā ieguva 97,67%, tas netika novērtēts ekstremālos apstākļos, piemēram, plūdos vai ilgstošā sausumā. Nākamajās versijās ir jārisina šie ierobežojumi, lai veidotu noturību un uzticēšanos.

Mākslīgā intelekta nākotne lauksaimniecībā

Raugoties nākotnē, TCRM izstrādātāji plāno integrēt Izskaidrojamais mākslīgais intelekts (XAI) tādi rīki kā SHAP un LIME. Tie precizēs ieteikumus, piemēram, parādot lauksaimniekiem, ka kultūraugs tika izvēlēts, jo kālija līmenis 20% pārsniedza robežvērtību.

Globālā paplašināšanās ir vēl viena prioritāte; pievienojot datu kopas no Āfrikas (piemēram, kukurūza Kenijā) un Dienvidamerikas (piemēram, sojas pupiņas Brazīlijā), TCRM kļūs universāli piemērojams.

Tāpat ir paredzēta reāllaika lietu interneta (IoT) integrācija, izmantojot dronus. Droni var kartēt laukus ik stundu, atjauninot ieteikumus, pamatojoties uz mainīgiem laikapstākļiem vai kaitēkļu aktivitāti.

Šādi jauninājumi varētu palīdzēt prognozēt siseņu uzliesmojumus vai sēnīšu infekcijas, nodrošinot preventīvu rīcību. Visbeidzot, partnerības ar valdībām varētu subsidēt lietu interneta sensorus, padarot precīzo lauksaimniecību pieejamu visiem lauksaimniekiem.

Secinājums

Transformējošais kultūraugu ieteikumu modelis (TCRM) ir liels solis uz priekšu lauksaimniecības tehnoloģijās. Apvienojot mākslīgo intelektu, lietu internetu (IoT) un mākoņdatošanu, tas piedāvā lauksaimniekiem 94% precīzs, reāllaika lēmumu pieņemšanas rīks, kas palielina ražu un taupa resursus.

Lai gan joprojām pastāv tādi izaicinājumi kā izmaksas un ieviešanas šķēršļi, TCRM potenciāls revolucionizēt lauksaimniecību ir nenoliedzams. Tā kā pasaule cīnās ar klimata pārmaiņām un iedzīvotāju skaita pieaugumu, tādi risinājumi kā TCRM būs vitāli svarīgi ilgtspējīgas un ar pārtiku nodrošinātas nākotnes veidošanā.

AtsauceSingh, G., Sharma, S. Precīzās lauksaimniecības uzlabošana, izmantojot mākonī balstītu transformējošu kultūraugu ieteikumu modeli. Sci Rep 15, 9138 (2025). https://doi.org/10.1038/s41598-025-93417-3

Dziļās mācīšanās datorredzes lietojumprogrammu loma augu slimību agrīnā noteikšanā

Publicēts Muhammad Farjad

Augu slimības klusībā apdraud globālo pārtikas nodrošinājumu, ik gadu iznīcinot 10–161 TP3 t kultūraugu un radot lauksaimniecības nozarei 1 TP4 220 miljardu zaudējumus. Tradicionālās metodes, piemēram, manuālas pārbaudes un laboratorijas testi, ir lēnas, dārgas un bieži vien neuzticamas.

Novatorisks 2025. gada pētījums, “Dziļā mācīšanās un datorredze augu slimību noteikšanā” (Upadhyay et al.) atklāj, kā mākslīgā intelekta augu slimību noteikšana un datorredzes lauksaimniecība pārveido lauksaimniecību.

Kāpēc agrīna augu slimību atklāšana ir svarīga globālajai pārtikas drošībai

Lauksaimniecībā strādā 281 000 000 000 no pasaules darbaspēka, un tādas valstis kā Indija, Ķīna un ASV ir vadošās kultūraugu ražošanas jomā. Neskatoties uz to, augu slimības, ko izraisa sēnītes, baktērijas un vīrusi, samazina ražu un rada spriedzi ekonomikā.

Piemēram, rīsu sprādzienbīstamā slimība skartajos reģionos samazina ražu par 30–50%, savukārt citrusaugļu zaļošana kopš 2005. gada ir iznīcinājusi 70% Floridas apelsīnu birzīs. Agrīna atklāšana ir kritiski svarīga, taču daudziem lauksaimniekiem trūkst piekļuves moderniem instrumentiem vai zināšanām.

Šeit noder mākslīgā intelekta vadīta slimību noteikšana, piedāvājot ātrus, pieejamus un precīzus risinājumus, kas pārspēj tradicionālās metodes.

Kā mākslīgais intelekts un datorredze atklāj kultūraugu slimības

Pētījumā tika analizēti 278 pētījumi, lai izskaidrotu, kā darbojas mākslīgā intelekta augu slimību noteikšanas sistēmas. Vispirms kameras vai sensori uztver kultūraugu attēlus. Pēc tam šie attēli tiek apstrādāti, izmantojot algoritmus, lai identificētu slimības pazīmes.

Piemēram, RGB kameras uzņemiet krāsu fotoattēlus, lai pamanītu redzamus simptomus, piemēram, lapu plankumus, savukārt hiperspektrālās kameras atklāj slēptus stresa signālus, analizējot simtiem gaismas viļņu garumu.

Kad attēli ir uzņemti, tie tiek pakļauti pirmapstrādei, lai uzlabotu kvalitāti. Tādas metodes kā sliekšņu noteikšana izolē slimības zonas pēc krāsas, un malu noteikšana kartē bojājumu vai krāsas izmaiņu robežas.

Kā mākslīgais intelekts un datorredze atklāj kultūraugu slimības

Pēc tam dziļās mācīšanās modeļi analizē iepriekš apstrādātos datus. Konvolucionālie neironu tīkli (CNN), visizplatītākie mākslīgā intelekta rīki lauksaimniecībā, skenē attēlus slāni pa slānim, lai identificētu tādus modeļus kā neparastas tekstūras vai krāsas.

2022. gada tiesas procesā, ResNet50— populārs CNN modelis — tomātu slimību diagnosticēšanā sasniedza 99,07% precizitāti.

Tikmēr, Redzes transformatori (ViT) sadalīt attēlus apgabalos un pētīt to attiecības, atdarinot to, kā cilvēki analizē kontekstu. Šī pieeja palīdzēja noteikt vīnogulāju vēnu attīrīšanas vīrusu ar 71% precizitāti 2020. gada pētījumā.

“Lauksaimniecības nākotne nav cilvēku aizstāšana, bet gan viņu aprīkošana ar inteliģentiem instrumentiem.”

Modernu sensoru loma mūsdienu lauksaimniecībā

Dažādi sensori piedāvā unikālas priekšrocības precīzajā lauksaimniecībā. RGB kameras, lai gan ir pieejamas un viegli lietojamas, ierobežotās spektrālās detaļas dēļ tās cīnās ar agrīnās stadijas slimībām. Turpretī, hiperspektrālās kameras uztvert datus simtiem gaismas viļņu garumu, atklājot stresa signālus, kas nav redzami ar neapbruņotu aci.

Piemēram, pētnieki izmantoja hiperspektrālo attēlveidošanu, lai 2022. gadā diagnosticētu ābolu Valsa vēzi ar precizitāti 98%. Tomēr šīs kameras maksā 10 000–50 000, padarot tos pārāk dārgus mazajiem lauksaimniekiem.

Termiskās kameras sniegt citu skatījumu, mērot infekciju izraisītās temperatūras izmaiņas. 2019. gada pētījumā tika atklāts, ka ar citrusaugļu zaļumu inficētām lapām ir atšķirīgi siltuma modeļi, kas ļauj to agrīni atklāt.

Tikmēr, multispektrālās kameras—vidusceļa risinājums — izsekot hlorofila līmenim, lai novērtētu augu veselību.

Šie sensori 2014. gadā kartēja kviešu svītraino rūsu, palīdzot lauksaimniekiem efektīvāk mērķēt apstrādes metodes. Neskatoties uz to priekšrocībām, sensoru izmaksas un vides faktori, piemēram, vējš vai nevienmērīgs apgaismojums, joprojām rada problēmas.

Publiskās datu kopas: mākslīgā intelekta lauksaimniecības mugurkauls

Uzticamu mākslīgā intelekta modeļu apmācībai ir nepieciešams milzīgs apjoms marķētu datu. PlantVillage datu kopa, bezmaksas resurss ar 87 000 attēliem, kuros attēloti 14 kultūraugi un 26 slimības, ir kļuvis par zelta standartu pētniekiem.

Vairāk nekā 901 TP3T pētījumā, kas citēti rakstā, šis datu kopums tika izmantots modeļu apmācībai un testēšanai. Vēl viens svarīgs resurss ir Maniokas slimības datu kopa, ietver 11 670 maniokas mozaīkas slimības attēlus un ar CNN modeļiem sasniedza 96% precizitāti.

Tomēr joprojām pastāv nepilnības. Retām slimībām, piemēram, priežu nematodei, ir mazāk nekā 100 marķētu attēlu, kas ierobežo mākslīgā intelekta spēju tās noteikt. Turklāt lielākajā daļā datu kopu ir laboratorijā uzņemti attēli, kuros nav ņemti vērā reālās pasaules mainīgie, piemēram, laika apstākļi vai apgaismojums.

Lai risinātu šo problēmu, tādi projekti kā AI4Ag izmanto lauku attēlu pūļa resursus, lai apkopotu tos no lauksaimniekiem visā pasaulē, cenšoties izveidot stabilākas un reālistiskākas datu kopas.

Mākslīgā intelekta veiktspējas mērīšana: precizitāte, precizitāte un kas vairāk

Mākslīgā intelekta augu slimību noteikšanas sistēmu veiktspējas rādītāji

Pētnieki izmanto vairākus rādītājus, lai novērtētu mākslīgā intelekta augu slimību noteikšanas sistēmas. Precizitāte—pareizo diagnožu procentuālā daļa — svārstās no 76.9% agrīnajos modeļos uz 99.97% modernās sistēmās, piemēram, EfficientNet-B5.

Tomēr precizitāte vien var būt maldinoša. Precizitāte mēra, cik daudz atzīmēto slimību ir reālas (izvairoties no viltus trauksmēm), savukārt atsaukšana izseko, cik daudz faktisku infekciju tiek atklātas.

Piemēram, Maska R-CNN, objektu noteikšanas modelis, sasniedza 93,5% precizitāti zemeņu antraknozes noteikšanā, bet tikai 45% precizitāti kokvilnas sakņu puves noteikšanā.

Portāls F1 rezultāts līdzsvaro precizitāti un atcerēšanos, piedāvājot holistisku snieguma skatījumu. 2023. gada izmēģinājumā, PlantViT—hibrīds mākslīgā intelekta modelis — ieguva 98,61% F1 vērtējumu PlantVillage datu kopā.

Objektu noteikšanai, vidējā precizitāte (mAP) ir kritiski svarīgs. Ātrāks R-CNN, populārs modelis, ābolu slimību izmēģinājumos sasniedza 73,07% mAP, kas nozīmē, ka vairumā gadījumu tas pareizi atrada un klasificēja infekcijas.

Problēmas, kas kavē mākslīgā intelekta attīstību lauksaimniecībā

Neskatoties uz tā potenciālu, mākslīgā intelekta vadīta slimību atklāšana saskaras ar šķēršļiem. Pirmkārt, datu trūkums nomoka retas vai jaunas slimības.

  • Piemēram, 2021. gada pētījumā bija pieejami tikai 20 gurķu miltrasas attēli, kas ierobežoja modeļa ticamību.
  • Otrkārt, tādi vides faktori kā vējš, ēnas vai mainīgi apgaismojuma apstākļi samazina lauka precizitāti par 20–30% salīdzinājumā ar laboratorijas iestatījumiem.
  • Treškārt, augstās izmaksas kavē ieviešanu. Hiperspektrālās kameras, lai arī jaudīgas, joprojām nav pieejamas mazajiem lauksaimniekiem, un mākslīgā intelekta rīkiem ir nepieciešami viedtālruņi vai piekļuve internetam, kas joprojām ir šķērslis lauku apvidos.
  • Visbeidzot, joprojām pastāv uzticēšanās problēmas. 2023. gada aptaujā atklājās, ka 681 TP3 tūkstoši lauksaimnieku vilcinās ieviest mākslīgo intelektu tā “melnās kastes” rakstura dēļ — viņi neredz, kā tiek pieņemti lēmumi.

Lai to pārvarētu, pētnieki izstrādā interpretējamu mākslīgo intelektu, kas diagnozes izskaidro vienkāršā valodā, piemēram, izceļot inficētās lapu zonas vai uzskaitot simptomus.

Lauksaimniecības nākotne: 5 inovācijas, kurām jāpievērš uzmanība

1. Perifērijas skaitļošana reāllaika analīzeiViegli mākslīgā intelekta modeļi, piemēram, MobileNetV2 (7 MB lielums), darbojas viedtālruņos vai dronos, piedāvājot slimību noteikšanu reāllaikā bez interneta. 2023. gadā šis modelis sasniedza 99,42% precizitāti kartupeļu slimību klasifikācijā, dodot lauksaimniekiem iespēju pieņemt tūlītējus lēmumus.

2. Mācīšanās pārnešana ātrākai adaptācijaiIepriekš apmācītus modeļus, piemēram, PlantViT, var precīzi pielāgot jaunām kultūrām ar minimāliem datiem. 2023. gada pētījumā PlantViT tika pielāgots rīsu sprādziena noteikšanai, sasniedzot 87,87% precizitāti, izmantojot tikai 1000 attēlus.

3. Redzes-valodas modeļi (VLM)Sistēmas, piemēram, OpenAI CLIP, ļauj lauksaimniekiem vaicāt mākslīgo intelektu, izmantojot tekstu (piemēram, “Atrast brūnus plankumus uz lapām”). Šī dabiskā mijiedarbība savieno sarežģītas tehnoloģijas un ikdienas lauksaimniecību.

4. Vispārējas nozīmes mākslīgā intelekta pamatmodeļiLieli modeļi, piemēram, GPT-4, varētu simulēt slimības izplatību vai ieteikt ārstēšanas metodes, darbojoties kā virtuāli agronomi.

5. Sadarbības globālās datubāzesAtvērtā pirmkoda platformas, piemēram, PlantVillage un AI4Ag, apkopo datus no lauksaimniekiem un pētniekiem visā pasaulē, paātrinot inovācijas.

Gadījuma izpēte: Ar mākslīgo intelektu darbināta mango audzēšana Indijā

2024. gadā pētnieki izstrādāja vieglu DenseNet modeli, lai apkarotu mango slimības, piemēram, antraknozi un miltrasu. Modelis, kas tika apmācīts ar 12 332 lauka attēliem, sasniedza 99,2% precizitāti, kas ir augstāka nekā lielākajai daļai laboratorijas sistēmu.

Ar mazāku parametru skaitu, kas ir 50%, tas nevainojami darbojas budžeta viedtālruņos. Indijas lauksaimnieki tagad izmanto uz šī mākslīgā intelekta balstītu $10 lietotni, lai skenētu lapas un saņemtu tūlītēju diagnostiku, samazinot pesticīdu lietošanu par 30% un saglabājot ražu.

Secinājums

Mākslīgā intelekta augu slimību atklāšana un precīzās lauksaimniecības tehnoloģijas pārveido lauksaimniecību, sniedzot cerību uz pārtikas trūkumu. Nodrošinot agrīnu diagnostiku, samazinot ķīmisko vielu lietošanu un dodot iespējas mazajiem lauksaimniekiem, šie rīki varētu palielināt globālo kultūraugu ražu par 20–301 TP3T.

Lai īstenotu šo potenciālu, ieinteresētajām personām ir jārisina sensoru izmaksu jautājumi, jāuzlabo datu daudzveidība un jāveido lauksaimnieku uzticēšanās, izmantojot izglītību.

AtsauceUpadhyay, A., Chandel, NS, Singh, KP et al. Dziļā mācīšanās un datorredze augu slimību noteikšanā: visaptverošs precīzās lauksaimniecības metožu, modeļu un tendenču pārskats. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x

Kā IoT pārveido precīzo lauksaimniecību un risina pašreizējās problēmas?

Publicēts Muhammad Farjad

Pasaules iedzīvotāju skaits strauji pieaug, un tiek lēsts, ka līdz 2050. gadam tas sasniegs 9,7 miljardus. Lai pabarotu visus, pārtikas ražošana ir jāpalielina par 60%, taču tradicionālās lauksaimniecības metodes, kas balstītas uz augsni, lielu ūdens patēriņu un roku darbu, nespēj sekot līdzi.

Klimata pārmaiņas, augsnes degradācija un ūdens trūkums situāciju pasliktina. Piemēram, tikai augsnes erozija lauksaimniekiem ik gadu izmaksā 1 TP4 40 miljardus tonnu produktivitātes zuduma dēļ, savukārt tradicionālā apūdeņošana novecojušu metožu dēļ izšķērdē 601 TP3 t saldūdens.

Indijā neparedzamie musoni pēdējās desmitgades laikā ir samazinājuši rīsu ražu par 151 TP3 T. Šīs problēmas prasa steidzamus risinājumus, un viedā lauksaimniecība, ko nodrošina lietu internets (IoT) un aeroponika, piedāvā glābšanas riņķi.

IoT jauda mūsdienu lauksaimniecībā

Viedās lauksaimniecības pamatā ir lietu internets (IoT) — savstarpēji savienotu ierīču tīkls, kas reāllaikā apkopo un koplieto datus. Bezvadu sensoru tīkli (WSN) ir šīs sistēmas centrālais elements.

Šie tīkli izmanto laukos novietotus sensorus, lai uzraudzītu augsnes mitrumu, temperatūru, gaisa mitrumu un barības vielu līmeni. Piemēram, DHT22 sensors seko līdzi mitrumam, savukārt TDS sensori mēra barības vielu koncentrāciju ūdenī.

Šie dati tiek nosūtīti uz mākoņplatformām, piemēram, ThingSpeak vai AWS IoT, izmantojot mazjaudas protokolus, piemēram, LoRa vai ZigBee. Pēc analīzes sistēma var aktivizēt darbības, piemēram, ieslēgt apūdeņošanas sūkņus vai pielāgot mēslojuma līmeni.

Koimbatorē, Indijā, 2022. gadā īstenots projekts demonstrēja lietu interneta (IoT) potenciālu. Sensori tomātu laukos noteica sausas augsnes zonas, nodrošinot mērķtiecīgu apūdeņošanu, kas samazināja ūdens izšķērdēšanu par 351 TP3T.

Līdzīgi droni, kas aprīkoti ar multispektrālām kamerām, skenē plašus laukus, lai identificētu tādas problēmas kā kaitēkļu invāzijas vai barības vielu trūkumu.

2019. gada pētījumā tika izmantoti droni, lai kukurūzas kultūrās noteiktu ziemeļu lapu plankumus ar precizitāti 98%, tādējādi ietaupot lauksaimniekiem $120 zaudējumus uz akru. Mašīnmācīšanās vēl vairāk uzlabo šīs sistēmas.

Pētnieki apmācīja mākslīgā intelekta modeļus, izmantojot tūkstošiem lapu attēlu, lai diagnosticētu tādas slimības kā miltrasu ar 99,53% precizitāti, ļaujot lauksaimniekiem rīkoties, pirms kultūraugi tiek iznīcināti.

Aeroponics: pārtikas audzēšana bez augsnes

Kamēr lietu internets (IoT) optimizē tradicionālo lauksaimniecību, aeroponika pilnībā maina lauksaimniecības interpretāciju. Šī metode audzē augus gaisā, pakļaujot to saknes miglas piepildītās kamerās, kas izsmidzina ūdeni un barības vielas.

Atšķirībā no lauksaimniecības, kas balstīta uz augsnes izmantošanu, aeroponika izmanto mazāk ūdens un neizmanto pesticīdus. Saknes efektīvāk absorbē skābekli, paātrinot augšanu.

Piemēram, saskaņā ar 2018. gada pētījumu, aeroponiski audzēti salāti attīsta 65% ātrāk nekā augsnē.

Aeroponica ir īpaši vērtīga pilsētās vai reģionos ar nabadzīgu augsni. Vertikālās fermas augus sakrauj torņos, saražojot 10 reizes vairāk pārtikas uz kvadrātmetru nekā tradicionālie lauki.

Mehiko 2022. gadā uz jumta ierīkota aeroponikas ferma, izmantojot tikai 10 litrus ūdens uz kilogramu, deva 3,8 kg salātu uz kvadrātmetru — trīs reizes vairāk nekā augsnes apsaimniekošanā —.

Singapūras uzņēmums “Sky Greens” turpina šo pieeju, katru dienu audzējot 1 tonnu dārzeņu 30 pēdu augstos torņos, izmantojot par 951 tonnu zemes mazāk nekā tradicionālajās saimniecībās.

IoT paceļ aeroponiku jaunā līmenī. Sensori uzrauga sakņu kameru mitrumu, pH līmeni un barības vielu līmeni, automātiski pielāgojot miglošanas ciklus.

2017. gada projektā pētnieki automatizēja aeroponikas sistēmu, izmantojot Raspberry Pi, tādējādi samazinot darbaspēka izmaksas par 50%. Lauksaimnieki kontrolē šīs sistēmas, izmantojot mobilās lietotnes, piemēram, AgroDecisor, kas sūta brīdinājumus par tādām problēmām kā barības vielu nelīdzsvarotība.

Problēmas, kas palēnina progresu

Neskatoties uz savu potenciālu, lietu interneta (IoT) un aeroponikas tehnoloģijas saskaras ar ievērojamiem šķēršļiem. Augstās izmaksas ir galvenais šķērslis. IoT pamata iestatīšana izmaksā 1500–5000 USD, savukārt progresīviem droniem un sensoriem sākotnēji nepieciešami 10 000–50 000 USD, kas ir krietni vairāk nekā mazajiem lauksaimniekiem jaunattīstības valstīs. Tikmēr uzturēšana ik gadu palielina izmaksas par 15 000–201 TP3T, vēl vairāk noslogojot budžetus.

Savienojamības trūkumi vēl vairāk saasina problēmu. Apmēram 40% lauku apvidos nav uzticama interneta, kas apgrūtina datu pārraidi reāllaikā.

Etiopijā 2021. gadā īstenots lietu interneta (IoT) pilotprojekts neizdevās, kad lauka vidū pazuda 3G signāli, izjaucot apūdeņošanas grafikus. Arī drošības riski ir lieli. Tādiem lietu interneta protokoliem kā MQTT un CoAP bieži vien trūkst šifrēšanas, padarot sistēmas neaizsargātas pret hakeriem.

2021. gadā 62% lauksaimniecības lietu interneta sistēmu ziņoja par kiberuzbrukumiem, tostarp datu noplūdēm, kas varēja manipulēt ar sensoru rādījumiem vai atspējot iekārtas.

Tehniskā sarežģītība rada vēl vienu grūtības pakāpi. Lauksaimniekiem ir nepieciešama apmācība, lai interpretētu datus un novērstu sistēmu darbības traucējumus.

2017. gadā Kolumbijā īstenots aeroponikas projekts sabruka, jo nepareizi pH iestatījumi bojāja kultūraugus, izniekojot 1 TP4 T12 000 stādu.

Pat barošanas avots ir problēma — saules sensori nedarbojas musonu laikā, un droni darbojas tikai 20–30 minūtes ar vienu uzlādi.

Lauksaimniecības nākotne: inovācijas pie apvāršņa

Neskatoties uz šiem izaicinājumiem, nākotne izskatās daudzsološa. 5G tīkli revolucionizēs savienojamību, ļaujot droniem reāllaikā uzraudzīt plašas saimniecības.

Brazīlijā 2023. gadā izmēģinājumā tika izmantoti ar 5G savienoti droni, lai skenētu vairāk nekā 1000 akru sojas pupiņu laukus, atklājot slimības 10 minūtēs, nevis vairākās dienās. Edge AI, kas apstrādā datus tieši ierīcēs, samazina atkarību no mākoņpakalpojumiem.

Piemēram, MangoYOLO sistēma, izmantojot iebūvētās kameras, skaita mango ar 91% precizitāti, novēršot datu augšupielādes kavēšanos.

Blokķēdes tehnoloģija ir vēl viena revolucionāra tehnoloģija. Izsekojot produkciju no saimniecības līdz patērētājam, tā nodrošina pārredzamību un samazina krāpšanu.

Lietotne eFarm izmanto kolektīvi ģenerētus datus, lai pārbaudītu bioloģiskās sertifikācijas, samazinot krāpšanas gadījumus par 30%. Walmart blokķēdes sistēma 2022. gadā samazināja mango piegādes ķēdes kļūdas par 90%.

Ar mākslīgo intelektu darbināmas siltumnīcas arī kļūst arvien populārākas. Šīs sistēmas izmanto tādus modeļus kā VGG19, lai uzraudzītu augu veselību ar precizitāti 91,52%.

Japānā tādi roboti kā AGROBOT novāc zemenes visu diennakti, trīskāršojot produktivitāti. Arī pilsētu teritorijas sāk izmantot aeroponiku — Berlīnes uzņēmums Infarm audzē garšaugus pārtikas veikalos, samazinot transporta radītās emisijas par 95%.

Valdības un uzņēmumi uzņemas iniciatīvu. Indijas 2023. gada lauksaimniecības tehnoloģiju iniciatīva subsidē lietu interneta (IoT) rīkus 500 000 mazo lauksaimnieku, savukārt Microsoft FarmBeats nodrošina lētus dronus Kenijas lauksaimniekiem.

Panākumu plāns

IoT un aeroponika nav tikai rīki — tās ir būtiskas ilgtspējīgai nākotnei. Līdz 2030. gadam šīs tehnoloģijas varētu:

  • Ietaupiet 1,5 triljonus litru ūdens gadā.
  • Samazināt siltumnīcefekta gāzu emisijas par 1,5 gigatonnām gadā.
  • Pabarot vēl 2 miljardus cilvēku, nepaplašinot lauksaimniecības zemes.

Lai to panāktu, valdībām ir jāsubsidē pieejami rīki, jāpaplašina piekļuve internetam laukos un jāievieš kiberdrošības standarti. Lauksaimniekiem ir nepieciešama apmācība, lai efektīvi izmantotu šīs tehnoloģijas.

Kā norāda FAO: “Pārtikas nākotne ir atkarīga no šodienas inovācijām.” Izmantojot lietu internetu (IoT) un aeroponiku, mēs varam radīt pasauli, kurā neviens necieš badu un kurā lauksaimniecība rūpējas par mūsu planētu, nevis tai kaitē.

AtsauceDhanasekar, S. (2025). Visaptverošs pārskats par aktuālajiem jautājumiem un lietu interneta sasniegumiem precīzajā lauksaimniecībā. Computer Science Review, 55, 100694.

Precīzā lauksaimniecība: tehnoloģijas un stratēģijas mūsdienu pasaulē

Publicēts Muhammad Farjad

Precīzās lauksaimniecības tehnoloģiju ieviešana pieaug, un liela mēroga saimniecības ir vadošās progresīvu rīku integrēšanā, lai uzlabotu efektivitāti, samazinātu izmaksas un palielinātu ražu.

Saskaņā ar ASV Lauksaimniecības departamenta (USDA) ziņojumu gandrīz 701 TP3 T liela mēroga saimniecību, kas definētas kā tās, kuru bruto ieņēmumi pārsniedz 1 TP4 T1 miljonu gadā, izmanto tādas tehnoloģijas kā ražas monitori, automātiskās stūrēšanas sistēmas un augsnes kartes, lai uzlabotu savu darbību.

Tas ir ievērojams kontrasts ar tikai 131 TP3 tūkstošiem mazo saimniecību, kas ziņoja par līdzīgu tehnoloģiju izmantošanu 2023. gadā, liecina USDA Ekonomisko pētījumu dienesta dati.

Kāpēc lielākas saimniecības biežāk ievieš precīzo lauksaimniecību

Precīzā lauksaimniecība attiecas uz progresīvu tehnoloģiju izmantošanu, lai optimizētu lauksaimniecības praksi un palielinātu produktivitāti. Lielākām saimniecībām šo tehnoloģiju priekšrocības ir ievērojamas.

Koncentrējoties uz ražas palielināšanu, darbības izmaksu samazināšanu un neparedzamu laikapstākļu un tirgus svārstību pārvaldību, liela mēroga saimniecībām ir vairāk finanšu resursu, ko ieguldīt tehnoloģijās. Tas atvieglo tādu rīku ieviešanu, kuriem nepieciešamas ievērojamas sākotnējās izmaksas, piemēram, ražas monitori, automātiskās stūrēšanas sistēmas un automatizēts aprīkojums.

Saskaņā ar USDA aptauju, tehnoloģiju ieviešanas atšķirības ir krasas. Lai gan 68% lielo saimniecību izmantoja lēmumu atbalsta tehnoloģijas, piemēram, ražas monitorus un augsnes kartes, tikai 13% mazo saimniecību izmantoja šos rīkus.

Ziņojumā uzsvērts, ka lielākām operācijām ir ne tikai finansiālas iespējas ieguldīt šādās tehnoloģijās, bet tās var arī gūt lielāku labumu no to ieviešanas.

Precīzās lauksaimniecības tehnoloģijas, īpaši tās, kas koncentrējas uz automatizāciju un uz datiem balstītu lēmumu pieņemšanu, var nodrošināt augstāku efektivitāti, labāku resursu pārvaldību un galu galā lielākas peļņas normas.

Galvenās tehnoloģijas, kas veicina precīzās lauksaimniecības ieviešanu

Starp dažādajiem pieejamajiem precīzās lauksaimniecības rīkiem vairāki izceļas ar plašu izmantošanu lielās saimniecībās:

1. Ražas monitoriŠīs ierīces mēra ražas daudzumu un kvalitāti tās novākšanas laikā. Sniedzot reāllaika datus, ražas monitori ļauj lauksaimniekiem novērtēt lauka mainīgumu un pieņemt pamatotus lēmumus par kultūraugu apsaimniekošanu un resursu sadali.

2. Vadības automātiskās stūrēšanas sistēmasŠīs sistēmas ir neatņemama liela mēroga lauksaimniecības tehnikas, piemēram, traktoru un kombainu, sastāvdaļa. Automātiskā stūrēšana izmanto GPS tehnoloģiju, lai vadītu tehniku, samazinot cilvēciskās kļūdas un optimizējot tādu darbību kā sēšana, mēslošana un ražas novākšana precizitāti. Saskaņā ar USDA ziņojumu 70% lielo saimniecību izmantoja automātiskās stūrēšanas sistēmas, salīdzinot ar tikai 9% mazo saimniecību.

3. Augsnes kartes un datu analīzeAugsnes kartēšanas tehnoloģija sniedz detalizētu informāciju par augsnes stāvokli visā saimniecībā, ļaujot lauksaimniekiem pieņemt precīzus lēmumus par apūdeņošanu, mēslošanu un stādīšanu. Izprotot augsnes sastāva un mitruma līmeņa mainīgumu, lielie lauksaimnieki var palielināt ražu un samazināt izejvielu izmaksas.

Faktori, kas ietekmē tehnoloģiju ieviešanu

USDA ziņojumā ir izcelti vairāki faktori, kas ietekmē precīzās lauksaimniecības ieviešanu, no kuriem visnozīmīgākie ir saimniecības lielums un finanšu resursi. Lielākas saimniecības ar lielākiem ieņēmumiem un spēju veikt ilgtermiņa ieguldījumus, visticamāk, ieviesīs tehnoloģijas, kurām nepieciešams ievērojams sākotnējais kapitāls.

No otras puses, mazākiem uzņēmumiem, īpaši tiem, kas gadā ģenerē mazāk nekā 1 TP4T150 000, ir grūtības attaisnot sākotnējos ieguldījumus ierobežotā budžeta un zemākas peļņas normas dēļ.

Papildus finansiālajiem ierobežojumiem tehnoloģiju ieviešanā lomu spēlē arī saimniecības raksturs. Pensionāras saimniecības vai tās, kuras vada lauksaimnieki, kas tuvojas pensijas vecumam, bieži vien ir mazāk tendētas ieguldīt jaunās tehnoloģijās, jo to ilgtermiņa iesaistīšanās lauksaimniecības biznesā var būt neskaidra.

Šajās darbībās precīzās lauksaimniecības ieguvumi var neatsvērt izmaksas, jo īpaši, ja lauksaimnieks plāno tuvākajā nākotnē pakāpeniski pārtraukt aktīvo lauksaimniecību.

Cīņa par plašu adopciju

Lai gan precīzās lauksaimniecības tehnoloģijas piedāvā nepārprotamas priekšrocības, to plaša ieviešana ir bijusi lēnāka nekā gaidīts. Neskatoties uz tādu rīku kā ražas monitoru un automātiskās stūrēšanas sistēmu pieaugošo izmantošanu lielās saimniecībās, noteiktas tehnoloģijas vēl nav guvušas ievērojamu popularitāti dažādu izmēru saimniecībās.

Piemēram, droni, valkājamas lopkopības uzraudzības ierīces un robotizētās slaukšanas iekārtas joprojām netiek pietiekami izmantotas pat lielākās saimniecībās.

Par dronu izmantošanu, kas bieži tiek uzskatīti par daudzsološu instrumentu kultūraugu uzraudzībai un lauka analīzei, 2023. gadā ziņoja tikai 12% lielu ģimenes saimniecību.

Arī citi augsto tehnoloģiju rīki, piemēram, robotizētas slaukšanas iekārtas un valkājamas ierīces mājlopiem, piedzīvoja zemu ieviešanas līmeni, un lauksaimnieki vilcinājās ieviest šīs tehnoloģijas izmaksu, sarežģītības vai neskaidru ieguvumu dēļ.

Iekārtu ražotāju loma

Tā kā pieprasījums pēc precīzās lauksaimniecības turpina pieaugt, lauksaimniecības tehnikas ražotāji palielina ieguldījumus progresīvās tehnoloģijās.

Uzņēmumi izstrādā pieejamākus un pieejamākus risinājumus, lai apmierinātu plašāka lauksaimnieku loka vajadzības, tostarp to, kuriem ir mazāki uzņēmumi. Tomēr, neskatoties uz šiem centieniem, tirgus joprojām ir sarežģīts, un daudzi lauksaimnieki joprojām vilcinās ieviest jaunas tehnoloģijas sarežģītas lauksaimniecības ekonomikas apstākļos.

Ražotāji koncentrējas arī uz automatizētu sistēmu izveidi, kas var palīdzēt optimizēt traktoru, kombainu un citas lauksaimniecības tehnikas veiktspēju. Šo inovāciju mērķis ir palīdzēt lauksaimniekiem samazināt darbaspēka izmaksas un palielināt produktivitāti, nodrošinot, ka precīzās lauksaimniecības tehnoloģijas kļūst pievilcīgākas visu lielumu lauksaimniekiem.

Secinājums

Precīzās lauksaimniecības tehnoloģijas piedāvā ievērojamas priekšrocības lauksaimniekiem, īpaši tiem, kas pārvalda liela mēroga darbības. Izmantojot tādus rīkus kā ražas monitorus, automātiskās stūrēšanas sistēmas un augsnes kartes, lielās saimniecības var optimizēt savu produktivitāti, samazināt izmaksas un pārvarēt izaicinājumus, ko rada svārstīgi tirgi un neparedzami laikapstākļi.

Tomēr šo tehnoloģiju augstās sākotnējās izmaksas joprojām kavē to ieviešanu mazākās saimniecībās, īpaši tajās, kurām ir ierobežoti finanšu resursi.

USDA apgalvo, ka lielās saimniecības dominē precīzās lauksaimniecības ainavā

Publicēts Muhammad Farjad

Precīzās lauksaimniecības tehnoloģiju ieviešana pieaug, un liela mēroga saimniecības ir vadošās progresīvu rīku integrēšanā, lai uzlabotu efektivitāti, samazinātu izmaksas un palielinātu ražu.

Saskaņā ar ASV Lauksaimniecības departamenta (USDA) ziņojumu gandrīz 701 TP3 T liela mēroga saimniecību, kas definētas kā tās, kuru bruto ieņēmumi pārsniedz 1 TP4 T1 miljonu gadā, izmanto tādas tehnoloģijas kā ražas monitori, automātiskās stūrēšanas sistēmas un augsnes kartes, lai uzlabotu savu darbību.

Tas ir ievērojams kontrasts ar tikai 131 TP3 tūkstošiem mazo saimniecību, kas ziņoja par līdzīgu tehnoloģiju izmantošanu 2023. gadā, liecina USDA Ekonomisko pētījumu dienesta dati.

Kāpēc lielākas saimniecības biežāk ievieš precīzo lauksaimniecību

Precīzā lauksaimniecība attiecas uz progresīvu tehnoloģiju izmantošanu, lai optimizētu lauksaimniecības praksi un palielinātu produktivitāti. Lielākām saimniecībām šo tehnoloģiju priekšrocības ir ievērojamas.

Koncentrējoties uz ražas palielināšanu, darbības izmaksu samazināšanu un neparedzamu laikapstākļu un tirgus svārstību pārvaldību, liela mēroga saimniecībām ir vairāk finanšu resursu, ko ieguldīt tehnoloģijās. Tas atvieglo tādu rīku ieviešanu, kuriem nepieciešamas ievērojamas sākotnējās izmaksas, piemēram, ražas monitori, automātiskās stūrēšanas sistēmas un automatizēts aprīkojums.

Saskaņā ar USDA aptauju, tehnoloģiju ieviešanas atšķirības ir krasas. Lai gan 68% lielo saimniecību izmantoja lēmumu atbalsta tehnoloģijas, piemēram, ražas monitorus un augsnes kartes, tikai 13% mazo saimniecību izmantoja šos rīkus.

Ziņojumā uzsvērts, ka lielākām saimniecībām ir ne tikai finansiālas iespējas ieguldīt šādās tehnoloģijās, bet tās var arī gūt lielāku labumu no to ieviešanas. Precīzās lauksaimniecības tehnoloģijas, īpaši tās, kas vērstas uz automatizāciju un uz datiem balstītu lēmumu pieņemšanu, var nodrošināt augstāku efektivitāti, labāku resursu pārvaldību un galu galā lielākas peļņas normas.

Galvenās tehnoloģijas, kas veicina precīzās lauksaimniecības ieviešanu

Starp dažādajiem pieejamajiem precīzās lauksaimniecības rīkiem vairāki izceļas ar plašu izmantošanu lielās saimniecībās:

  1. Ražas monitoriŠīs ierīces mēra ražas daudzumu un kvalitāti tās novākšanas laikā. Sniedzot reāllaika datus, ražas monitori ļauj lauksaimniekiem novērtēt lauka mainīgumu un pieņemt pamatotus lēmumus par kultūraugu apsaimniekošanu un resursu sadali.
  2. Vadības automātiskās stūrēšanas sistēmasŠīs sistēmas ir neatņemama liela mēroga lauksaimniecības tehnikas, piemēram, traktoru un kombainu, sastāvdaļa. Automātiskā stūrēšana izmanto GPS tehnoloģiju, lai vadītu tehniku, samazinot cilvēciskās kļūdas un optimizējot tādu darbību kā sēšana, mēslošana un ražas novākšana precizitāti. Saskaņā ar USDA ziņojumu 70% lielo saimniecību izmantoja automātiskās stūrēšanas sistēmas, salīdzinot ar tikai 9% mazo saimniecību.
  3. Augsnes kartes un datu analīzeAugsnes kartēšanas tehnoloģija sniedz detalizētu informāciju par augsnes stāvokli visā saimniecībā, ļaujot lauksaimniekiem pieņemt precīzus lēmumus par apūdeņošanu, mēslošanu un stādīšanu. Izprotot augsnes sastāva un mitruma līmeņa mainīgumu, lielie lauksaimnieki var palielināt ražu un samazināt izejvielu izmaksas.

Faktori, kas ietekmē tehnoloģiju ieviešanu

USDA ziņojumā ir izcelti vairāki faktori, kas ietekmē precīzās lauksaimniecības ieviešanu, no kuriem visnozīmīgākie ir saimniecības lielums un finanšu resursi. Lielākas saimniecības ar lielākiem ieņēmumiem un spēju veikt ilgtermiņa ieguldījumus, visticamāk, ieviesīs tehnoloģijas, kurām nepieciešams ievērojams sākotnējais kapitāls.

No otras puses, mazākiem uzņēmumiem, īpaši tiem, kas gadā ģenerē mazāk nekā 1 TP4T150 000, ir grūtības attaisnot sākotnējos ieguldījumus ierobežotā budžeta un zemākas peļņas normas dēļ.

Papildus finansiālajiem ierobežojumiem tehnoloģiju ieviešanā lomu spēlē arī saimniecības raksturs. Pensionāras saimniecības vai tās, kuras vada lauksaimnieki, kas tuvojas pensijas vecumam, bieži vien ir mazāk tendētas ieguldīt jaunās tehnoloģijās, jo to ilgtermiņa iesaistīšanās lauksaimniecības biznesā var būt neskaidra.

Šajās darbībās precīzās lauksaimniecības ieguvumi var neatsvērt izmaksas, jo īpaši, ja lauksaimnieks plāno tuvākajā nākotnē pakāpeniski pārtraukt aktīvo lauksaimniecību.

Cīņa par plašu adopciju

Lai gan precīzās lauksaimniecības tehnoloģijas piedāvā nepārprotamas priekšrocības, to plaša ieviešana ir bijusi lēnāka nekā gaidīts. Neskatoties uz tādu rīku kā ražas monitoru un automātiskās stūrēšanas sistēmu pieaugošo izmantošanu lielās saimniecībās, noteiktas tehnoloģijas vēl nav guvušas ievērojamu popularitāti dažādos saimniecību lielumos. Piemēram, droni, valkājamas lopkopības uzraudzības ierīces un robotizētās slaukšanas iekārtas joprojām netiek pietiekami izmantotas pat lielākās saimniecībās.

Par dronu izmantošanu, kas bieži tiek uzskatīti par daudzsološu instrumentu kultūraugu uzraudzībai un lauka analīzei, 2023. gadā ziņoja tikai 12% lielu ģimenes saimniecību. Arī citi augsto tehnoloģiju rīki, piemēram, robotizētas slaukšanas iekārtas un valkājamas ierīces mājlopiem, tika ieviesti reti, un lauksaimnieki vilcinājās ieviest šīs tehnoloģijas izmaksu, sarežģītības vai neskaidru ieguvumu dēļ.

Iekārtu ražotāju loma

Tā kā pieprasījums pēc precīzās lauksaimniecības turpina pieaugt, lauksaimniecības tehnikas ražotāji palielina ieguldījumus progresīvās tehnoloģijās. Uzņēmumi izstrādā pieejamākus un pieejamākus risinājumus, lai apmierinātu plašāka lauksaimnieku loka vajadzības, tostarp to, kuriem ir mazāki uzņēmumi.

Tomēr, neskatoties uz šiem centieniem, tirgus joprojām ir sarežģīts, un daudzi lauksaimnieki joprojām vilcinās ieviest jaunas tehnoloģijas sarežģītajā lauksaimniecības ekonomikā.

Ražotāji koncentrējas arī uz automatizētu sistēmu izveidi, kas var palīdzēt optimizēt traktoru, kombainu un citas lauksaimniecības tehnikas veiktspēju. Šo inovāciju mērķis ir palīdzēt lauksaimniekiem samazināt darbaspēka izmaksas un palielināt produktivitāti, nodrošinot, ka precīzās lauksaimniecības tehnoloģijas kļūst pievilcīgākas visu lielumu lauksaimniekiem.

Secinājums

Precīzās lauksaimniecības tehnoloģijas piedāvā ievērojamas priekšrocības lauksaimniekiem, īpaši tiem, kas pārvalda liela mēroga darbības. Izmantojot tādus rīkus kā ražas monitorus, automātiskās stūrēšanas sistēmas un augsnes kartes, lielās saimniecības var optimizēt savu produktivitāti, samazināt izmaksas un pārvarēt izaicinājumus, ko rada svārstīgi tirgi un neparedzami laika apstākļi. Tomēr šo tehnoloģiju augstās sākotnējās izmaksas joprojām kavē to ieviešanu mazākās saimniecībās, īpaši tajās, kurām ir ierobežoti finanšu resursi.

Tā kā lauksaimniecības nozare turpina attīstīties, ir iespējams, ka precīzās lauksaimniecības izmantošana vēl vairāk paplašināsies. Mazajiem lauksaimniekiem pieejamāku un pieejamāku risinājumu izstrāde būs galvenais, lai nodrošinātu, ka šīs tehnoloģijas ir pieejamas visiem. Šķiet, ka lauksaimniecības nākotni arvien vairāk veidos digitālie rīki, kas ļaus lauksaimniekiem pieņemt gudrākus, uz datiem balstītus lēmumus savās darbībās.

Precīzās lauksaimniecības evolūcija: Kā pagātne veido rītdienu

Publicēts Muhammad Farjad

Precīzā lauksaimniecība (Precision Ag) — inovatīva lauksaimniecības pieeja, kas apvieno tehnoloģijas, datus un progresīvas metodoloģijas — ir pārveidojusi lauksaimniecības ainavu.

Izmantojot tādus rīkus kā GPS vadība, droni, sensori un datu analīze, lauksaimnieki var maksimāli palielināt efektivitāti, samazināt atkritumus un optimizēt ražu. Tomēr šī revolucionārā joma neradās izolēti. Tās evolūcija ir dziļi sakņota gadsimtiem senās lauksaimniecības praksēs, parādot, kā pagātne kalpo kā prologs nākotnei.

Atskats pagātnē: precīzās lauksaimniecības pamati

Lauksaimniecība vienmēr ir bijusi inovāciju joma. Jau ilgi pirms moderno tehnoloģiju parādīšanās lauksaimnieki paļāvās uz vērīgu novērošanu, pieredzi un izmēģinājumu un kļūdu metodi, lai uzlabotu produktivitāti.

Tādas prakses kā augseka, apūdeņošana un selektīvā selekcija ir agrīno precīzās lauksaimniecības formu piemēri. Šīs metodes, lai arī pēc mūsdienu standartiem rudimentāras, lika pamatus mūsdienu lauksaimniecības stratēģijām.

Rūpnieciskā revolūcija 18. un 19. gadsimtā iezīmēja nozīmīgu pagrieziena punktu. Mehānizēts aprīkojums, piemēram, arkli, sējmašīnas un kuļmašīnas, uzlaboja efektivitāti, ļaujot lauksaimniekiem pārvaldīt lielākus zemes gabalus.

Šajā periodā parādījās arī ķīmiskie mēslošanas līdzekļi un pesticīdi, kas vēl vairāk palielināja ražas apjomu. Šie jauninājumi lika pamatus precīzijas tehnoloģijām, kas sekoja 20. un 21. gadsimtā.

Mūsdienu precīzās lauksaimniecības rašanās

Precīzās lauksaimniecības koncepcija, kādu mēs to pazīstam šodien, sāka veidoties 20. gadsimta beigās, attīstoties satelīttehnoloģijām, skaitļošanas jaudai un ģeogrāfiskās informācijas sistēmām (ĢIS). Šī perioda galvenie pagrieziena punkti ir šādi:

  1. GPS tehnoloģija (20. gs. deviņdesmitie gadi): GPS sistēmu ieviešana revolucionizēja lauksaimniecību, nodrošinot precīzu tehnikas navigāciju. Lauksaimnieki tagad varēja optimizēt sēšanas, mēslošanas un ražas novākšanas modeļus, samazinot pārklāšanos un resursu izšķērdēšanu.
  2. Ražas monitorings (20. gs. deviņdesmitie gadi): Uz kombainiem uzstādītie ražas monitori sniedza detalizētus datus par ražas novākšanas rādītājiem, palīdzot lauksaimniekiem savos laukos noteikt augstas un zemas ražas zonas.
  3. Tālizpēte (2000. gadi): Satelītattēlu un dronu izmantošana ļāva lauksaimniekiem uzraudzīt kultūraugu veselību, augsnes stāvokli un ūdens patēriņu ar nepieredzētu precizitāti.
  4. Mainīgas likmes tehnoloģija (VRT): VRT ļāva lauksaimniekiem visā laukā izmantot dažādas vielas, piemēram, sēklas, mēslošanas līdzekļus un pesticīdus, dažādās devās, kas pielāgotas dažādu zonu īpašajām vajadzībām.

Šie jauninājumi iezīmēja pāreju no vispārinātām lauksaimniecības praksēm uz konkrētai vietai paredzētu pārvaldību, ievērojami uzlabojot efektivitāti un ilgtspējību.

Pašreizējā ainava: precīzā lauksaimniecība mūsdienās

21. gadsimtā precīzā lauksaimniecība ir kļuvusi par mūsdienu lauksaimniecības stūrakmeni. Mūsdienu tehnoloģijas ietver progresīvus sensorus, mašīnmācīšanās algoritmus un reāllaika datu analīzi. Galvenās tendences, kas veido pašreizējo ainavu, ir šādas:

  • Lielie dati un mākslīgais intelekts: Lauksaimnieki tagad apkopo milzīgu datu apjomu no saviem laukiem, tostarp augsnes sastāvu, laikapstākļus un kultūraugu produktivitāti. Mākslīgais intelekts apstrādā šos datus, lai ģenerētu noderīgus ieskatus.
  • Lietu internets (IoT): Viedie sensori un lietu interneta (IoT) ierīces ļauj nepārtraukti uzraudzīt lauka apstākļus, ļaujot pieņemt lēmumus reāllaikā.
  • Autonomās mašīnas: Pašbraucošie traktori un robotizētie kombaini samazina darbaspēka prasības, vienlaikus uzlabojot precizitāti un efektivitāti.
  • Ilgtspējības fokuss: Precīzā lauksaimniecība atbilst pieaugošajam uzsvaram uz ilgtspējību, samazinot resursu izmantošanu, samazinot ietekmi uz vidi un uzlabojot oglekļa piesaisti augsnē.

Precīzās lauksaimniecības nākotne

Raugoties nākotnē, precīzā lauksaimniecība ir gatava tālāk attīstīties, jo jaunās tehnoloģijas pārveidos nozari. Daži no daudzsološākajiem sasniegumiem ir šādi:

  • Gēnu rediģēšana: Tādi rīki kā CRISPR varētu ļaut radīt kultūraugus, kas īpaši paredzēti precīzai lauksaimniecībai, ar īpašībām, kas optimizētas vietējiem augsnes un klimata apstākļiem.
  • Prognozējošā analītika: Mākslīgā intelekta un mašīnmācīšanās sasniegumi uzlabos prognozējošo modeļu precizitāti, palīdzot lauksaimniekiem paredzēt tādus izaicinājumus kā kaitēkļu uzliesmojumi vai laikapstākļu anomālijas.
  • Blokķēdes tehnoloģija: Blokķēde var uzlabot pārredzamību un izsekojamību lauksaimniecības piegādes ķēdēs, nodrošinot ētisku iepirkumu un godīgu cenu noteikšanu.
  • Paplašināta savienojamība: Izvēršot 5G tīklus, lauku apvidi iegūs piekļuvi ātrgaitas internetam, kas ļaus izmantot vēl sarežģītākas precīzās lauksaimniecības tehnoloģijas.

Pagātne kā prologs: mācīšanās no vēstures

Precīzās lauksaimniecības ceļš uzsver svarīgu mācību: inovācijas balstās uz pagātnes pamatiem. Agrīnā lauksaimniecības prakse mums iemācīja novērošanas un pielāgošanās nozīmi. Mehanizācijas laikmets izcēla efektivitātes un mērogojamības vērtību. Mūsdienu precīzā lauksaimniecība apvieno šīs mācības ar jaunākajām tehnoloģijām, lai risinātu pieaugošā pasaules iedzīvotāju skaita apgādes problēmas.

Izprotot un novērtējot precīzās lauksaimniecības vēsturisko kontekstu, mēs varam labāk orientēties tās nākotnē. Pagātne kalpo ne tikai kā ceļvedis, bet arī kā atgādinājums, ka progress ir nepārtraukts ceļojums, kas sakņojas to cilvēku atjautībā un izturībai, kuri bija pirms mums.

Secinājums

Precīzā lauksaimniecība ir apliecinājums cilvēka inovāciju spēkam un vēstures nezūdošajai nozīmei. Stāvot uz jaunu izrāvienu sliekšņa, ir svarīgi atzīt, ka rītdienas sasniegumus veidos šodienas atziņas un pagātnes mācības. Pieņemot šo nepārtrauktību, mēs varam nodrošināt, ka precīzā lauksaimniecība turpina attīstīties, veicinot ilgtspējīgu un pārticīgu nākotni gan lauksaimniekiem, gan planētai.

5G-iespējama reāllaika mācīšanās ilgtspējīgā lauksaimniecībā: Pētījums par cukurbietēm

Publicēts Muhammad Farjad

Ar prieku paziņojam par projekta “5G tīkli kā reāllaika mācīšanās veicinātājs ilgtspējīgā lauksaimniecībā” veiksmīgu pabeigšanu, ko daļēji atbalstīja Ziemeļreinas-Vestfālenes Ekonomikas, rūpniecības, klimata pasākumu un enerģētikas ministrija.

Šī iniciatīva ir nozīmīgs solis uz priekšu, lai izpētītu 5G tehnoloģiju pārveides potenciālu lauksaimniecībā, jo īpaši ar mērķi uzlabot cukurbiešu audzēšanas ekoloģiskos, ekonomiskos un ilgtspējīgos aspektus.

Tā izmantoja 5G zemo latentumu, lai integrētu modernas informācijas tehnoloģiju sistēmas reāllaikā, ļaujot nekavējoties reaģēt uz sensoru un pozicionēšanas datiem iepriekš noteiktos termiņos.

Attēls no projekta prezentācijas noslēguma pasākuma Hochschule Hamm-Lippstadt (HSHL).
Attēls no projekta prezentācijas noslēguma pasākuma Hochschule Hamm-Lippstadt (HSHL).

Projekta fokuss un partnerība

Sadarbībā ar HSHL partneriem un ar Pfeifer & Langen atbalstu projekta mērķis bija izpētīt visu cukurbiešu audzēšanas dzīves ciklu partneriem piederošajos laukos. Tā mērķis bija parādīt, kā 5G var kalpot kā galvenais tehnoloģiju katalizators Ziemeļreinas-Vestfālenes lauksaimniecības nozarē, demonstrējot tās potenciālu kā inovāciju un efektivitātes veicinātāju.

GeoPard loma lauksaimniecībā

Uzņēmumam GeoPard Agriculture bija izšķiroša loma projekta galveno aspektu definēšanā un īstenošanā, tostarp augu noteikšanas, uzraudzības un ražošanas prognozēšanas scenāriju izstrādē. Mēs izstrādājām mākslīgā intelekta sistēmas prototipu, kas pielāgots 5G lauksaimniecības videi, izpildījām modeļus mākoņa infrastruktūrā un izveidojām mobilo lietojumprogrammu reāllaika mijiedarbībai ar mākoņa modeļiem.

Tehnoloģiskā integrācija

Mākslīgā intelekta (AI) metodes tika izvērstas, izmantojot spēcīgu mākoņa infrastruktūru ar lielām skaitļošanas iespējām. Mākslīgā intelekta algoritmi reāllaikā klasificēja augus katrā krustošanas reizē un uzraudzīja to augšanu visā to dzīves ciklā, novēršot nevajadzīgu lauka apmeklējumu nepieciešamību tikai datu vākšanas nolūkā.

Šis uzlabojums ļāva precīzi lietot mēslošanas un augu aizsardzības līdzekļus, dinamiski pielāgojot lietošanas devas šķērsošanas laikā, izmantojot mašīnmācīšanās algoritmus.

Bezpilota transportlīdzekļu izvietošana

Turklāt projektā tika izmantots 5G samazinātais latentums, lai izvietotu bezpilota transportlīdzekļus iekārtu uzraudzībai un datu vākšanai. Šiem transportlīdzekļiem bija izšķiroša nozīme reāllaika ieskatu apkopošanā un lauksaimniecības prakses turpmākajā optimizācijā.

Projekta rezultāti: Cukurbiešu ražošanas uzlabošana ar 5G tehnoloģiju

Projektā tika demonstrēts, kā 5G tehnoloģija var kalpot kā pārveidojošs faktors Ziemeļreinas-Vestfālenes lauksaimniecības nozarē, analizējot visu cukurbiešu audzēšanas dzīves ciklu un izceļot būtiskus uzlabojumus, ko veicina 5G tehnoloģija. Tomēr, lai efektīvi demonstrētu projekta rezultātus, pētnieki izmantoja darba paketes, kas ietvēra dažādus scenārijus un infrastruktūras.

Cukurbiešu izmēģinājumu lauks
Cukurbiešu izmēģinājumu lauks

Scenārija definīcija, ņemot vērā esošos ģeodatus un ML infrastruktūru

Projektā tika demonstrēts, kā, integrējot 5G tehnoloģiju, var uzlabot tradicionālos cukurbiešu ražošanas procesus. Galvenie mērķi ietvēra:

  • Izstrādāti gatavi ieviešanas scenāriji iekārtu atpazīšanai, uzraudzībai un ražošanas prognozēšanai.
  • Izstrādātas tehniskās prasības, kas nepieciešamas šo scenāriju sekmīgai ieviešanai.
  • Identificēti un novērtēti attiecīgie ekoloģiskie un ekonomiskie rādītāji, lai novērtētu 5G tīkla radīto pievienoto vērtību.

Šajā posmā tika uzsvērta projekta apņemšanās integrēt modernākās tehnoloģijas ar esošo lauksaimniecības praksi. Šī arhitektūra izmantoja 5G tīkla ātrgaitas savienojamību, lai atvieglotu reāllaika datu vākšanu un apstrādi starp malas ierīcēm un mākoni. Mākoņa infrastruktūra nodrošināja būtiskus resursus liela mēroga mākslīgā intelekta modeļu apmācībai un izvēršanai, savukārt mākslīgā intelekta platforma piedāvāja spēcīgus rīkus modeļu izstrādei un izvēršanai. Lietojumprogrammu slānis galalietotājiem sniedza no AI modeļiem iegūtas praktiskas atziņas, uzlabojot lēmumu pieņemšanas iespējas.

Mašīnmācīšanās un mākslīgais intelekts 5G kontekstā

Šajā daļā galvenā uzmanība tika pievērsta esošo mašīnmācīšanās un mākslīgā intelekta sistēmu pielāgošanai, lai tās atbilstu iepriekš izklāstītajiem scenārijiem un attiecīgi optimizētu. Galvenie mērķi ietvēra:

  • Definēt sistēmas mērķus un izstrādāt sistēmas arhitektūru.
  • Apkopotie pamatdati mākslīgā intelekta modeļu apmācībai un validēšanai.
  • Izveidota un anotēta piemērota datu bāze, kas pielāgota augu identificēšanai un monitoringam.
  • Integrēti mākslīgā intelekta modeļi 5G tīkla infrastruktūrā.

Šajā posmā izšķiroša nozīme bija malas ierīcēm, kas aprīkotas ar mobilo tālruņu SIM kartēm, izmantojot 5G tehnoloģiju. Tika rūpīgi uzraudzīti galvenie veiktspējas rādītāji (KPI), piemēram, latence vai end-to-end (E2E) latence. Mērījumi ietvēra precīzi saņemto datu pakešu uzticamības un pieejamības novērtēšanu, kā arī lietotāju datu pārraides ātruma un maksimālā datu pārraides ātruma analīzi.

Turklāt pieņēmumi tika izdarīti, pamatojoties uz UHD izšķirtspējas video straumēšanu MP4 formātā, kas pārraidīti, izmantojot pārraides vadības protokolu (TCP). Izpētītie iespējamie risinājumi ietvēra optimizāciju ar atsevišķiem attēliem, nevis nepārtrauktām video plūsmām, bāzes optimizācijas veikšanu tieši galiekārtās un modeļa kvantizācijas metožu ieviešanu, lai uzlabotu efektivitāti.

Mākoņu infrastruktūra un AWS pakalpojumi

Projekts lielā mērā balstījās uz mākoņinfrastruktūru, izmantojot AWS pakalpojumus, piemēram, Lambda, SageMaker, S3, CloudWatch un RDS, kam bija izšķiroša nozīme, nodrošinot nepieciešamos resursus mākslīgā intelekta modeļu apmācībai un izvēršanai.

AWS Lambda tika izmantota efektīvai instanču pārvaldībai un lietojumprogrammu apkalpošanai, savukārt AWS SageMaker atviegloja stabilu mašīnmācīšanās cauruļvadu izveidi. Tādi glabāšanas risinājumi kā S3, CloudWatch un RDS bija būtiski mašīnmācīšanās modeļu un neironu tīklu darbībai svarīgo datu kopu un žurnālu glabāšanai.

AWS mākoņa infrastruktūra
AWS mākoņa infrastruktūra

Tādējādi šī infrastruktūra atbalstīja reāllaika datu apstrādes iespējas, ko nodrošina 5G tīkls.

5G tīkla aizture

5G tīkli tika izstrādāti, lai panāktu īpaši zemu latentumu, kas parasti ir no 1 līdz 10 milisekundēm. Šī latence atspoguļo laiku, kas nepieciešams datu pārvešanai starp mobilajām ierīcēm un AWS serveriem, izmantojot 5G tīklu. Kavēšanos ietekmēja arī ierīču specifiskās apstrādes iespējas, piemēram, fotogrāfiju uzņemšanas un apstrādes ātrums viedtālruņos ar augstas veiktspējas procesoriem.

Datu nosūtīšanas ātrumu 5G tīklā un fotoattēla lielumu ietekmēja datu pārsūtīšanas laiks uz AWS. AWS papildus veicināja kavēšanos ar apstrādes laikiem tādiem uzdevumiem kā uz neironu tīklu balstīta noteikšana un segmentēšana, kas atšķīrās atkarībā no algoritma sarežģītības un AWS pakalpojumu efektivitātes. Pēc apstrādes rezultāti tika lejupielādēti atpakaļ mobilajās ierīcēs, ko ietekmēja 5G lejupielādes ātrums un rezultātu datu lielums.

Augu atpazīšana, izmantojot mākslīgo intelektu

Augu atpazīšanas jomā mākslīgā intelekta vadītie procesi ietvēra visaptverošas augu attēlu datubāzes izveidi, lai apmācītu algoritmus, kas balstīti uz neironu tīkliem. Šie algoritmi tika apmācīti atšķirt cukurbiešu sugas no citiem augiem, atpazīstot konkrētajai augu sugai raksturīgās pazīmes, piemēram, lapu formas, ziedu krāsas utt.

Cukurbiešu augu fenoloģiskā attīstība
Cukurbiešu augu fenoloģiskā attīstība. Avots: https://www.mdpi.com/2073-4395/11/7/1277

Šeit ar augu atpazīšanu mēs saprotam nezāļu noteikšanas un cukurbiešu augu segmentācijas uzdevumu.

  • Nezāļu atklāšana

Nezāļu noteikšanai projektā tika izmantots MobileNet-v3, kas tika apmācīts, izmantojot plašu datu papildināšanu un svērto paraugu ņemšanu. Šis modelis sasniedza iespaidīgu precizitāti 0,984 un AUC 0,998.

  • Cukurbiešu segmentācija

Segmentēšanas uzdevumiem tika izmantoti tādi modeļi kā YOLACT, ResNeSt, SOLO un U-net, lai precīzi norobežotu atsevišķus cukurbiešu paraugus attēlos. Pēc tam tika izvēlēts visefektīvākais modelis, pamatojoties uz dažādiem kritērijiem: ātrumu, secinājumu izdarīšanas laiku utt. Dati segmentēšanai tika iegūti no dronu uzņemtiem RGB attēliem, kuru izmērs tika mainīts un kuri tika anotēti apmācības un validācijas vajadzībām.

Segmentēšanas uzdevumos bija jāizveido maskas, kas precīzi norobežo augu robežas. Šī metode samazināja cilvēka veikto anotāciju, vienlaikus optimizējot efektivitāti. Piešķirot prioritāti sarežģītu paraugu marķēšanai, modeļa veiktspēja tika ievērojami uzlabota. Iteratīvās pārkvalificēšanas un nenoteiktības paraugu ņemšanas stratēģijas izrādījās efektīvas, panākot segmentēšanas precizitātes rādītājus, kas dažādos augšanas posmos pārsniedza 98%.

Segmentācijas ievades-izvades piemērs
Segmentācijas ievades-izvades piemērs
  • Modeļa novērtējums

Modelis tika apmācīts, izmantojot stingrus datu papildinājumus. Modelis tika novērtēts, izmantojot dažādas metrikas, tostarp Intersection over Union (IoU). Izveidotā modeļa secinājumu analīze, kas tika veikta ar datu kopas ‘augu stādi v2’ datu kopas apakškopu, uzrādīja precizitāti 81%. secinājumu aprēķināšanai pēc 7 sekunžu inicializācijas perioda, kas nepieciešams tikai vienu reizi sesijā, bija nepieciešamas aptuveni 320 milisekundes.

Ar mākslīgo intelektu (AI) darbināmā rūpnīcu uzraudzībā kameras un sensori fiksē svarīgus rūpnīcas datus, kurus analizē mašīnmācīšanās un AI algoritmi. Šai analīzei bija izšķiroša nozīme augu veselības novērtēšanā, nosakot stresu, slimības vai citus augšanu ietekmējošus faktorus.

Pielietojums ir ļoti plašs - no lauksaimniecības ražīguma optimizēšanas līdz dabisko ekosistēmu, piemēram, mežu, uzraudzībai, palīdzībai saglabāšanas pasākumos un izpratnes uzlabošanai par ietekmi uz vidi.

Objektu noteikšana augu uzraudzībā

Nākamais posms pēc cukurbiešu augu segmentēšanas ir objektu noteikšana, kuras mērķis ir izprast katra auga specifiku attiecībā uz veselību, augšanu un citiem faktoriem. Objektu noteikšanai augu uzraudzībā tika izmantoti tādi progresīvi modeļi kā YOLOv4, MobileNetV2 un VGG-19 ar uzmanības mehānismiem. Šie modeļi analizēja segmentētus cukurbiešu attēlus, lai atklātu konkrētas stresa un slimību zonas, ļaujot veikt precīzus un mērķtiecīgus pasākumus.

Projektā tika sasniegti nozīmīgi sasniegumi slimību noteikšanā, apmācot ResNet-18 un ResNet-34 modeļus, kas iepriekš apmācīti ar ImageNet. Šie modeļi uzrādīja iespaidīgu precizitāti 0,88, identificējot cukurbiešu augus skartās slimības, un to laukums zem ROC līknes (AUC) bija 0,898. Modeļi uzrādīja augstu prognozēšanas ticamību, precīzi nošķirot slimos augus no veseliem.

Objekta noteikšanas ievades-izvades piemērs
Objekta noteikšanas ievades-izvades piemērs

Projektā tika izmantota sistemātiska pieeja slimību noteikšanai, segmentējot attēlus standartizētos plankumos. Šiem plankumiem tika veikta rūpīga anotācija, izmantojot interaktīvus rīkus, lai precīzi noteiktu slimības skartās zonas. Objektu noteikšana vēl vairāk palielināja precizitāti, iezīmējot ap augiem norobežojošus laukumus, kas atviegloja precīzu augu veselības stāvokļa uzraudzību.

Augu produkcijas prognozēšana

Augkopības ražošanas prognozēšanas jomā mākslīgā intelekta modeļi izmanto vides datus, piemēram, laika apstākļus un augsnes parametrus, lai prognozētu ražas. Tika izmantoti tādi regresijas modeļi kā izolācijas mežs, lineārā regresija un Ridge regresija.

Šajos modeļos tika integrēti skaitliskie raksturlielumi, kas iegūti no ierobežojošiem apgabaliem kopā ar augsnes datiem, lai optimizētu mēslošanas līdzekļu lietošanu.

Cukurbiešu audzēšana izmēģinājumu laukā
Cukurbiešu audzēšana izmēģinājumu laukā

Modeļa izvietošanas apsvērumi

Izstrādāto modeļu izvietošanas stratēģijas tika novērtētas gan malas ierīcēm, gan mākoņa platformām. Modeļu izvietošana malas ierīcēs nodrošināja tādas priekšrocības kā zemākas izmaksas un zemāka latentuma pakāpe.

Tomēr, izmantojot šo pieeju, aparatūras ierobežojumu dēļ var tikt samazināta iespējamā precizitāte. No otras puses, mākoņa izvietošana piedāvāja ātrāku secinājumu izdarīšanas laiku, izmantojot augstas veiktspējas GPU, bet varēja radīt papildu izmaksas un bija atkarīga no interneta savienojamības, kas varēja radīt komunikācijas kavēšanos.

Salīdzinošā analīze ar 5G tīklu

Salīdzinošā analīze parādīja, ka 5G tīkla izmantošana ievērojami uzlabo cukurbiešu segmentāciju salīdzinājumā ar tradicionālajām 4G/WiFi sistēmām. Šo uzlabojumu apliecināja samazinātais vidējais iestatīšanas un tīkla izveides laiks, uzsverot efektivitātes pieaugumu, kas panākts, izmantojot 5G tehnoloģiju.

  • Datu sagatavošanas process

Datu sagatavošanas procesā tika apkopotas veselu un slimu augu datu kopas, atklātas nezāles, identificētas augšanas stadijas un no 4K neapstrādāta video tika iegūti attēli. Lai sagatavotu datus analīzei, tika izmantoti tādi paņēmieni kā histogrammas izlīdzināšana, attēlu filtrēšana un HSV krāsu telpas transformācija.

Tika ņemti veselu cukurbiešu lapu paraugi un slimu lapu paraugi, piemēram, kukurūzas lapas ar pelēko lapu plankumainību. Slimības pazīmju iegūšana ietvēra lapu atdalīšanu no fona, izmēru maiņu, pārveidošanu un attēlu apvienošanu, lai analīzei izveidotu reālus paraugus.

Anotācijas process segmentēšanai
Anotācijas process segmentēšanai
  • Aktīvās mācīšanās cilpa

Aktīvā mācīšanās cilpa tika uzsākta ar nemarķētiem datiem, kas tika izmantoti, lai apmācītu noteikšanas modeļus. Šie modeļi ģenerēja anotācijas vaicājumus, uz kuriem atbildēja anotatori, nepārtraukti uzlabojot modeļa precizitāti, izmantojot iteratīvus apmācības un anotācijas ciklus.

  • Datu anotēšana, izmantojot multimodālo pamatnes modeli

Risinot ierobežotu marķēto datu problēmu, projektā tika izmantoti spēcīgi pamatmodeļi, lai radītu pamatinformācijas anotācijas. Īpaši svarīga loma bija CLIP - uz transformatoru balstītam modelim, ko izstrādāja OpenAI un kas tika apmācīts, izmantojot plašu datu kopu ar vairāk nekā 400 miljoniem attēlu un tekstu pāru.

Izmantojot redzes transformatorus kā mugurkaulu, CLIP sasniedza ievērojamu 95% precizitāti validācijas kopās, prasmīgi un ar augstu precizitāti iedalot attēlus dažādās klasēs, piemēram, cukurbietes un nezāles.

  • Dronu tehnoloģija datu vākšanai

Viena no svarīgākajām projektā izmantotajām tehnoloģijām bija ar RGB kamerām aprīkotu dronu izmantošana, kas uzņēma 4K video. Šie droni nodrošināja detalizētus attēlus (3840 × 2160 izšķirtspēja) analīzei.

Šo attēlu pirmapstrāde ievērojami palielināja modeļu precizitāti, un ievērojami uzlabojumi tika novēroti tādos modeļos kā VGGNet (+38,52%), ResNet50 (+21,14%), DenseNet121 (+7,53%) un MobileNet (+6,6%).

Tādi paņēmieni kā histogrammas izlīdzināšana tika izmantoti, lai uzlabotu attēla kontrastu, savukārt transformācija HSV krāsu telpā palīdzēja izcelt augu apgabalus un izcelt attiecīgās iezīmes.

  • Sintētisko datu ģenerēšana

Lai risinātu ierobežoto attēlu datu problēmu, izmantojot mašīnmācīšanos un mākslīgo intelektuālo intelektu, tika izveidotas sintētiskas datu kopas. Datu vākšana tika veikta, izmantojot bezpilota lidaparātus, kas lidoja no 1 m līdz 4 m augstumā un ar ātrumu 2 m/s vai vairāk, izmantojot RGB kameras.

Emulacijas vide
Emulacijas vide

Datu vākšanai tika izmantoti arī citi transportlīdzekļi, piemēram, traktori. Šī sintētisko datu ģenerēšana izrādījās īpaši noderīga cukurbiešu slimību noteikšanai.

Secinājums

Projekts “5G tīkli kā reāllaika mācību veicinātājs ilgtspējīgā lauksaimniecībā” veiksmīgi demonstrēja, kā 5G tehnoloģija var uzlabot cukurbiešu audzēšanas ekoloģiskos, ekonomiskos un ilgtspējīgos aspektus. Sadarbojoties ar HSHL un Pfeifer & Langen, projektā tika integrēta reāllaika datu vākšana un mākslīgā intelekta vadīta analīze, uzlabojot efektivitāti un samazinot nevajadzīgu lauku apmeklējumu skaitu.

Specializēts 5G universitātes pilsētiņas tīkls nodrošināja precīzu mēslošanas līdzekļu un augu aizsardzības līdzekļu lietošanu. Uzņēmumam Geopard Agriculture bija izšķiroša loma augu noteikšanas un uzraudzības scenāriju izstrādē, kā arī mašīnmācīšanās sistēmas prototipa izveidē 5G lauksaimniecības videi. Projekta panākumi uzsvēra progresīvo tehnoloģiju nozīmi ilgtspējīgā lauksaimniecībā, izceļot 5G potenciālu veicināt inovācijas un efektivitāti.

Pakāpeniska pāreja uz precīzo lauksaimniecību

Publicēts Muhammad Farjad

Kopš 20. gs. deviņdesmitajiem gadiem precīzās lauksaimniecības mērķis ir bijis revolucionizēt lauksaimniecību, nodrošinot audzētājiem detalizētu informāciju par viņu kultūraugiem un tehnoloģiju, lai šos datus efektīvi izmantotu.

Ir panākts daudz uzlabojumu, uzlabojot precizitāti lauksaimniecībā. Mūsdienu traktori var paši stūrēt, izmantojot GPS, un lauksaimnieki tagad var pielāgot sēklu un mēslojuma lietošanas daudzumu. Progress ir novērots arī kultūraugu ģenētikā un nezāļu apkarošanā.

“Vienīgais, ko mēs neesam attīstījuši, ir sensors,” sacīja Pablo Sobrons, uzņēmuma “Impossible Sensing” dibinātājs. “Spēja saskatīt lietas, kas ir svarīgas gan augos, gan augsnē, gan saknēs.”

Sobrons un viņa zinātnieku komanda Sentluisā pašlaik izstrādā otro sensora prototipu, kas paredzēts uzstādīšanai stādāmās mašīnas aizmugurē. Šis sensors ļaus lauksaimniekiem, braucot cauri laukiem, redzēt reāllaika informāciju par barības vielu līmeni, augsnes veselību, ūdens stāvokli un citiem faktoriem, kas ietekmē atsevišķus augus.

“Mēs uzskatām, ka precīzākas zināšanas par to, kurām saimniecības platībām nepieciešams vairāk vai mazāk mēslojuma, palīdzēs lauksaimniekiem izmantot pareizo daudzumu,” sacīja Sobrons. “Patiesā vērtība un nepieciešamība šeit ir sniegt ieskatu un zināšanas, norādot, kas un kad jādara.”

Šiem datiem vajadzētu palīdzēt lauksaimniekiem pieņemt lēmumus, kas ne tikai uzlabos viņu peļņu, bet arī samazinās mēslošanas līdzekļu un ķīmisko vielu pārmērīgu izmantošanu un padarīs apūdeņošanu mērķtiecīgāku.

Tomēr Sobrons atzina, ka precīzās lauksaimniecības sasniegumi vēl nav pilnībā pārveidojuši lauksaimniecību.

“"Tas neatbilst ažiotāžai, ar kuru tas tika reklamēts," viņš teica.

Visticamāk, paies gadi, līdz daudzsološi instrumenti, piemēram, lāzeri, tiks ieviesti tūkstošiem, nemaz nerunājot par miljoniem, lauksaimniecības platību.

“Eksperimentēšana ir risks,” sacīja Bils Lī, lauksaimnieks Māršala apgabalā, Ilinoisas štatā, kurš kopā ar savu brāli audzē aptuveni 2200 akrus kukurūzas un sojas pupiņu. Kopš 20. gs. astoņdesmito gadu sākuma Lī ir pakāpeniski pievienojis savam aprīkojumam vairāk precīzu instrumentu, kas viņam ir palīdzējuši sēt sēklas un efektīvāk lietot mēslojumu, herbicīdus un fungicīdus.

Taču šīs pārmaiņas ir bijušas lēnas, viņš paskaidroja.

“Tas nav lēciens ar abām kājām, tas ir process,” sacīja Lī. “Tas ir vienkārši pārāk dārgi, un ir pārāk daudz risku, lai veiktu šo lidojošo lēcienu un saprastu, ka beigās nav augstlēkšanas bedres, bet gan betona gabals.”

Jaunas lauksaimniecības tehnoloģijas dažos gadījumos var izmaksāt vairāk nekā 1 TP4T100 000. Lī ir gatavs veikt šādas investīcijas, ja saskata ekonomisku atdevi. Šis finansiālais apsvērums ir izšķirošs, jo daudzas saimniecības darbojas ar niecīgu peļņu.

Pēc BioSTL Agrifood direktora Čada Cimermana teiktā, joprojām pastāv plaisa starp pieejamajām jaunajām tehnoloģijām un lauksaimniekiem, kas tās izmanto, jo daudzi nevar atļauties izmēģināt kaut ko jaunu visos savos laukos.

“Mēs nevaram lūgt viņiem uzņemties lielāku risku, vienkārši samazināt savu peļņu, lai sasniegtu kāda cita mērķi,” sacīja Cimermans.

Tas rada spiedienu uz uzņēmumiem pierādīt, ka viņu precīzās lauksaimniecības tehnoloģijas patiešām sniedz rezultātus. Daudzi strādā pie tā, atzīmēja Alisone Doila, Aiovas štata universitātes pētniecības parka asociētā direktore.

“Daudzi lauksaimniecības uzņēmumi sevi vairāk pozicionē tehnoloģiju jomā nekā tradicionālajā lauksaimniecībā,” sacīja Doils.

Darbaspēks ir būtisks faktors. Mūsdienās ir mazāk lauksaimniecības strādnieku nekā agrāk, un mūsdienu saimniecības ir daudz lielākas, piebilda Doils.

“Kad uzņēmums ir tik liels un izejvielu cenas ir tādas, kādas tās ir, jūs meklējat niecīgu peļņas normu, lai kur to varētu atrast,” viņa teica. “Tāpēc šie precīzijas instrumenti kļūst nepieciešami.”

Ilgtspējīgas lauksaimniecības ekonomiskās ietekmes vizualizācija, izmantojot GeoPard precīzajā lauksaimniecībā

Publicēts Muhammad Farjad

Pētnieki no Bayerische Landesanstalt für Landwirtschaft (LfL) un GeoPard Agriculture apvienojās, lai izpētītu joslu starpkultūru sistēmu ekonomisko ietekmi ilgtspējīgai lauksaimniecībai. Viņi dalījās ar saviem atklājumiem Hohenheimas Universitātes pasākumā “Veicināt bioloģisko daudzveidību, izmantojot digitālo lauksaimniecību”, koncentrējoties uz videi draudzīgu lauksaimniecības praksi un tās finansiālo ietekmi.

Viņu projekta “Nākotnes kultūraugu audzēšana” mērķis bija izpētīt jaunas lauksaimniecības metodes, īpašu uzmanību pievēršot joslveida starpkultūru audzēšanai. Šī metode ietver dažādu kultūraugu audzēšanu blakus joslās vienā laukā, kas varētu samazināt ķīmisko vielu nepieciešamību un palielināt bioloģisko daudzveidību. Pētnieki vēlējās atrast veidus, kā padarīt lauksaimniecību videi draudzīgāku, vienlaikus saglabājot lauksaimnieku ienesīgumu.

Šo sadarbību EIT Food Accelerator programmas laikā vadīja Olīvija Spikmane un Markuss Gandorfers no LfL, kā arī Viktorija Sorokina no GeoPard. Izmantojot savas zināšanas lauksaimniecībā, digitālos rīkus un datu analīzi, viņi sāka pētīt ilgtspējīgas lauksaimniecības prakses ekonomisko pusi.

Kamēr Risinot sintētisko izejvielu samazināšanas un bioloģiskās daudzveidības palielināšanas jautājumus, viņi atklāja, ka joslu starpkultūru ekoloģiskais potenciāls ir labi izpētīts. Tomēr tās mehanizācija un darbaspēka ekonomija, īpaši ar autonomu aprīkojumu, ir jāturpina izvērtēt.

Viņi atklāja, ka lauksaimnieki nebija pārliecināti par tā praktiskumu, īpaši, izmantojot jaunās tehnoloģijas. Lai to risinātu, viņi sarunājās ar lauksaimniekiem joslu starpkultūru lauka laboratorijā, lai izprastu viņu bažas un labāk sazinātos.

Turklāt ainavas izmaiņas var radīt lauksaimnieku vilcināšanos, tāpēc ir svarīgi sniegt skaidru informāciju jau iepriekš. Tāpēc digitālie rīki, piemēram, vizualizācijas, var veicināt saziņu starp lauksaimniekiem un viņu kopienām, radot pieņemšanu un atzinību par ekoloģiski labvēlīgām ainavas pārmaiņām.

Piemēram, Jaunzēlandē lauksaimnieki izmantoja virtuālās realitātes (VR) brilles, lai vizualizētu piemērotas apmežošanas platības, palīdzot plānot saimniecības mērogā, ilustrējot ietekmi uz saimniecības rentabilitāti, ainavas estētiku un lauku kopienām. Šādas vizualizācijas var uzlabot lauksaimnieku izpratni un interesi par ainavas izmaiņām, lai gan veiksmīga ieviešana ir atkarīga arī no lauksaimnieku pašapziņas.

Līdzīgi šajā pētījumā tika izmantota mākonī balstīta programma GeoPard, lai no vairākiem skatupunktiem analizētu joslu starpkultūru ražošanas sistēmu. GeoPard vienādojumi tika parametrizēti ar empīriskiem datiem no projekta “Future Crop Farming”. Sākotnējie rezultāti ietver herbicīdu un slāpekļa ievades un ražas vizualizācijas, un ir plānoti sarežģītāki aprēķini.

Herbicīdu lietošanas kartes attēlošana

Turklāt sistēma integrēja dažādus datu avotus, tostarp:

  • Ienesīguma un izmantoto ievades datu kopas
  • Informācija par kultūraugu un augu aizsardzības līdzekļu cenām (sniedz lietotājs)
  • Satelītattēli (Sentinel-2, Landsat, Planet)
  • Topogrāfijas dati
  • GeoPard pieejamās vēsturisko datu zonu kartes

Tikmēr galvenās izmantotās metodes ietvēra telpisko analīzi un efektīvu telpisko datu apstrādi, izmantojot NumPy ietvaru. Dati tika iegūti no .xlsx un .shp failiem. Tomēr formas failā trūka specifiskas informācijas par atsevišķām sloksnēm, tāpēc bija nepieciešama dažādu datu formātu integrācija.

GeoPard atviegloja datu telpisku organizēšanu, lai saistītu sloksnēm raksturīgu informāciju ar to attiecīgajām atrašanās vietām laukā. Tādējādi integrētais datu kopums, kas attēlo sloksnes, veidoja pamatu aprakstošajai izmēģinājumu analīzei GeoPard.

Lai gan pētījumā netika pētīta mainīga ievades ātruma pielietošana, GeoPard augstas izšķirtspējas kartēšana (pikseļa izmērs: 3 × 3 metri) ļāva veikt detalizētu vizualizāciju pikseļu līmenī, palielinot sarežģītību. Šī detalizētā kartēšana ir vērtīga turpmākiem pielietojumiem, piemēram, vairāku slāņu apvienošanai vai telpiski mainīgākas informācijas, piemēram, "ražas profilu", integrēšanai, pamatojoties uz maza mēroga ražas datiem, ko pētniecības projekta ietvaros apkopojuši zemes gabalu kombaini.

Ražas karte katrā kultūrā pilnā skatā un pietuvināta, lai parādītu pikseļu līmeņa detaļas

Pētnieki ir arī atklājuši, ka, lai gan GeoPard galvenokārt ir pildījis aprakstošas funkcijas, tam piemīt potenciāls sarežģītākām vizualizācijām. Piemēram, iekļaujot ražas datus un cenu informāciju pa joslām, varētu palīdzēt izveidot peļņas kartes, parādot robežefektus starp blakus esošajām kultūraugu joslām.

Turklāt, integrējot darba ekonomiskos datus, varētu atklāt apjomradītu ietaupījumu samazināšanas ietekmi uz bioloģiskās daudzveidības veicināšanu. Šādi dati var palīdzēt scenāriju modelēšanā, ļaujot izpētīt dažādas augsekas, joslu platumus un mehanizācijas veidus, koncentrējoties uz konkrētam laukam raksturīgiem rezultātiem, lai uzlabotu lauksaimniecības pārvaldību un lēmumu pieņemšanu.

Tādējādi iekārta varētu darboties kā digitālais dvīnis, nodrošinot datu pārsūtīšanu reāllaikā no lauka mašīnām un sensoriem uz GeoPard, kas jau ir iespējams ar dažām komerciālām tehnoloģijām un satelītu datiem. Tomēr lauksaimnieku bažas par tehnoloģiju saderību uzsver nepieciešamību integrēt papildu datu avotus plašākai piemērojamībai.

Kā SDSU veido precīzās lauksaimniecības revolūciju štatā?

Publicēts Muhammad Farjad

Dienviddakotas štata universitāte (SDSU) bija pirmā, kas izstrādāja programmu, kas mācīja un palīdzēja lauksaimniekiem izmantot precīzo lauksaimniecību.

Brukingsā, Dienviddakotā, SDSU jaunā precīzās lauksaimniecības programma ir veiksmīgi mudinājusi vietējos un dažus citus Vidējo Rietumu lauksaimniekus ieviest vairāk tehnoloģiju savā darbībā. Tomēr lauksaimnieki citos štatos lēnāk ievieš šo tehnoloģiju.

SDSU kļuva par pirmo universitāti valstī, kas izveidoja programmu, kas izglīto un palīdz lauksaimniekiem izmantot precīzo lauksaimniecību, kas ir zinātne par jaunu tehnoloģiju un tradicionālo metožu integrēšanu, lai uzlabotu darbības efektivitāti, tādējādi palielinot ražu, vienlaikus samazinot ietekmi uz vidi.

Piemēram, globālās pozicionēšanas satelītu izmantošana palīdz precīzi nogādāt ķīmiskās vielas un mēslošanas līdzekļus tur, kur tie ir visvairāk nepieciešami.

Ali Mirzakhani Nafči, precīzās lauksaimniecības centra docents, minēja, ka skola strādā, lai palielinātu izmantošanu, izmantojot izglītību un pētniecību, lai padarītu tehnoloģiju praktiskāku lauksaimniekiem.

“"Esmu ļoti optimistisks, ka tas izdosies. Un mēs redzēsim pārmaiņas ne tikai Dienviddakotā, bet arī valstī un pasaulē," sacīja Nafiči.

Saskaņā ar ASV Lauksaimniecības departamenta pētījumu, Dienviddakotā ir viens no augstākajiem izmantošanas procentiem, kur 531TP3 tūkstoši lauksaimnieku izmanto precīzās lauksaimniecības tehnoloģijas.

Citās Vidusrietumu pavalstīs, piemēram, Ziemeļdakotā, Aiovā, Ilinoisā un Nebraskā, vairāk nekā puse lauksaimnieku izmanto precīzo lauksaimniecību, liecina SDSU Nesa Vadības un ekonomikas skolas veiktais pētījums.

Tomēr Nesa pētījumā atklāts, ka valstī tikai 271 TP3 T lauksaimnieku izmanto precīzās lauksaimniecības praksi kultūraugu vai mājlopu apsaimniekošanai.

Precīzās lauksaimniecības priekšrocības un ieviešanas izaicinājumi

Precīzās lauksaimniecības (precīzās ag) tehnoloģijas kļūst arvien populārākas lauksaimnieku vidū. Automātiskā stūrēšana mašīnās ir viena no plaši izmantotajām tehnoloģijām. Tā palīdz lauksaimniekiem vadīt savas mašīnas, to nedarot manuāli. Vēl viena svarīga tehnoloģija ir “ģeoreferencēšana”, kas ietver digitālu attēlu uzņemšanu, lai precīzi noteiktu atrašanās vietas.

Precīzās lauksaimniecības priekšrocības un ieviešanas izaicinājumi

Satelītattēli arī tiek plaši izmantoti, un saskaņā ar Ness pētījumu tos ir izmēģinājuši gandrīz 601 TP3 tūkstoši lauksaimnieku. Šī tehnoloģija ļauj lauksaimniekiem apskatīt savus laukus no augšas. Saskaņā ar Iekārtu ražotāju asociācijas pētījumu, pētījumi liecina, ka precīzās lauksaimniecības tehnoloģijas parasti palielina kultūraugu ražu par 41 TP3 tūkstošiem un uzlabo mēslojuma izvietošanas efektivitāti par 71 TP3 tūkstošiem. Turklāt precīzā lauksaimniecība samazina herbicīdu, pesticīdu, fosilā kurināmā un ūdens izmantošanu.

Tomēr, neskatoties uz ieguvumiem no ienesīguma un ražas uzlabošanas, tādi faktori kā izmaksas un vispārējo zināšanu trūkums par precīzo lauksaimniecību ir kavējuši daudzus lauksaimniekus izmantot šīs tehnoloģijas tik plaši, kā paredzēts.

Anna Karelsa, precīzās lauksaimniecības centra studente, atzīmēja, ka, lai gan uzsākšanai ir nepieciešami līdzekļi, ilgtermiņā tas galu galā ietaupa naudu.

“Es domāju, ka daudziem lauksaimniekiem ir grūti aptvert, ka, jā, tas var palielināt manas izmaksas sākumā, bet tas atmaksājas noteiktā gadu skaitā,” sacīja Karels.

Nafči minēja, ka sākotnējās likmes samazināšana stimulēs vairāk lauksaimnieku izmantot šo tehnoloģiju.

“Mainīgās devas piemērošanas sākotnējās izmaksas ir pārāk augstas,” sacīja Nafči. “Tāpēc iedomājieties, ja mēs saņemtu palīdzību. Varbūt kaut kā padarītu to lētāku vai samazinātu sākotnējās izmaksas, vai vienkārši sniegtu viņiem stimulu, ieguldījumu un lūgtu viņiem to vienkārši izmēģināt. Un tad viņi redzēs, ka ieguldījumu atdeve ir patiešām laba. Esmu ļoti optimistisks, ka viņi to izmantos.”

Ja sākotnējās izmaksas dažiem lauksaimniekiem ir pārāk augstas, ir pieejamas programmas, kas var palīdzēt. Saskaņā ar ASV Valdības atbildības biroja datiem, USDA un Nacionālais zinātnes fonds no 2017. līdz 2021. gadam precīzās lauksaimniecības pētniecībai un attīstībai ir piešķīruši gandrīz 1 TP4 200 miljonus dolāru.

Vēl viens iemesls zemajiem ieviešanas rādītājiem ir zināšanu trūkums par jaunajām tehnoloģijām. Taču Dienviddakotas lauksaimniekiem ir iespējas uzzināt vairāk.

“Tādi dīleru uzņēmumi kā John Deere organizē daudz semināru, kuros parāda lauksaimniekiem, kā to lietot,” sacīja Karels.

Raven precīzās lauksaimniecības centrs

Raven Precīzās lauksaimniecības centrs tika izveidots, lai palīdzētu studentiem praktiski apgūt precīzās lauksaimniecības pamatus.

Ēkā ir telpas, kas piepildītas ar aprīkojumu un precīzās lauksaimniecības produktiem, ko studenti izmanto praktiskām mācībām. Tā tika atvērta 2021. gada augustā, un tās izmaksas bija 1 TP4 Tirgum 46,2 miljoni, padarot to par pirmo precīzās lauksaimniecības programmu valstī.

Raven precīzās lauksaimniecības centrs

“Mēs vēlamies pacelt mūsu precīzās lauksaimniecības programmu nākamajā līmenī un uzlabot mūsu studentu pieredzi,” sacīja Muthukumarappans.

Katedrai ir jāturpina veikt izmaiņas, lai neatpaliktu no jaunajām tehnoloģijām. Pēc dažu studentu domām, šī ir viena no jomām, kurā programma varētu uzlaboties.

“Precīzās lauksaimniecības programma ir kaut kas tāds, kam būs pastāvīgi jāmainās, lai pielāgotos visām jaunajām tehnoloģijām, kas rodas. Un es domāju, ka varbūt SDSU varētu nedaudz labāk sekot līdzi tam,” sacīja Karels.

Pie šī jautājuma programma strādā.

Viena no izmaiņām ir pievienot vairāk specializētu studiju programmu, lai apkopotu vairāk datu par precīzo lauksaimniecību.

“Iepriekš mums bija viena recepte visiem studentiem, kas ir reģistrēti precīzās lauksaimniecības programmā, kas nozīmē, ka mēs apvienojam agronomiju un tehnoloģijas un padarām to par vienu stabilu programmu,” sacīja Muthukumarappan. “Tagad mēs to padarām lietotājam draudzīgāku. Un mums ir trīs dažādas programmas. Viena ir tehnoloģiju programma. Otra ir agronomijas programma. Un trešā ir datu programma, elektroniskie sitēji.”

“Pašlaik mūsu jaunā fakultāte strādā pie biosensoru un bezpilota transportlīdzekļu izstrādes,” sacīja Muthukumarappans.

Programmas mērķis ir veikt vairāk pētījumu, kas padarīs precīzās lauksaimniecības praksi praktiskāku lauksaimniekiem, kas savukārt varētu palielināt ieviešanas rādītājus.

Programmas mērķis ir palielināt studentu skaitu par 20% nākamo piecu gadu laikā, lai šo mērķi sasniegtu. SDSU misija ir vienkāršot šo tehnoloģiju un padarīt to praktiskāku lauksaimniekiem, sacīja Nafči.

Pašlaik programmā ir 66 studenti.

“Mums kā ēkai ir lieliski resursi. Tomēr mums nebija daudz mācībspēku resursu, cilvēkresursu, lai darītu lietas, piedāvātu lietas un veiktu pētniecības aktivitātes šajā jomā,” sacīja Muthukumarappan. “Pēdējo divu gadu laikā mums izdevās nolīgt trīs jaunus mācībspēkus, lai veiktu augstas klases pētniecības aktivitātes, piesaistītu vairāk pētniecības līdzekļu un palīdzētu mūsu pētniecības programmai augt.”

Avots: Dienviddakotas ziņu pulkstenis

wpChatIcon
wpChatIcon

    Pieprasīt bezmaksas GeoPard demonstrāciju / konsultāciju








    Noklikšķinot uz pogas, jūs piekrītat mūsu Privātuma politika. Mums tas ir nepieciešams, lai atbildētu uz jūsu pieprasījumu.

      Abonēt


      Noklikšķinot uz pogas, jūs piekrītat mūsu Privātuma politika

        Nosūtiet mums informāciju


        Noklikšķinot uz pogas, jūs piekrītat mūsu Privātuma politika

        Mēs izmantojam sīkdatnes, lai nodrošinātu jums vislabāko pārlūkošanas pieredzi, personalizētu vietnes saturu, analizētu tās datplūsmu un rādītu atbilstošas reklāmas.
        Skaties mūsu Privātuma politika lai uzzinātu vairāk.

        Pieņemt visus