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.

Kā uz YOLOv8 balstīta daudznezāļu noteikšana veicina kokvilnas precīzo lauksaimniecību?

Publicēts aprīlis 27, 2025 Muhammad Farjad

Kokvilnas audzēšana ir būtiska lauksaimniecības sastāvdaļa Amerikas Savienotajās Valstīs, kas sniedz ievērojamu ieguldījumu ekonomikā. Vien 2021. gadā lauksaimnieki novāca vairāk nekā 10 miljonus akru kokvilnas, saražojot vairāk nekā 18 miljonus ķīpu, kuru vērtība bija gandrīz

$7.5 bi ll i o n .$ Papildus finansiālām grūtībām pārmērīga herbicīdu lietošana rada bažas par vidi, piesārņojot augsni un ūdens avotus.

Lai risinātu šīs problēmas, pētnieki pievēršas precīzās lauksaimniecības tehnoloģijām — lauksaimniecības pieejai, kas izmanto uz datiem balstītus rīkus, lai optimizētu pārvaldību lauka līmenī. Viens no revolucionāriem risinājumiem ir YOLOv8 modelis — moderns mākslīgā intelekta rīks nezāļu noteikšanai reāllaikā.

Herbicīdu rezistences pieaugums un tā ietekme

Herbicīdiem izturīgu (HR) kokvilnas sēklu plaša ieviešana kopš 1996. gada ir mainījusi lauksaimniecības praksi. HR kultūras tiek ģenētiski modificētas, lai izdzīvotu specifisku herbicīdu iedarbībā, ļaujot lauksaimniekiem tieši izsmidzināt kultūraugus ar tādām ķīmiskām vielām kā glifosāts, tiem nekaitējot.

Līdz 2020. gadam 961 TP3 T ASV kokvilnas platību tika izmantotas HR šķirnes, radot atkarības no herbicīdiem ciklu. Sākotnēji šī pieeja bija efektīva, taču laika gaitā nezāles dabiskās atlases ceļā attīstīja rezistenci.

Mūsdienās pret herbicīdiem izturīgas nezāles inficē 70% ASV saimniecību, piespiežot lauksaimniekus izmantot par 30% vairāk ķimikāliju nekā pirms desmit gadiem. Piemēram, Palmer Amarants, ātri augoša nezāle ar augstu vairošanās ātrumu, var samazināt kokvilnas ražu par 79%, ja to neapkaro laikus.

Finansiālais slogs ir milzīgs: izturīgu nezāļu apkarošana lauksaimniekiem ik gadu izmaksā miljardus, savukārt herbicīdu notece piesārņo 41% saldūdens avotu lauksaimniecības zemju tuvumā. Šīs problēmas uzsver steidzamo nepieciešamību pēc inovatīviem risinājumiem, kas samazina atkarību no ķimikālijām, vienlaikus saglabājot kultūraugu produktivitāti.

Mašīnredze: ilgtspējīga alternatīva nezāļu apkarošanai

Reaģējot uz herbicīdu rezistences krīzi, pētnieki izstrādā mašīnredzes sistēmas — tehnoloģijas, kas apvieno kameras, sensorus un mākslīgā intelekta algoritmus —, lai precīzi noteiktu un klasificētu nezāles. Mašīnredze atdarina cilvēka vizuālo uztveri, bet ar lielāku ātrumu un precizitāti, nodrošinot automatizētu lēmumu pieņemšanu.

Šīs sistēmas ļauj veikt mērķtiecīgas intervences, piemēram, robotizētus nezāļu ravētājus, kas mehāniski noņem augus, vai viedos smidzinātājus, kas herbicīdus lieto tikai tur, kur nepieciešams. Agrīnās šo tehnoloģiju versijas cīnījās ar precizitāti, bieži vien kļūdaini identificējot kultūraugus kā nezāles vai nespējot noteikt mazus augus.

Tomēr sasniegumi dziļajā mācīšanās jomā — mašīnmācīšanās apakškopā, kas datu analīzei izmanto neironu tīklus ar vairākiem slāņiem — ir ievērojami uzlabojuši veiktspēju. Konvolucionālie neironu tīkli (CNN), dziļās mācīšanās modeļa veids, kas optimizēts attēlu analīzei, lieliski atpazīst vizuālo datu modeļus.

Modeļu saime “You Only Look Once” (YOLO), kas pazīstama ar savu ātrumu un precizitāti objektu noteikšanā, ir kļuvusi īpaši populāra lauksaimniecībā. Jaunākā versija YOLOv8 sasniedz vairāk nekā 90% precizitāti nezāļu noteikšanā, padarot to par revolucionāru precīzajā lauksaimniecībā.

CottonWeedDet12 datu kopa: panākumu pamats

Uzticamu mākslīgā intelekta modeļu apmācībai ir nepieciešami augstas kvalitātes dati, un CottonWeedDet12 datu kopa ir kritiski svarīgs resurss nezāļu noteikšanas pētījumiem. Datu kopa ir strukturēta datu kolekcija, ko izmanto mašīnmācīšanās modeļu apmācībai un testēšanai.

Šis datu kopums, kas apkopots no Misisipi štata universitātes pētniecības saimniecībām, ietver 5648 augstas izšķirtspējas kokvilnas lauku attēlus, kas anotēti ar 9370 ierobežojošiem lodziņiem, kas identificē 12 izplatītas nezāļu sugas. Ierobežojošie lodziņi ir taisnstūrveida rāmji, kas attēlos uzzīmēti ap interesējošiem objektiem (piemēram, nezālēm), nodrošinot precīzas atrašanās vietas mākslīgā intelekta modeļu apmācībai. Galvenās funkcijas ietver:

12 nezāļu klasesŪdenskaņepe (visbiežāk), ipomoeja, Palmeras amarants, plankumainais spurge un citi.
9370 ierobežojošo lodziņu anotācijasProfesionāli marķēts, izmantojot VGG attēlu anotatoru (VIA).
Dažādi apstākļiAttēli, kas uzņemti dažādos apgaismojumos (saulainā, apmācies laikā), augšanas stadijās un augsnes fonā.

Nezāles ir dažādas, sākot no ūdenskaņepēm (visbiežāk sastopamās) līdz pat ipomejai, palmeramarantai un plankumainajai spurgei. Lai nodrošinātu, ka datu kopa atspoguļo reālos apstākļus, attēli tika uzņemti dažādos apgaismojumos (saulainā, apmācies laikā) un dažādās augšanas stadijās.

Piemēram, dažas nezāles izskatās kā mazi stādiņi, bet citas ir pilnībā izaugušas. Turklāt datu kopā ir iekļauti dažādi augsnes foni un augu izkārtojumi, kas atdarina īstu kokvilnas lauku sarežģītību.

Pirms YOLOv8 modeļa apmācības pētnieki veica datu iepriekšēju apstrādi, lai uzlabotu tā robustumu. Priekšapstrāde ietver neapstrādātu datu modificēšanu, lai uzlabotu to piemērotību mākslīgā intelekta apmācībai. Tādas metodes kā mozaīkas augmentācija, kas apvieno četrus attēlus vienā, palīdzēja simulēt blīvas nezāļu populācijas.

Citas metodes, piemēram, nejauša mērogošana un apgriešana, sagatavoja modeli, lai apstrādātu augu lieluma un orientācijas variācijas.

Mērogošana (±50%), bīde (±30°) un apgriešana, lai atdarinātu reālās pasaules mainīgumu.

Vizualizācijas metode, ko sauc par t-SNE (t-Distributed Stochastic Neighbor Embedding) — mašīnmācīšanās algoritms, kas samazina datu dimensijas, lai izveidotu vizuālus klasterus — atklāja atšķirīgas grupas katrai nezāļu klasei, apstiprinot datu kopas piemērotību apmācības modeļiem, lai atpazītu smalkas atšķirības starp sugām.

YOLOv8: Tehniskās inovācijas un arhitektūras sasniegumi

YOLOv8 balstās uz iepriekšējo YOLO modeļu panākumiem, izmantojot arhitektūras uzlabojumus, kas pielāgoti lauksaimniecības lietojumprogrammām. Tā pamatā ir CSPDarknet53 — neironu tīkla mugurkauls, kas paredzēts hierarhisku pazīmju iegūšanai no attēliem. Neironu tīkla mugurkauls ir modeļa galvenā sastāvdaļa, kas atbild par ievades datu apstrādi un atbilstošo pazīmju iegūšanu.

CSPDarknet53 izmanto Cross Stage Partial (CSP) savienojumus — dizainu, kas sadala tīkla funkciju kartes divās daļās, apstrādā tās atsevišķi un vēlāk apvieno —, lai uzlabotu gradienta plūsmu apmācības laikā.

Gradienta plūsma attiecas uz to, cik efektīvi neironu tīkls atjaunina savus parametrus, lai samazinātu kļūdas, un tā uzlabošana nodrošina modeļa efektīvu mācīšanos. Arhitektūra integrē arī iezīmju piramīdas tīklu (FPN) un ceļu apkopošanas tīklu (PAN), kas darbojas kopā, lai atklātu nezāles vairākos mērogos.

FPNAtklāj vairāku mērogu objektus (piemēram, mazus stādus salīdzinājumā ar pieaugušām nezālēm).
PANUzlabo lokalizācijas precizitāti, apvienojot funkcijas dažādos tīkla slāņos.

FPN ir struktūra, kas apvieno augstas izšķirtspējas pazīmes (mazu objektu noteikšanai) ar semantiski bagātīgām pazīmēm (lielu objektu atpazīšanai), savukārt PAN uzlabo lokalizācijas precizitāti, apvienojot pazīmes dažādos tīkla slāņos. Piemēram, FPN identificē mazus stādus, savukārt PAN precizē nobriedušu nezāļu lokalizāciju.

Atšķirībā no vecākiem modeļiem, kas balstās uz iepriekš definētām enkuru kastēm — iepriekš iestatītām ierobežojošo kastīšu formām, ko izmanto objektu atrašanās vietu paredzēšanai —, YOLOv8 izmanto noteikšanas galviņas bez enkuriem. Šīs galviņas tieši paredz objektu centrus, novēršot sarežģītus aprēķinus un samazinot kļūdaini pozitīvus rezultātus.

Šis jauninājums ne tikai palielina precizitāti, bet arī paātrina apstrādi, YOLOv8 analizējot attēlu tikai 6,3 milisekundēs, izmantojot NVIDIA T4 GPU — augstas veiktspējas grafikas procesoru, kas optimizēts mākslīgā intelekta uzdevumiem.

Modeļa zudumu funkcija — matemātiska formula, kas mēra, cik labi modeļa prognozes atbilst faktiskajiem datiem — apvieno CloU zudumus ierobežojošā lodziņa precizitātei, krustentropijas zudumus klasifikācijai un sadalījuma fokālos zudumus, lai apstrādātu nelīdzsvarotus datus. CloU (pilnīga krustošanās pār savienību) zudumi uzlabo ierobežojošā lodziņa izlīdzināšanu, ņemot vērā pārklāšanās laukumu, centra attālumu un malu attiecību starp prognozētajām un faktiskajām lodziņiem.

Matemātiski, kopējie zaudējumi ir: $L (θ) = 7.5 \cdot L_{kaste} + 0.5 \cdot L_{klases} + 0.375 \cdot L_{dfl} + Regularizācija$

Krustentropijas zudums novērtē klasifikācijas precizitāti, salīdzinot prognozētās varbūtības ar patiesajām etiķetēm, savukārt sadalījuma fokālais zudums novērš klases nelīdzsvarotību, vairāk sodot modeli par retu nezāļu nepareizu klasificēšanu.

Salīdzinot ar iepriekšējām YOLO versijām, YOLOv8 pārspēj tās visas. Piemēram, YOLOv4 sasniedza vidējo precizitāti (mAP) 95,22% pie 50% ierobežojošā lodziņa pārklāšanās, savukārt YOLOv8 sasniedza 96,10%. mAP ir rādītājs, kas aprēķina vidējo precizitātes rādītāju visās kategorijās, un augstākas vērtības norāda uz labāku noteikšanas precizitāti.

Līdzīgi YOLOv8 mAP vairākos pārklāšanās sliekšņos (no 0,5 līdz 0,95) bija 93,20%, pārspējot YOLOv4 89,48%. Šie uzlabojumi padara YOLOv8 par precīzāko un efektīvāko modeli nezāļu noteikšanai kokvilnas laukos.

Modeļa apmācība: metodoloģija un rezultāti

Lai apmācītu YOLOv8, pētnieki izmantoja pārneses mācīšanos — metodi, kurā iepriekš apmācīts modelis (kas jau ir apmācīts lielā datu kopā) tiek precīzi pielāgots jauniem datiem. Pārneses mācīšanās samazina apmācības laiku un uzlabo precizitāti, izmantojot iepriekšējos uzdevumos iegūtās zināšanas.

Modelis apstrādāja attēlus 32 attēlu partijās, izmantojot AdamW optimizētāju — Adam optimizācijas algoritma variantu, kas ietver svara samazinājumu, lai novērstu pārmērīgu pielāgošanu — ar mācīšanās ātrumu 0,001.

Vairāk nekā 100 epohu (apmācības ciklu) laikā modelis iemācījās atšķirt nezāles no kokvilnas augiem ar ievērojamu precizitāti. Datu papildināšanas stratēģijas, piemēram, attēlu nejauša apgriešana un to spilgtuma pielāgošana, nodrošināja, ka modelis spēja apstrādāt reālās pasaules mainīgumu.

Rezultāti bija iespaidīgi. Pirmajās 20 epohās modelis sasniedza precizitāti, kas pārsniedza 90%, demonstrējot ātru mācīšanos. Apmācības beigās YOLOv8 noteica lielas nezāles ar precizitāti 94,40%.

Tomēr mazāku nezāļu izpēte izrādījās sarežģītāka, un precizitāte samazinājās līdz 11,90%. Šī neatbilstība izriet no datu kopas nelīdzsvarotības: lielas nezāles bija pārstāvētas pārāk daudz, savukārt mazi stādi bija reti sastopami. Neskatoties uz šo ierobežojumu, YOLOv8 kopējais sniegums ir ievērojams solis uz priekšu.

Izaicinājumi un nākotnes virzieni

Lai gan YOLOv8 ir ļoti daudzsološs, joprojām pastāv izaicinājumi. Mazu nezāļu atklāšana ir ļoti svarīga agrīnai iejaukšanās brīdim, jo stādus ir vieglāk kopt.

Lai risinātu šo problēmu, pētnieki ierosina izmantot ģeneratīvus konkurējošus tīklus (GAN) — mākslīgā intelekta modeļu klasi, kurā divi neironu tīkli (ģenerators un diskriminators) konkurē, lai radītu reālistiskus sintētiskus datus —, lai ģenerētu mākslīgus mazu nezāļu attēlus, līdzsvarojot datu kopu.

Vēl viens risinājums ietver multispektrālās attēlveidošanas integrēšanu, kas uztver datus ārpus redzamās gaismas (piemēram, tuvā infrasarkanā starojuma), lai uzlabotu kontrastu starp kultūraugiem un nezālēm. Tuvā infrasarkanā starojuma sensori nosaka hlorofila saturu, padarot augus spilgtākus un vieglāk atšķiramus no augsnes.

Nākotnes YOLO versijas, piemēram, YOLOv9 un YOLOv10, varētu vēl vairāk uzlabot precizitāti. Paredzams, ka šajos modeļos tiks iekļauti transformatoru slāņi — neironu tīkla arhitektūras veids, kas apstrādā datus paralēli, efektīvāk uztverot tāla darbības rādiusa atkarības nekā tradicionālie CNN — un dinamiskas funkciju piramīdas, kas pielāgojas objektu izmēriem. Šādi uzlabojumi varētu palīdzēt uzticamāk atklāt mazas nezāles.

Lauksaimniekiem nākamais solis ir lauka testēšana. Ar YOLOv8 un kamerām aprīkoti autonomi nezāļu smidzinātāji varētu pārvietoties pa kokvilnas rindām, mehāniski noņemot nezāles. Līdzīgi droni ar mākslīgā intelekta darbināmus smidzinātājus varētu precīzi mērķēt uz herbicīdiem, samazinot ķīmisko vielu lietošanu līdz pat 90%.

Šīs tehnoloģijas ne tikai samazina izmaksas, bet arī aizsargā ekosistēmas, saskaņojot tās ar ilgtspējīgas lauksaimniecības mērķiem — lauksaimniecības filozofiju, kas prioritāti piešķir vides veselībai, ekonomiskajai rentabilitātei un sociālajai vienlīdzībai.

Secinājums

Herbicīdiem izturīgu nezāļu skaita pieaugums ir piespiedis lauksaimniecību ieviest jauninājumus, un YOLOv8 ir izrāviens precīzā nezāļu apkarošanā. Sasniedzot 96.10% precizitāti reāllaika noteikšanā, šis modelis dod iespēju lauksaimniekiem samazināt herbicīdu lietošanu, samazināt izmaksas un aizsargāt vidi.

Lai gan joprojām pastāv tādas problēmas kā mazu nezāļu atklāšana, nepārtrauktā mākslīgā intelekta un sensoru tehnoloģiju attīstība piedāvā risinājumus. Šiem rīkiem attīstoties, tie sola pārveidot kokvilnas audzēšanu par ilgtspējīgāku un efektīvāku praksi. Turpmākajos gados YOLOv8 integrēšana autonomās sistēmās varētu revolucionizēt lauksaimniecību.

Lauksaimnieki var paļauties uz viedajiem robotiem un droniem nezāļu apkarošanā, atbrīvojot laiku un resursus citiem uzdevumiem. Šī pāreja uz datu vadītu lauksaimniecību ne tikai aizsargā ražu, bet arī nodrošina veselīgāku planētu nākamajām paaudzēm. Izmantojot tādas tehnoloģijas kā YOLOv8, lauksaimniecības nozare var pārvarēt herbicīdu rezistences problēmas un bruģēt ceļu zaļākai un produktīvākai nākotnei.

AtsauceKhan, AT, Jensen, SM un Khan, AR (2025). Precīzās lauksaimniecības attīstība: YOLOv8 salīdzinošā analīze daudzklases nezāļu noteikšanai kokvilnas audzēšanā. Artificial Intelligence in Agriculture, 15, 182–191. https://doi.org/10.1016/j.aiia.2025.01.013

Sojas proteīna prakšu optimizācija augstākai uzturvielu efektivitātei putnu piegādes ķēdēs

Publicēts aprīlis 12, 2025 Muhammad Farjad

ASV sojas pupiņu nozare atrodas krustcelēs, iesprostota starp izejvielu ražošanas ekonomiku un neizmantoto pievienotās vērtības sojas proteīna produktu potenciālu.

Lai gan globālais sojas pupiņu miltu tirgus turpina augt — tiek prognozēts, ka līdz 2034. gadam tas sasniegs 1 TP4T157,8 miljardus —, tradicionālo sojas pupiņu miltu pārprodukcija ir pazeminājusi cenas, radot sistēmisku šķērsli uzturvērtības ziņā augstvērtīgu, augstas efektivitātes sojas proteīna koncentrātu ieviešanai.

Šie pievienotās vērtības produkti, kas pierādīti uzlabo barības konversijas koeficientus (FCR) mājputniem līdz pat 5%, piedāvā ievērojamus ekonomiskus un ilgtspējības ieguvumus, tomēr tiem ir grūti konkurēt tirgū, kas strukturēts uz vairumtirdzniecības preču tirdzniecību.

Tomēr galvenais izaicinājums ir piegādes ķēdes stimulu pārveidošana, lai pievienotās vērtības sojas proteīns būtu ekonomiski dzīvotspējīgs lauksaimniekiem, pārstrādātājiem un mājputnu ražotājiem. Tikmēr tehnoloģijām ir izšķiroša loma šajā pārejā.

Precīzās lauksaimniecības rīki, piemēram, GeoPard olbaltumvielu analīzes un slāpekļa izmantošanas efektivitātes (NUE) moduļi, ļauj lauksaimniekiem optimizēt ražas kvalitāti, vienlaikus precīzi izpildot mājputnu barības uztura prasības.

Ievads sojas proteīnā ar pievienoto vērtību

Laikmetā, kad ilgtspējība un efektivitāte pārveido globālo lauksaimniecību, sojas proteīna produkti ar pievienoto vērtību ir parādījušies kā pārveidojošs risinājums mājputnu ražošanai. Tā kā tiek prognozēts, ka globālais mājputnu gaļas pieprasījums no 2024. līdz 2030. gadam pieaugs ar 4,3% salikto gada pieauguma tempu (CAGR), barības efektivitātes optimizēšana ir kļuvusi ārkārtīgi svarīga.

Parastās sojas pupiņu milti, kas ir eļļas ieguves blakusprodukts un satur 45–48% proteīnu, arvien vairāk tiek aizstāti ar modernām alternatīvām, piemēram, sojas proteīna koncentrātiem (SPC) un modificētiem sojas proteīna koncentrātiem (MSPC).

Šie pievienotās vērtības produkti tiek pakļauti specializētai apstrādei, piemēram, mazgāšanai ar ūdens spirtu vai fermentatīvai apstrādei, lai sasniegtu olbaltumvielu līmeni 60–70%, vienlaikus likvidējot tādus uzturvērtības faktorus kā oligosaharīdi.

Jaunākie jauninājumi, tostarp jauni enzīmu maisījumi (piemēram, proteāzes-lipāzes kombinācijas), tagad samazina apstrādes izmaksas par 15–20%, vienlaikus uzlabojot olbaltumvielu šķīdību.

Un tādi uzņēmumi kā Novozymes izmanto mašīnmācīšanos, lai pielāgotu fermentu apstrādi konkrētiem mājputnu augšanas posmiem, maksimāli palielinot barības vielu uzsūkšanos un uzlabojot sagremojamību un aminoskābju pieejamību. Pievienotās vērtības sojas proteīna mājputnu barības ieguvumi ir revolucionāri:

1. Uzlabots barības konversijas koeficients (FCR):

FCR, kas mēra, cik efektīvi mājlopi pārvērš barību ķermeņa masā, ir kritiski svarīgs rentabilitātei un ilgtspējībai.

Pētījumi liecina, ka, aizstājot parasto sojas miltu 10% ar MSPC, FCR samazinās no 1,566 līdz 1,488. 5% uzlabojums—tas nozīmē, ka ir nepieciešams mazāk barības, lai saražotu tādu pašu gaļas daudzumu. Tas nozīmē zemākas izmaksas un mazāku ietekmi uz vidi.

2. Ilgtspējības ieguvumi:

Uzlabota barības krājumu samazināšana (FCR) samazina zemes, ūdens un enerģijas patēriņu uz vienu saražoto mājputnu kilogramu. Piemēram, 5% FCR uzlabojums vidēja lieluma ASV mājputnu fermā (kas katru gadu ražo 1 miljonu putnu) varētu ietaupīt ~750 tonnas barības gadā.

Papildus izmaksu ietaupījumiem ir ievērojams ieguvums videi: 5% FCR uzlabojums ietaupa 1200 akrus sojas pupiņu audzēšanas gadā katrā saimniecībā, mazinot spiedienu uz zemes izmantošanu un mežu izciršanu.

3. Ieguvumi dzīvnieku veselībai:

Dzīvnieku veselības rezultāti vēl vairāk apstiprina argumentus par labu sojas pupiņām ar pievienoto vērtību. Pētījumi Brazīlijā (2023. gadā) atklāja, ka ar MSPC barotiem broileriem zarnās bija zemāks 30% enterobaktēriju daudzums, kas uzrādīja spēcīgāku imunitāti, samazinot caurejas sastopamību un atkarību no antibiotikām, kas ir būtiska priekšrocība, jo tādi reģioni kā ES pastiprina noteikumus par lopkopības antimikrobiālajiem līdzekļiem.

Eiropas saimniecības, kas izmanto MSPC, ziņoja par 22% profilaktiskās antibiotiku lietošanas samazinājumu 2024. gadā, kas atbilst patērētāju prasībām pēc drošākas un ilgtspējīgākas gaļas ražošanas.

Sojas proteīns ar pievienoto vērtību Tirgus dinamika un izaicinājumi

Neskatoties uz šīm priekšrocībām, sojas produkti ar pievienoto vērtību saskaras ar spēcīgiem trūkumiem tirgū, kurā dominē lēta, komercializēta sojas milti. ASV sojas miltu tirgus vērtība 2024. gadā tika novērtēta $98,6 miljardu ASV dolāru apmērā, un tiek prognozēts, ka tas pieaugs par 4,8% salikto gada pieauguma tempu līdz $157,8 miljardiem ASV dolāru līdz 2034. gadam.

Tomēr šo izaugsmi veicina pārprodukcijas dinamika un uz izmaksām orientēta nozare, kas pazemina cenas un kavē inovācijas.

Globālā sojas miltu ražošana 2024. gadā sasniedza rekordaugstu līmeni – 250 miljonus tonnu, ko veicināja straujā ražas pieaugums ASV un Brazīlijā.
Cenas 2023. gadā strauji kritās līdz $313/tonnā (USDA), padarot parasto miltu miltus neatvairāmi lētus mājputnu ražotājiem, kuriem ir svarīgas izmaksas.
Tradicionālās sojas pupiņu milti, kas veido vairāk nekā 651 TP3 t no ASV dzīvnieku barības sastāvdaļām, joprojām ir noklusējuma izvēle, neskatoties uz to uzturvērtības ierobežojumiem.

1. Pārmērīgas piegādes problēma

ASV sojas miltu tirgus ir iestrēdzis pārprodukcijas un neizmantotu iespēju paradoksa stāvoklī. Neskatoties uz to, ka 2023. gadā tika saražoti rekordlieli 47,7 miljoni metrisko tonnu (MMT) sojas miltu, kas ir par 4% vairāk nekā 2022. gadā, cenas joprojām ir zemas, vidēji $350–380/MT, kas joprojām ir par 20% zemāk nekā pirms 2020. gada. Šis pārpalikums rodas divu galveno iemeslu dēļ:

i). Paplašināta sadzīves drupināšanaŠis pārprodukcijas iemesls ir agresīva vietējā sojas pupiņu eļļas pieprasījums (pieaugums par 121 TP3 t salīdzinājumā ar iepriekšējo gadu biodegvielas un pārtikas pārstrādes jomā), kas pārpludina tirgu ar miltu blakusproduktiem. Krājumi, lai gan nedaudz samazinājušies līdz 8,5 miljoniem tonnu 2023. gadā no 10,8 miljoniem 2021. gadā, joprojām ir par 301 TP3 t virs desmitgades vidējā rādītāja.

ii). Eksporta konkurence: Tikmēr globālie konkurenti, piemēram, Brazīlija un Argentīna, saasina nelīdzsvarotību: Brazīlijas 2023./2024. gada sojas pupiņu raža sasniedza 155 miljonus tonnas, un miltu eksporta cenas bija par 10–151 TP3 T zemākas nekā ASV ekvivalents zemāku ražošanas izmaksu dēļ, savukārt Argentīnas miltu eksports pēc sausuma atjaunojās par 401 TP3 T līdz 28 miljoniem tonnas, pastiprinot cenu spiedienu.

Sojas proteīna produktiem ar pievienoto vērtību šis pārprodukcijas apjoms ir divvirzienu zobens. Lai gan parastās sojas pupiņu milti kļūst lētāki, pārstrādes izmaksas tādiem pievienotās vērtības variantiem kā sojas proteīna koncentrāts (SPC) joprojām ir nemainīgi augstas.

2. Strukturālās barjeras

Papildus cikliskajam pārprodukcijas trūkumam, sistēmiski trūkumi ASV lauksaimniecības regulējumā kavē inovācijas sojas produktu ar pievienoto vērtību jomā. Šie šķēršļi ir iesakņojušies politikā, tirgus struktūrās un kultūras praksē, radot pašpastiprinošu ciklu, kurā apjoms tiek vērtēts augstāk par uzturvērtību.

i). Novecojuši USDA šķirošanas standarti

ASV Lauksaimniecības departamenta (USDA) sojas pupiņu klasifikācijas sistēma, kas pēdējo reizi atjaunināta 1994. gadā, joprojām ir koncentrēta uz fizikālām īpašībām, piemēram, testa svaru (vismaz 56 mārciņas/bušelis #1 pakāpei) un mitruma saturu, vienlaikus ignorējot tādus uzturvērtības rādītājus kā olbaltumvielu koncentrācija vai aminoskābju līdzsvars.

Saskaņā ar 2024. gada Apvienotās Sojas pupiņu padomes analīzi, bez uz olbaltumvielām balstītas cenu noteikšanas ASV lauksaimnieki ik gadu zaudē 1,2–1,8 miljardus potenciālo prēmiju veidā. Šai neatbilstībai ir reālas sekas:

Olbaltumvielu mainīgumsASV sojas pupiņu vidējais olbaltumvielu saturs ir 35–38%, bet jaunākas šķirnes (piemēram, Pioneer XF53-15) var sasniegt 42–45% — šī atšķirība izzūd izejvielu tirgos, kur visu sojas pupiņu cena ir vienāda.
Lauksaimnieku atturēšanas faktori2023. gada Purdue universitātes pētījumā tika atklāts, ka 681 TP3T sojas pupiņu audzētāju Vidējos Rietumos pieņemtu šķirnes ar augstu olbaltumvielu saturu, ja pastāvētu piemaksas. Pašlaik to dara tikai 121 TP3T, minot tirgus atlīdzības trūkumu.
Globālais kontrastsES kopējā lauksaimniecības politika (KLP) katru gadu (2023.–2027. gadā) piešķir 58,7 miljardus eiro, no kuriem 15% ir saistīti ar ilgtspējības un kvalitātes kritērijiem. Piemēram, Nīderlandes lauksaimnieki saņem subsīdijas par sojas pupiņām ar olbaltumvielu saturu virs 40%, kas veicina barības vielām bagātu kultūraugu audzēšanu.

ii). Preču slazds

Sojas pupiņu milti tiek tirgoti kā beramkravu prece, un lopbarības dzirnavas un mājputnu integratori prioritāri izvirza izmaksas par tonnu, nevis izmaksas par gramu sagremojamā proteīna. Šo domāšanas veidu pastiprina:

LīgumsaimniecībaIlgtermiņa līgumi starp mājputnu gigantiem un barības piegādātājiem bieži vien paredz lētas, standartizētas miltu specifikācijas.
Caurspīdīguma trūkumsBez standartizēta uztura marķējuma pircēji nevar viegli salīdzināt olbaltumvielu kvalitāti starp piegādātājiem.

2023. gada Nacionālās vistu padomes ziņojumā atklāts, ka 831 TP3T ASV broileru produkcijas regulē līgumi, kas nosaka “zemākās izmaksas” barības formulas. Piemēram, Tyson Foods 2022. gadā ietaupīja 1 TP4T120 miljonus ASV dolāru gadā, pārejot uz ģenēriskiem sojas miltiem, neskatoties uz 4,8% FCR pasliktināšanos mājputnu ganāmpulkos.

Turklāt, ņemot vērā sojas pupiņu miltu cenas 380–400 USD/tonna (2024. gada jūlijā), pat 1 TP4 T50/tonna piemaksa par augsta proteīna satura koncentrātiem padara tos neizdevīgus izmaksu vadītiem pircējiem.

Kāds Aiovas štata lopbarības rūpnīcas vadītājs atzīmēja:

“Mūsu klientiem rūp izmaksas par tonnu, nevis izmaksas par gramu olbaltumvielu. Kamēr tas nemainīsies, augstākās kvalitātes produkti neiegūs popularitāti.”

Tikmēr saskaņā ar Starptautiskās lopbarības nozares federācijas 2024. gada aptauju tikai 22% ASV sojas miltu pārdevēju atklāj olbaltumvielu sagremojamības rādītājus (PDIAAS), salīdzinot ar 89% ES.

2023. gadā Arkanzasas Universitātē veikts pētījums parādīja, ka mājputnu fermas, kas izmanto 60% sojas proteīna koncentrātu, sasniedza 1,45 FCR salīdzinājumā ar 1,62 standarta miltiem, taču bez marķējuma pircēji nevar pārbaudīt apgalvojumus. Turklāt Nacionālās eļļas sēklu pārstrādātāju asociācijas (NOPA) pētījumā tika atklāts, ka 87% ASV sojas pupiņu audzētāju audzētu šķirnes ar augstu olbaltumvielu saturu, ja šķirošanas standarti viņus atalgotu.

Tikmēr barības izmēģinājumi Brazīlijā liecina, ka mājputnu fermas, kas izmanto augstākās kvalitātes sojas proteīnus, pateicoties uzlabotai barības reģenerācijai (FCR), ietaupa barības izmaksas par $1,50/tonnu, kas ir pamats izmaksu un ieguvumu analīžu atkārtotai kalibrēšanai visā nozarē. Tas rada apburto loku:

Lauksaimnieki dod priekšroku augstražīgām, zema proteīna satura sojas pupiņām, lai maksimāli palielinātu bušeļu ražu uz akru.
Pārstrādātāji koncentrējas uz apjoma virzītu drupināšanu, nevis uz nišas pievienotās vērtības līnijām.
Mājputnu ražotāji izvēlas lētāku miltu maisījumu, tādējādi paļaujoties uz neefektīvu barību.

Lai pārtrauktu šo ciklu, ir jānojauc strukturālās barjeras — izaicinājums, kas prasa politikas reformas, tirgus pārkvalifikāciju un tehnoloģiskas inovācijas.

Stratēģijas sojas proteīna ar pievienoto vērtību stimulēšanas pārveidošanai

Lai ASV sojas pupiņu tirgu pārvirzītu uz ražošanu ar augstu olbaltumvielu saturu un pievienoto vērtību, ir nepieciešama daudzu ieinteresēto personu stimulēšanas sistēma. Tālāk ir sniegtas pārbaudītas stratēģijas, kas pamatotas ar 2024. gada tirgus datiem, politikas atziņām un tehnoloģiskām inovācijām, lai veicinātu augstākās kvalitātes sojas proteīna ieviešanu mājputnu barībā.

1. Kvalitātes vērtēšanas sistēmas

ASV Lauksaimniecības departamenta Federālā graudu inspekcijas dienesta (FGIS) vērtēšanas sistēma joprojām ir balstīta uz fizikālām īpašībām, piemēram, testa svaru (vismaz 54 mārciņas/bušelis) un svešķermeņu ierobežojumiem (≤1%), neņemot vērā uzturvērtību. Lai stimulētu sojas olbaltumvielu pievienošanu, reformām ir jāpiešķir prioritāte uzturvērtībai:

a. Olbaltumvielu satursPašreizējās ASV sojas pupiņu vidējā olbaltumvielu koncentrācija ir 35–40%, savukārt augstas vērtības šķirnēm (piemēram, Prolina®) tā ir 45–48%. Palielinot olbaltumvielu saturu par 1%, sojas pupiņu miltu vērtība var palielināties par $2-$ 4/tonna, pārvēršot uz $20-$ 40 miljoni gadā ASV lauksaimniekiem (USDA-ERS, 2023).

b. Aminoskābju profiliLizīns un metionīns ir kritiski svarīgi mājputnu barības vielu reģenerācijai (FCR). Mūsdienu hibrīdi, piemēram, Pioneer® A sērijas sojas pupas, piedāvā par 10–15% lielāku lizīna saturu. Pētījumi liecina, ka diētas ar optimizētām aminoskābēm uzlabo broileru barības vielu reģenerāciju (FCR) par 3–5% (Ilinoisas Universitāte, 2023).

c. Gremošanas spējaStandartizētas metodes, piemēram, in vitro ileālās sagremojamības testi (IVID), iegūst popularitāti. Piemēram, sojas proteīna koncentrāta (SPC) sagremojamība ir 85–90%, salīdzinot ar 75–80%, ko iegūst parastā miltu veidā (Journal of Animal Science, 2024).

2013. gadā Brazīlija pārstrukturēja nodokļu atlaides, dodot priekšroku sojas miltu un eļļas eksportam, nevis neapstrādātu pupiņu eksportam, divu gadu laikā palielinot pievienotās vērtības eksportu par 221 TP3 T. ASV varētu to atkārtot, piemērojot nodokļu atlaides lauksaimniekiem, kas audzē soju ar augstu olbaltumvielu saturu, un tiek lēsts, ka tas palielinās ražotāju peļņas normu par 50–70 USD/akru.

2. Tehnoloģiskie veicinātāji: GeoPard precīzijas instrumenti

GeoPard lauksaimniecības programmatūra piedāvā reāllaika olbaltumvielu analīzes moduļus, izmantojot hiperspektrālo attēlveidošanu un mašīnmācīšanos, lai kartētu olbaltumvielu mainīgumu dažādos laukos. Hiperspektrālie sensori analizē kultūraugu vainaga atstarošanos, lai prognozētu olbaltumvielu saturu ar 95% precizitāti.

2023. gada Ilinoisas izmēģinājuma projektā lauksaimnieki, kas izmantoja GeoPard atziņas, palielināja olbaltumvielu ražu par 8%, optimizējot stādīšanas blīvumu un slāpekļa iestrādes laiku.
Nebraskas kooperatīvs 2024. gadā sasniedza 12% augstāka proteīna satura sojas pupiņu ražu, integrējot GeoPard zonējuma kartes ar mainīgas sējas normas (GeoPard gadījuma izpēte).
Turklāt GeoPard NUE algoritmi samazināja slāpekļa atkritumus par 20% 2024. gada Aiovas izmēģinājuma projektā, vienlaikus saglabājot olbaltumvielu līmeni. Tas atbilst USDA mērķim līdz 2030. gadam samazināt ar lauksaimniecību saistīto slāpekļa noteci par 30%.

ASV sojas pupiņu šķirošanas pārveidošana, pamatojoties uz uzturvērtības rādītājiem, ko atbalsta GeoPard precīzijas rīki un globālie politikas modeļi, līdz 2030. gadam varētu nodrošināt 500–700 miljonus pievienotās vērtības ieņēmumu gadā.

Saskaņojot stimulus ar mājputnu nozares vajadzībām, lauksaimnieki iegūst augstākas cenas, pārstrādātāji nodrošina kvalitatīvus izejmateriālus, un vide gūst labumu no efektīvas resursu izmantošanas. Ir pienācis laiks sojas šķirošanas revolūcijai, kas koncentrējas uz olbaltumvielām.

3. Sertifikācija un premium tirgi

ASV sojas tirgū trūkst standartizētas uzturvērtības sertifikācijas, neskatoties uz mājputnu ražotāju nepārprotamo pieprasījumu pēc olbaltumvielām bagātākas, viegli sagremojamas sojas miltu miltiem. Lai gan USDA bioloģiskās un bez ĢMO projekta verificētās etiķetes attiecas uz ražošanas metodēm, “Augsta proteīna sojas” sertifikācija varētu aizpildīt šo robu, nodrošinot:

Minimālais olbaltumvielu daudzums (≥45% neapstrādāts proteīns, ar augstākām pakāpēm ≥50%).
Aminoskābju profili (lizīns ≥2,8%, metionīns ≥0,7%), lai atbilstu mājputnu barības formulām.
Ilgtspējības kritēriji (slāpekļa izmantošanas efektivitāte ≥60%, pārbaudīta, izmantojot tādus rīkus kā GeoPard).

2024. gadā ES piešķīra 185,9 miljonus eiro ilgtspējīgu lauksaimniecības pārtikas produktu popularizēšanai, uzsverot olbaltumvielām bagātu kultūraugu audzēšanu, lai samazinātu atkarību no importētas sojas (Eiropas KomisijaLīdzīgi ASV varētu novirzīt Lauksaimniecības likuma līdzekļus sertificētas augsta proteīna satura sojas mārketinga kampaņām, mērķējot uz mājputnu integratoriem, piemēram, Tyson Foods un Pilgrim's Pride. Sertifikāti jau tagad veicina prēmijas:

Sertificētām ĢMO nesaturošām sojas pupiņām jau ir piešķirts $2-$ 4 par bušeli piemaksa (ASV Lauksaimniecības departamenta AMS, 2023. gads).
Etiķete “Augsts olbaltumvielu saturs” varētu pievienot vēl vienu $1,50-$ 3 premium, kas stimulē lauksaimniekus ieviest precīzās lauksaimniecības rīkus, piemēram, GeoPard.

4. Valdības un politikas sviras

ASV Lauksaimniecības departamenta (USDA) pievienotās vērtības ražotāju grantu (VAPG) programma ir būtisks instruments augstas vērtības sojas proteīna ražošanas stimulēšanai. 2024. gadā tika piešķirti 1 TP4 TI31 miljons, un granti piedāvāja:

Līdz $250 000 priekšizpētei un apgrozāmajiem līdzekļiem.
Līdz $75 000 biznesa plānošanai (USDA Lauksaimniecības departamenta Lauksaimniecības attīstības departaments, 2024. gads).

Piemēram, Misūri štata lauksaimnieku kooperatīvs 2023. gadā saņēma $200 000 VAPG grantu sojas proteīna koncentrāta (SPC) pārstrādes rūpnīcas izveidei. Pārejot no sojas pupiņu miltiem uz SPC (65% proteīns pret 48%), vietējās mājputnu fermas ziņoja:

12% barības izmaksu samazinājums uzlabotā FCR dēļ (1,50 → 1,35).
Par 18% augstākas peļņas normas uz vienu putnu.

Tikmēr 2023. gada Lauksaimniecības likumprojektā tika paredzēti 1 TP4 T3 miljardi klimata ziņā viedām precēm, radot tiešu ceļu subsidēšanai:

Precīza slāpekļa pārvaldība (izmantojot GeoPard NUE moduļus)
Augsta proteīna satura sojas audzēšana (augsts proteīna saturs >50%)

Novatoriska 2024. gada iniciatīva, kurā piedalījās 200 Aiovas štata saimniecības, demonstrēja GeoPard precīzās lauksaimniecības rīku integrēšanas sojas pupiņu ražošanā transformācijas potenciālu. Ieviešot uzņēmuma olbaltumvielu kartēšanu un slāpekļa izmantošanas efektivitātes (NUE) analīzi, iesaistītie lauksaimnieki sasniedza ievērojamus rezultātus, kas uzsver pievienotās vērtības sojas pupiņu ražošanas ekonomisko dzīvotspēju:

$78/akrs ietaupījums uz mēslojuma izmaksām
6,2% augstāks olbaltumvielu saturs sojas pupiņās (salīdzinājumā ar reģionālo vidējo rādītāju)
$2,50/bušela piemaksa no mājputnu barības pircējiem (Aiovas Sojas pupiņu asociācijas ziņojums, 2024. g.)

ES KLP ekoshēmas lauksaimniekiem maksā 120 eiro/ha par proteīnaugu audzēšanu. ASV varētu to atkārtot, izmantojot Lauksaimniecības likumprojekta “Proteīnaugu stimulēšanas programmu”. Turklāt Brazīlijas 2024. gada nodokļu reforma tagad piedāvā 8% eksporta nodokļu atlaides sojas olbaltumvielām (salīdzinājumā ar 12% neapstrādātām pupiņām).

Līdzīgi, Ilinoisā (2024. gadā) ierosinātā ASV sojas inovāciju nodokļu atlaide (SITC) piešķirtu 51 TP3T štata nodokļu atlaides par SPC ražošanu. Turklāt Minesotas Lauksaimniecības inovāciju zonas programma (2023. gadā) finansēja 1 TP4T4,2 miljonus sojas pārstrādes modernizēšanai, kā rezultātā:

9% vairāk SPC izejas
$11 miljoni jauno mājputnu līgumos (Minesotas Lauksaimniecības departaments, 2024)

5. Ieinteresēto personu izglītošana un ekonomiskā analīze: kvalitatīva soja salīdzinājumā ar standarta soju

Sojas proteīna ar pievienoto vērtību ieviešana mājputnu barībā ir atkarīga no ieinteresēto personu — lauksaimnieku, pārstrādātāju un barības ražotņu — izglītošanas par tā ilgtermiņa ekonomiskajiem un vides ieguvumiem. Jaunākās iniciatīvas un pētījumi uzsver mērķtiecīgu izglītības programmu pārveidojošo potenciālu, īpaši apvienojumā ar precīzās lauksaimniecības rīkiem, piemēram, GeoPard moduļiem.

1. Vidējo Rietumu gadījuma izpēteAmerikas Sojas pupiņu asociācijas 2023. gada semināros tika demonstrēts, kā augsta proteīna satura soja varētu dot $50-$ Par 70 vairāk uz akru, neskatoties uz augstākām izejvielu izmaksām. Lauksaimnieki, kas izmanto GeoPard moduļus, ziņoja par 15% mazākiem slāpekļa atkritumiem, kompensējot izdevumus.

2. Digitālie resursiTādas platformas kā Sojas pupiņu pētniecības un informācijas tīkls (SRIN) nodrošina bezmaksas tīmekļa seminārus par olbaltumvielu satura optimizēšanu, izmantojot precīzo lauksaimniecību. 2023.–2024. gadā tas rīkoja 15 tīmekļa seminārus, sasniedzot vairāk nekā 3500 lauksaimnieku, un 68% ziņoja par uzlabotu izpratni par olbaltumvielu optimizācijas metodēm.

3. Aiovas štata universitātePētnieki izstrādāja barības efektivitātes modeli, kas parāda, ka FCR uzlabojums par 1% (piemēram, no 1,5 līdz 1,485) ietaupa mājputnu ražotājiem $0,25 uz vienu putnu.ISU pētījums, 2023. gads). Sadarbojoties ar GeoPard, viņi tagad piedāvā apmācības par sojas olbaltumvielu rādītāju sasaisti ar FCR rezultātiem.

4. Purdue UniversitātePētījumi ar modificētiem sojas proteīna koncentrātiem (MSPC) uzrādīja ātrākus 7% broileru augšanas ātrumus, kas sniedz datus, lai pārliecinātu barības dzirnavas pārveidot barības devas (Mājputnu zinātne, 2024). Lopbarības ražotnes, kas pārveidoja barības devas ar MSPC, ziņoja par 12% lielākām peļņas normām, pateicoties samazinātiem barības atkritumiem un augstākām cenām par “efektivitātei optimizētiem” mājputnu produktiem.

6. Sojas proteīna ekonomiskā dzīvotspēja un ieviešana ar pievienoto vērtību

Sojas proteīna produktu ar pievienoto vērtību ieviešana ir atkarīga no to ekonomiskās dzīvotspējas salīdzinājumā ar tradicionālajiem sojas miltiem. Tomēr sojas produktu ar pievienoto vērtību ražošana ir dārgāka, un to priekšrocības mājputnu barībā nodrošina ilgtermiņa ietaupījumus.

Sojas pupiņu miltu veidu izmaksas un uztura rādītāji

Datu avoti: USDA ERS, GeoPard Analytics, 2024.

Saimniecība, kas ik gadu audzē 1 miljonu broileru, ar SPC palīdzību ietaupa $23 400 barības izmaksās.
5 gadu laikā tas kompensē SPC piemaksu $200/tonnā, attaisnojot sākotnējos ieguldījumus.

2023. gadā Aiovas štata universitātē veiktā pētījumā tika atklāts, ka broileru barībā 10% parasto sojas pupiņu miltu aizstāšana ar SPC samazināja barības izmaksas par $1,25 uz vienu putnu sešu nedēļu laikā, pateicoties ātrākam augšanas ātrumam un zemākai mirstībai.

Olbaltumvielu efektivitāteLai gan SPC maksā par 30–40% vairāk par tonnu, tā augstākais olbaltumvielu saturs (60–70%) samazina izmaksu starpību par olbaltumvielu kilogramu.
FCR ietaupījumi5% FCR uzlabojums samazina barības uzņemšanu par 120–150 kg uz 1000 putniem, tādējādi ietaupot $50-$ 70 par tonnu gaļas (pieņemot, ka barības izmaksas ir $0,30/kg).
Rentabilitātes punktsPašreizējās cenās mājputnu ražotāji, ieviešot SPC, sasniedz rentabilitāti, ja FCR uzlabojas par ≥4%, kas uzsver tā dzīvotspēju liela mēroga darbībās.

Globāli gadījumu pētījumi: mācības par sojas ražošanas ar pievienoto vērtību stimulēšanu

Sākot ar Brazīlijas eksporta nodokļu reformām un beidzot ar ES precīzās lauksaimniecības subsīdijām, šie gadījumu pētījumi parāda, ka pāreja uz sojas ražošanu ar pievienoto vērtību ir ne tikai iespējama, bet arī ekonomiski nepieciešama nepastāvīgu lopbarības tirgu un stingrāku ilgtspējības standartu laikmetā.

1. Brazīlija: Nodokļu atvieglojumi pievienotās vērtības eksportam

2013. gadā Brazīlija pārskatīja savu nodokļu politiku, lai prioritāti piešķirtu pārstrādātu sojas produktu eksportam, nevis neapstrādātu pupiņu eksportam, cenšoties iegūt augstāku vērtību pasaules tirgos.

Valdība atcēla iekšzemes nodokļu atlaides sojas pupiņu pārstrādātājiem un pārdalīja tās sojas miltu un eļļas eksportētājiem. Šī politikas maiņa bija paredzēta, lai konkurētu ar Argentīnu, kas tolaik bija pasaulē lielākā sojas miltu eksportētāja. Dažas no šīs politikas galvenajām sekām ir:

Eksporta pieaugumsLīdz 2023. gadam Brazīlijas sojas miltu eksports sasniedza 18,5 miljonus metrisko tonnu (MMT), kas ir par 721 TP3 tonnām vairāk nekā 2013. gadā (10,7 MMT). Arī sojas eļļas eksports tajā pašā periodā pieauga par 481 TP3 tonnām (USDA FAS).
Tirgus dominēšanaBrazīlija pašlaik piegādā 251 TP3 T sojas miltu eksporta apjoma pasaulē, konkurējot ar Argentīnu (301 TP3 T) un ASV (151 TP3 T) (Oil World Annual 2024).
Iekšzemes izaugsmeNodokļu atvieglojumi veicināja ieguldījumus pārstrādes infrastruktūrā. Laikā no 2013. līdz 2023. gadam drupināšanas jauda palielinājās par 40%, pievienojot 23 jaunas rūpnīcas (ABIOVE).

Turklāt Mato Grosso, Brazīlijas galvenajā sojas ražotājštatā, tādi pārstrādātāji kā Amaggi un Bunge izmantoja nodokļu atlaides, lai izveidotu integrētas ražotnes. Šīs rūpnīcas tagad ražo augsta proteīna satura sojas miltus (48–50% proteīns) mājputnu barībai Dienvidaustrumāzijā, radot štatam $1,2 miljardus gada ieņēmumu (Mato Grosso Lauksaimniecības institūts).

Tādējādi Brazīlijas modelis parāda, kā mērķtiecīga nodokļu politika var mainīt tirgus uzvedību. ASV varētu ieviest līdzīgus stimulus, piemēram, nodokļu atlaides sojas proteīna koncentrāta (SPC) ražošanai, lai cīnītos pret preču pārprodukciju.

2. ES: KLP un uz kvalitāti orientēta lauksaimniecība

ES kopējā lauksaimniecības politika (KLP) jau sen ir izvirzījusi prioritāti ilgtspējībai un kvalitātei, nevis apjomam. 2023.–2027. gada KLP reformas piesaista 387 miljardus eiro subsīdijās ekoshēmām, tostarp proteīnaugu audzēšanai un slāpekļa efektivitātei. Daži no galvenajiem mehānismiem ir:

1. Proteīnaugu piemaksas

Saskaņā ar ES kopējo lauksaimniecības politiku (KLP) 2023.–2027. gadam lauksaimnieki, kas audzē olbaltumvielām bagātas kultūras, piemēram, sojas pupas vai pākšaugus (piemēram, zirņus, lēcas), tiešajos maksājumos saņem 250–350 eiro par hektāru, salīdzinot ar 190 eiro/ha par tradicionālajām kultūrām, piemēram, kviešiem vai kukurūzu. Šī piemaksa, kas tiek finansēta no KLP 387 miljardu eiro budžeta, ir paredzēta, lai:

Samazināt atkarību no importētās sojas (80% no ES sojas tiek importēta, galvenokārt ĢM no Dienvidamerikas).
Uzlabot augsnes veselībuPākšaugi dabiski piesaista slāpekli, tādējādi samazinot sintētisko mēslošanas līdzekļu izmantošanu. 20–30% (ES Komisija, 2024. g.).
Palieliniet olbaltumvielu pašpietiekamībuES sojas ražošana kopš 2020. gada ir pieaugusi par 311 TP3 T (Eurostat).

Finansiālā atšķirība starp proteīnaugiem (250–350 eiro/ha) un graudaugiem (190 eiro/ha) mudina lauksaimniekus mainīt audzēšanas veidu. Piemēram, 100 hektāru saimniecība, kas audzē soju, gadā nopelna 25 000–35 000 eiro, salīdzinot ar 19 000 eiro par graudaugiem, kas ir 32–841 eiro par vienu no trim tonnām piemaksu.

2. Ar ilgtspējību saistīti maksājumi:

30% tiešo maksājumu ir atkarīgi no tādas prakses kā augseka un sintētisko mēslošanas līdzekļu samazināšana. 2024. gadā tika piešķirti 185,9 miljoni eiro, lai veicinātu “ilgtspējīgas ES sojas” izmantošanu dzīvnieku barībā (ES lauksaimniecības un pārtikas produktu veicināšanas politika).

Sintētisko mēslošanas līdzekļu izmantošana ES sojas audzēšanā kopš 2021. gada ir samazinājusies par 181 TP3 t.
Mājputnu barības izmēģinājumos, izmantojot KLP atbilstošu soju, tika konstatēts par 4,21 TP3T labāks FCR.

3. Francijas sojas izcilības iniciatīva

Francijas Sojas izcilības iniciatīva, ko vada tādi lauksaimniecības kooperatīvi kā Terres Univia (pārstāvot 300 000 lauksaimnieku), ir no jauna definējusi sojas ražošanu, prioritāti piešķirot olbaltumvielu kvalitātei. Programma ieviesa uz olbaltumvielām balstītu šķirošanas sistēmu, kas paredz, ka mājputnu barībai paredzētajām sojas pupiņām jābūt vismaz 42% olbaltumvielu saturam, pārsniedzot ES vidējo rādītāju 38–40%.

Lauksaimnieki, kas atbilst šim standartam, saņem 50 eiro/tonnu piemaksu (600 eiro/tonnu salīdzinājumā ar 550 eiro/tonnu standarta sojas pupiņām), radot tiešu finansiālu stimulu ieviest progresīvas prakses, piemēram, precīzu slāpekļa pārvaldību un augsta proteīna satura sēklu šķirnes. Rezultāti, kas tika novēroti no 2021. līdz 2024. gadam, ir bijuši revolucionāri:

Olbaltumvielu raža pieauga par 12%, savukārt vietējā sojas ražošana pieauga par 18%, palielinoties no 440 000 tonnām 2020. gadā līdz 520 000 tonnām 2023. gadā.
Šis pieaugums izslēdza 200 000 tonnu ĢM sojas importa, samazinot atkarību no svārstīgajiem pasaules tirgiem.
Ieguvums bija arī mājputnu nozarei, barības izmaksām samazinoties par 8–10 eiro/tonnu, pateicoties uzlabotajiem barības konversijas koeficientiem (FCR), ziņo Francijas Mājputnu asociācija.

ASV šis Francijas modelis piedāvā plānu pārejai no uz precēm balstītām sistēmām uz lauksaimniecību ar pievienoto vērtību.

Atkārtojot šo pieeju — izmantojot uz olbaltumvielām balstītus USDA līgumus (piemēram, 10–15 eiro/tonna piemaksas par soju, kas pārsniedz 45% olbaltumvielu saturu) un politiku, lai ierobežotu atkarību no ĢM importa (ASV mājputnu sektors importē 6,5 miljonus tonnu gadā), — lauksaimnieki varētu saskaņot ražošanu ar mājputnu uztura vajadzībām, vienlaikus stabilizējot izmaksas un uzlabojot ilgtspējību.

3. Vācija: GeoPard NUE darbībā

Precīzās lauksaimniecības rīki, piemēram, GeoPard slāpekļa izmantošanas efektivitātes (NUE) moduļi, revolucionizē sojas kvalitātes optimizāciju. 2023. gadā īstenots pilotprojekts ar John Deere dīleru uzņēmumu LVA (Vācija) demonstrēja, kā datu vadīta lauksaimniecība var palielināt olbaltumvielu ražu, vienlaikus samazinot izmaksas.

GeoPard programmatūra analizēja satelītattēlus, augsnes sensorus un vēsturiskos ražas datus, lai izveidotu mainīgas devas slāpekļa kartes.
22% slāpekļa izmantošanas samazinājums (no 80 kg/ha līdz 62 kg/ha).
Olbaltumvielu saturs palielinājās par 4% (no 40% līdz 41,6%) optimizētas barības vielu uzņemšanas dēļ.
37 eiro/ha mēslojuma izmaksās bez ražas zuduma (LVA-John Deere ziņojums).

Turklāt, GeoPard NUE rīks tagad tiek izmantots uz Vairāk nekā 15 000 hektāru Vācijas sojas saimniecību darbību, uzlabojot atbilstību ES ilgtspējības standartiem. ASV līdzīga ieviešana varētu palīdzēt lauksaimniekiem apmierināt jaunās “zemas oglekļa emisijas barības” prasības no tādiem mājputnu gigantiem kā Tyson un Pilgrim's Pride.

Tehnoloģiju un tendenču sinerģija: GeoPard precīzijas instrumentu loma

Vērtīgākas sojas proteīna ražošanas panākumi ir atkarīgi no precīzas lauksaimniecības pārvaldības – izaicinājuma, ko lieliski risina GeoPard modernākā precīzās lauksaimniecības tehnoloģija. Uzņēmuma uzlabotā analītikas platforma nodrošina lauksaimniekiem divas revolucionāras iespējas proteīnu optimizācijai:

1. Olbaltumvielu satura analīze: sensoru vadītas atziņas par augstākās kvalitātes soju

Mūsdienu lauksaimniecība pieprasa precizitāti, un GeoPard olbaltumvielu analīzes rīki revolucionāri maina to, kā lauksaimnieki audzē sojas pupiņas ar augstu olbaltumvielu saturu. Integrējot satelītattēlus, uz droniem uzstādītus sensorus un tuvā infrasarkanā starojuma (NIR) spektroskopiju, GeoPard sniedz reāllaika ieskatu kultūraugu veselībā un olbaltumvielu līmeņos. pirms ražas novākšanas.

i. NDVI un multispektrālā attēlveidošana:

Uzrauga augu enerģiju un slāpekļa uzņemšanu, korelējot ar olbaltumvielu sintēzi.
PiemērsPētījumi Aiovā (2023. gadā) parādīja 12% pieaugums olbaltumvielu saturā, pielāgojot apūdeņošanu un mēslošanu, pamatojoties uz GeoPard NDVI kartēm.

ii. NIR spektroskopija:

Nesagraujoša olbaltumvielu mērīšana lauka apstākļos (precizitāte: ±1,5%).
Lauksaimnieki var sadalīt laukus zonās, atsevišķi novācot augsta proteīna satura soju pievienotās vērtības tirgiem.

iii. Prognozējošā analītika:

Mašīnmācīšanās modeļi prognozē olbaltumvielu līmeni 6–8 nedēļas pirms ražas novākšanas, ļaujot veikt korekcijas sezonas vidū.
Gadījuma izpēteIlinoisas kooperatīvs izmantoja GeoPard brīdinājumus, lai optimizētu sēra lietošanu, palielinot olbaltumvielu daudzumu no 43% līdz 47% 2023. gadā.

2. Slāpekļa izmantošanas efektivitāte (SLI): atkritumu samazināšana, kvalitātes uzlabošana

GeoPard NUE moduļi risina vienu no lauksaimniecības lielākajām problēmām: kultūraugu barības vielu līdzsvarošanu ar vides aizsardzību. Šeit ir dažas no tā galvenajām funkcijām, lai uzlabotu kultūraugu uzraudzību un pievienoto vērtību:

i. Mainīgas devas pielietojums (VRA):

GPS vadītas iekārtas izsmidzina slāpekli tikai tur, kur nepieciešams, samazinot pārmērīgu lietošanu.
PiemērsJohn Deere dīleris Vācijā (LVA) sasniedza 20% mazāks slāpekļa patēriņš vienlaikus saglabājot ražu, kā norādīts GeoPard NUE gadījuma izpēte.

ii. Augsnes veselības monitorings:

Sensori izseko organisko vielu un mikrobu aktivitāti, optimizējot mēslošanas grafikus.

iii. Sertifikācijas gatavība:

GeoPard informācijas paneļi ģenerē atbilstības pārskatus ilgtspējības sertifikācijām (piemēram, USDA Climate-Smart, ES Zaļais kurss).

GeoPard precīzās lauksaimniecības tehnoloģija sniedz lauksaimniekiem ievērojamus ieguvumus vides un ekonomikas jomā. Optimizējot slāpekļa lietošanu, izmantojot savu moderno analītikas platformu, sistēma panāk slāpekļa noteces samazinājumu par 15–25%, tieši veicinot atbilstību EPA ūdens kvalitātes standartiem.

Finansiālajā ziņā lauksaimnieki gūst ievērojamus izmaksu ietaupījumus $12–18 apmērā uz akru mēslošanas līdzekļu izmaksās, savukārt ieguldījumi GeoPard abonementos parasti atgūstas tikai 1–2 veģetācijas sezonu laikā.

Turklāt kooperatīvs Nebraskā izmantoja GeoPard olbaltumvielu kartēšanu, lai atdalītu augsta proteīna satura (50%+) sojas pupiņas pievienotās vērtības pārstrādei. Tas radīja $50/tonnas prēmijas salīdzinājumā ar preču cenām.

3. Tehnoloģiju un tendenču sinerģija

Lai gan izejvielu tirgi joprojām dominē, tehnoloģiski zinošu lauksaimnieku un videi apzinīgu patērētāju klusā izaugsme pārraksta noteikumus. Kā atzīmēja kāds lauksaimnieks no Aiovas: “GeoPard nav tikai izmaksu samazināšana — tas ir par to, lai audzētu to, ko vēlas nākotnes tirgus.”

GeoPard lauksaimniecības tehnoloģiju inovāciju un mainīgo patērētāju preferenču konverģence rada retu iespēju:

Izsekojamība no lauka līdz galdamGeoPard blokķēdē integrētie moduļi ļauj mājputnu ražotājiem pārbaudīt sojas olbaltumvielu saturu un slāpekļa efektivitāti, nodrošinot pārredzamību “no saimniecības līdz barībai”. Pilgrim's Pride nesen izmēģināja šo sistēmu, palielinot tās pārdošanas apjomus. “Net-zero vista” rindu pa 34% (WattPoultry, 2024).

Politikas impulss2024. gada Lauksaimniecības likumprojektā ir iekļauts $500 miljonu fonds precīzās lauksaimniecības ieviešanai, izmantojot GeoPard stila instrumentus, kas ir tiesīgi saņemt subsīdijas (Senāta Lauksaimniecības komiteja, 2024).

Patērētāju tendences: klusais “klimata ziņā viedas” mājputnu audzēšanas virzītājspēks

Kamēr lauksaimnieki un pārstrādātāji orientējas sarežģītā piegādes ķēdes ekonomikā, mainīgās patērētāju preferences nemanāmi pārveido mājputnu nozari. Saskaņā ar 2024. gada McKinsey ziņojumu, 641 TP3T ASV patērētāju, iegādājoties mājputnus, tagad prioritāti piešķir ilgtspējības marķējumiem, un tādi termini kā “klimata ziņā vieds” kļūst par spēcīgu diferenciācijas faktoru.

Šī tendence veicina pieprasījuma pieaugumu pēc mājputniem, kas audzēti ar augstas efektivitātes, zema oglekļa satura barību, radot jaunas iespējas un spiedienu ražotājiem ieviest sojas proteīnu ar pievienoto vērtību.

1. Oglekļa apzinīgu vistu pieaugums

Mājputnu gaļas, kas tiek reklamēta kā “zema oglekļa satura” vai “ilgtspējīgi barota”, tirgus 2023. gadā pieauga par 28% salīdzinājumā ar iepriekšējo gadu, ievērojami apsteidzot tradicionālās mājputnu gaļas pieaugumu (Nielsen, 2024). Lieli zīmoli, piemēram, Perdue un Tyson, tagad pārdod “klimata ziņā viedu” vistu par 15–20% cenu piemaksu, skaidri izceļot barības efektivitāti (FCR) kā galveno ilgtspējības rādītāju (Pārtikas tehnoloģiju institūts, 2024).

Tyson Foods ir apņēmies līdz 2030. gadam samazināt piegādes ķēdes emisijas par 30%, un galveno lomu šajā ziņā spēlē uzlabota FCR, izmantojot sojas barību ar augstu olbaltumvielu saturu (Tyson ilgtspējības ziņojums, 2023).
McDonald's apņēmās līdz 2025. gadam iegūt 100% mājputnu gaļas no saimniecībām, kas izmanto pārbaudītu ilgtspējīgu barību, un šis solis varētu pārveidot visu barības nozari (QSR Magazine, 2024).

ASV Lauksaimniecības departamenta (USDA) programma “Partnerība klimata ziņā viedām precēm” ir piešķīrusi 1 TP4 T2,8 miljardus eiro projektiem, kas savieno ilgtspējīgas lauksaimniecības prakses ar patērētāju tirgiem, tostarp iniciatīvām, kas veicina uz sojas bāzes ražotas, zema oglekļa satura mājputnu barības ražošanu (USDA, 2024. g.).

2. Barības slēptā loma oglekļa dioksīda emisiju marķēšanā

Pāreja uz augsta proteīna satura sojas koncentrātiem nav tikai efektivitātes jautājums — tas ir arī klimata risinājums. Pasaules resursu institūta pētījums (2023) liecina, ka pāreja no parastajiem sojas miltiem (45% proteīns) uz koncentrētu sojas proteīnu (60% proteīns) var samazināt ar barību saistītās emisijas par 12% uz broileru, pateicoties mazākai zemes izmantošanai un slāpekļa notecei.

Turklāt patērētāju informētība par šo saistību strauji pieaug. 2024. gada Vides aizsardzības fonda aptauja atklāja, ka 411 TP3 T pircēju tagad saprot saikni starp dzīvnieku barību un ietekmi uz klimatu — salīdzinājumā ar tikai 181 TP3 T 2020. gadā.

Šī tendence liecina, ka “klimata ziņā vieda” mājputnu audzēšana nav tikai nišas tirgus — tā kļūst par plaši izplatītu prasību, liekot nozarei pārdomāt, kā tiek iegūta, marķēta un tirgota barība.

Secinājums

Plaša pievienotās vērtības sojas proteīna produktu ieviešana mājputnu barībā saskaras ar ievērojamām problēmām izejvielu tirgus dinamikas dēļ, taču stratēģiska piegādes ķēdes pārveidošana var pārvarēt šos šķēršļus. Kā liecina Brazīlijas eksporta nodokļu atvieglojumi un ES uz kvalitāti balstītās subsīdiju programmas, mērķtiecīgas politikas intervences var efektīvi novirzīt ražošanu uz augstākas vērtības sojas produktiem. ASV var izmantot līdzīgas pieejas, izmantojot USDA klasificēšanas reformas un Lauksaimniecības likuma noteikumus, kas atalgo olbaltumvielu saturu un ilgtspējību.

Tehnoloģiski risinājumi, piemēram, GeoPard precīzās lauksaimniecības rīki, piedāvā lauksaimniekiem praktisku veidu, kā uzlabot sojas kvalitāti, vienlaikus saglabājot rentabilitāti, ar pierādītiem rezultātiem, tostarp 8% olbaltumvielu palielināšanos Eiropas izmēģinājumos.

Šīs inovācijas kļūst arvien vērtīgākas, pieaugot patērētāju pieprasījumam pēc ilgtspējīgi ražotas mājputnu gaļas, un klimata ziņā viedās mājputnu gaļas tirgus ik gadu paplašinātos par 281 TP3 T. Šī pārveide radītu jaunus ieņēmumu avotus lauksaimniekiem, uzlabotu mājputnu ražotāju efektivitāti un samazinātu lopkopības ietekmi uz vidi, kas ir patiesi abpusēji izdevīgs scenārijs visām ieinteresētajām personām lauksaimniecības vērtību ķēdē.

Mākoņdatošanas transformatīvais augu ieteikumu modelis maina precīzo lauksaimniecību

Publicēts aprīlis 3, 2025 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.

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.

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.

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 $-$ 500 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 aprīlis 2, 2025 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.

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

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 marts 16, 2025 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 februāris 9, 2025 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

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 janvāris 26, 2025 Muhammad Farjad

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

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:

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.
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.
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

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.

Secinājums

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 janvāris 26, 2025 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:

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.
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.
Tālizpēte (2000. gadi): Satelītattēlu un dronu izmantošana ļāva lauksaimniekiem uzraudzīt kultūraugu veselību, augsnes stāvokli un ūdens patēriņu ar nepieredzētu precizitāti.
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 jūlijs 13, 2024jūlijs 13, 2024 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).

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.

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.

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. 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%.

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

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.

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.

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.

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 jūlijs 6, 2024 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.”

Produkti

Vadības zonas un VRA kartes

Kultūru uzraudzība

Topogrāfiskā analītika

3D kartes

Skautisms

Augsnes datu analītika

Lauka salīdzināmā analīze

Lietojuma un stādīšanas dati

Ražas dati

PĒC LOMAS

Audzētājiem

Ag Konsultantiem un pakalpojumu uzņēmumiem

Kooperatīviem un lauksaimniecības holdingiem

Lauksaimniecības izejvielu ražotājiem un izplatītājiem

Lauksaimniecības aprīkojuma ražotājiem un dīleriem

Lauksaimniecības tehnoloģiju uzņēmumiem

Zinātnei un izglītībai

PĒC LIETOŠANAS GADĪJUMA

Oglekļa lauksaimniecība

Bioloģiskā daudzveidība

Produkti

Pēc lomas

Pēc lietošanas gadījuma

Precīzās lauksaimniecības API

Baltās etiķetes risinājumi

Logotip

Mans John Deere Ops Center Savienots

Blogs

Viena lappuses PDF

Ilgtspējība

Izplatītāji un partneri

Pamācība - Tīmeklis

Pamācība – Mobilais

Datu saderība

API dokumentācija

Produktu izlaidumi

Biļeteni

Biļeteni

Herbicīdu rezistences pieaugums un tā ietekme

Mašīnredze: ilgtspējīga alternatīva nezāļu apkarošanai

CottonWeedDet12 datu kopa: panākumu pamats

YOLOv8: Tehniskās inovācijas un arhitektūras sasniegumi

Modeļa apmācība: metodoloģija un rezultāti

Izaicinājumi un nākotnes virzieni

Secinājums

Ievads sojas proteīnā ar pievienoto vērtību

Sojas proteīns ar pievienoto vērtību Tirgus dinamika un izaicinājumi

1. Pārmērīgas piegādes problēma

2. Strukturālās barjeras

Stratēģijas sojas proteīna ar pievienoto vērtību stimulēšanas pārveidošanai

1. Kvalitātes vērtēšanas sistēmas

2. Tehnoloģiskie veicinātāji: GeoPard precīzijas instrumenti

3. Sertifikācija un premium tirgi

4. Valdības un politikas sviras

5. Ieinteresēto personu izglītošana un ekonomiskā analīze: kvalitatīva soja salīdzinājumā ar standarta soju

6. Sojas proteīna ekonomiskā dzīvotspēja un ieviešana ar pievienoto vērtību

Globāli gadījumu pētījumi: mācības par sojas ražošanas ar pievienoto vērtību stimulēšanu

1. Brazīlija: Nodokļu atvieglojumi pievienotās vērtības eksportam

2. ES: KLP un uz kvalitāti orientēta lauksaimniecība

3. Vācija: GeoPard NUE darbībā

Tehnoloģiju un tendenču sinerģija: GeoPard precīzijas instrumentu loma

1. Olbaltumvielu satura analīze: sensoru vadītas atziņas par augstākās kvalitātes soju

2. Slāpekļa izmantošanas efektivitāte (SLI): atkritumu samazināšana, kvalitātes uzlabošana

3. Tehnoloģiju un tendenču sinerģija

Patērētāju tendences: klusais “klimata ziņā viedas” mājputnu audzēšanas virzītājspēks

1. Oglekļa apzinīgu vistu pieaugums

2. Barības slēptā loma oglekļa dioksīda emisiju marķēšanā

Secinājums

Pieaugošā mākslīgā intelekta nepieciešamība mūsdienu lauksaimniecībā

Kā darbojas TCRM: datu apvienošana un mašīnmācīšanās

Kāpēc TCRM pārspēj tradicionālās lauksaimniecības metodes

Reālās pasaules ietekme: gadījumu izpēte no Pendžabas

Tehniskās inovācijas, kas ir TCRM panākumu pamatā

Izaicinājumi, ieviešot mākslīgo intelektu lauksaimniecībā

Mākslīgā intelekta nākotne lauksaimniecībā

Secinājums

Kāpēc agrīna augu slimību atklāšana ir svarīga globālajai pārtikas drošībai

Kā mākslīgais intelekts un datorredze atklāj kultūraugu slimības

Modernu sensoru loma mūsdienu lauksaimniecībā