Mākoņdatošanas transformatīvais augu ieteikumu modelis maina precīzo lauksaimniecību

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