Облачная трансформируемая модель рекомендаций по выращиванию культур, меняющая точное земледелие

Сельское хозяйство находится на перепутье. Поскольку к 2050 году население планеты достигнет 9,7 миллиарда человек, фермеры должны производить больше продовольствия, борясь с изменением климата, деградацией почв и нехваткой воды.

Традиционные методы ведения сельского хозяйства, основанные на устаревших практиках и догадках, уже недостаточны. На помощь приходит Трансформационная модель рекомендаций по выращиванию сельскохозяйственных культур (TCRM), решение на основе искусственного интеллекта, разработанное для решения этих проблем.

В этой статье рассматривается, как TCRM использует машинное обучение, датчики IoT и облачные вычисления для обеспечения 94% точные рекомендации по выращиванию, В результате чего фермеры получают возможность повысить урожайность, сократить количество отходов и внедрить экологически безопасные методы.

Растущая потребность в искусственном интеллекте в современном сельском хозяйстве

Спрос на продовольствие стремительно растет, но традиционное сельское хозяйство не справляется с этой задачей. В таких регионах, как Пенджаб (Индия) - крупном сельскохозяйственном центре, - здоровье почвы ухудшается из-за чрезмерного использования удобрений, а запасы грунтовых вод быстро истощаются.

Фермеры часто не имеют доступа к данным в режиме реального времени, что приводит к принятию неверных решений по выбору культур, орошению и использованию ресурсов. Именно здесь точное земледелие, ИИ становится критически важным.

В отличие от традиционных методов, точное земледелие использует такие технологии, как датчики IoT и машинное обучение, для анализа состояния поля и предоставления индивидуальных рекомендаций. TCRM является примером такого подхода, предлагая фермерам практические рекомендации на основе питательных веществ в почве, погодных условий и исторических данных.

Внедряя искусственный интеллект в сельское хозяйство, TCRM преодолевает разрыв между традиционными знаниями и современными инновациями, обеспечивая фермерам устойчивое удовлетворение будущих потребностей в продовольствии.

“Речь идет не только о технологиях, но и о том, чтобы у каждого фермера были инструменты для процветания”.”

Как работает TCRM: Слияние данных и машинного обучения

По своей сути TCRM - это Система рекомендаций по выращиванию культур на основе искусственного интеллекта сочетает в себе множество технологий для получения точных рекомендаций. Процесс начинается со сбора данных. IoT-датчики, установленные на полях, измеряют такие критические параметры, как содержание в почве азота (N), фосфора (P), калия (K), температура, влажность, количество осадков и уровень pH.

Эти датчики передают данные в режиме реального времени в облачную платформу, которая также получает исторические данные об урожае из глобальных баз данных, таких как НАСА и ФАО. После сбора данные подвергаются тщательной очистке.

Недостающие значения, такие как показатели pH почвы, заполняются с использованием средних значений по региону, а выбросы, например резкие скачки влажности, отфильтровываются. Очищенные данные затем нормализуются для обеспечения согласованности; например, значения осадков масштабируются между 0 (100 мм) и 1 (1000 мм) для упрощения анализа.

Далее за дело берется гибридная модель машинного обучения TCRM. Она сочетает Алгоритмы Random Forest-метод, использующий 500 деревьев решений, чтобы избежать ошибок, - со слоями глубокого обучения, которые выявляют сложные закономерности.

Ключевым новшеством является механизм многоголового внимания, который выявляет взаимосвязи между переменными. Например, она показывает, что большое количество осадков часто коррелирует с лучшим усвоением азота такими культурами, как рис.

Модель обучается в течение 200 циклов (эпох) со скоростью обучения 0,001, оттачивая свои прогнозы до достижения точности 94%. Наконец, система распространяет рекомендации через облачное приложение или SMS-оповещения, обеспечивая своевременное получение советов даже фермерами в отдаленных районах.

Почему TCRM превосходит традиционные методы ведения сельского хозяйства

Традиционные системы рекомендаций по выращиванию сельскохозяйственных культур, например, с использованием логистической регрессии или K-Nearest Neighbors (KNN), недостаточно совершенны, чтобы справиться со всеми сложностями сельскохозяйственного производства.

Например, KNN не справляется с несбалансированными данными - если в наборе данных больше записей о пшенице, чем о чечевице, его прогнозы будут смещены в сторону пшеницы. Аналогично, AdaBoost, другой алгоритм, набрал всего 11,5% точности в исследовании из-за чрезмерной подгонки. TCRM преодолевает эти недостатки благодаря своей гибридной конструкции.

Объединяя древовидные алгоритмы (для прозрачности) с глубоким обучением (для обработки сложных паттернов), он обеспечивает баланс между точностью и интерпретируемостью.

В ходе испытаний TCRM достигла 97,67% результат кросс-валидации, и доказал свою надежность в различных условиях. Например, при тестировании в Пенджабе она рекомендовала гранат для ферм с высоким содержанием калия (120 кг/га) и умеренным уровнем pH (6,3), что привело к повышению урожайности на 30%.

Фермеры также сократили использование удобрений на 15%, а потери воды - на 25%, поскольку система обеспечила точные рекомендации по использованию питательных веществ и орошению. Эти результаты подчеркивают потенциал TCRM для превращения сельского хозяйства из ресурсоемкой отрасли в устойчивую экосистему, управляемую данными.

Воздействие в реальном мире: Примеры из Пенджаба

Фермеры Пенджаба сталкиваются с серьезными проблемами, включая истощение грунтовых вод и дисбаланс питательных веществ в почве. TCRM была опробована здесь, чтобы оценить ее практическую ценность.

Например, один фермер ввел данные, согласно которым азот в почве составляет 80 кг/га, фосфор - 45 кг/га, а калий - 120 кг/га, при этом pH составляет 6,3, а количество осадков - 600 мм в год.

TCRM проанализировала эти данные, определила высокий уровень калия и оптимальный диапазон pH и рекомендовала гранат - культуру, известную своим процветанием в таких условиях. Фермер получил SMS-уведомление с подробным описанием выбора культуры и идеальных удобрений (мочевина для азота, суперфосфат для фосфора).

За шесть месяцев фермеры, использующие ТСРМ, сообщили 20-30% высокая урожайность для основных культур, таких как пшеница и рис. Повысилась и эффективность использования ресурсов: расход удобрений снизился на 15%, поскольку система точно определяла потребности в питательных веществах, а потери воды сократились на 25% благодаря орошению в соответствии с прогнозами осадков.

Эти результаты демонстрируют, как инструменты на основе искусственного интеллекта, такие как TCRM, могут повысить производительность и одновременно способствовать экологической устойчивости.

Технические инновации, лежащие в основе успеха TCRM

Успех TCRM зависит от двух прорывов. Во-первых, его механизм многоголового внимания позволяет модели взвешивать отношения между переменными.

Например, была обнаружена сильная положительная корреляция (0,73) между количеством осадков и поглощением азота, что означает, что культурам в регионах с большим количеством осадков полезны удобрения с высоким содержанием азота.

Напротив, была обнаружена небольшая отрицательная связь (-0,14) между pH почвы и поглощением фосфора, что объясняет, почему кислые почвы требуют обработки известью перед посадкой культур с высоким содержанием фосфора, таких как картофель.

Во-вторых, ТСРМ облачная и SMS-интеграция обеспечивает масштабируемость. Размещенная на Amazon Web Services (AWS), система одновременно обслуживает более 10 000 пользователей, что делает ее пригодной для крупных кооперативов.

Мелким фермерам, не имеющим интернета, API Twilio отправляет SMS-оповещения - 3000+ ежемесячно только в Пенджабе - с рекомендациями по выращиванию урожая и удобрениям. Такой двойной подход гарантирует, что ни один фермер не останется без внимания, независимо от наличия связи.

Проблемы, связанные с внедрением искусственного интеллекта в сельском хозяйстве

Несмотря на свои перспективы, TCRM сталкивается с трудностями. Многие фермеры, особенно пожилые, не доверяют рекомендациям ИИ, предпочитая традиционные методы. В Пенджабе только 35% фермеров приняли TCRM во время испытаний.

Еще одним препятствием является стоимость: Стоимость датчиков IoT $–$500 за акр, что недоступно для мелких фермеров. Кроме того, учебные данные TCRM ориентированы на индийские культуры, такие как пшеница и рис, что ограничивает их полезность для фермеров, выращивающих квиноа или авокадо в других регионах.

Исследование также указывает на недостатки в тестировании. Хотя TCRM набрал 97,67% при перекрестной проверке, он не оценивался в экстремальных условиях, таких как наводнения или длительная засуха. Будущие версии должны устранить эти недостатки, чтобы повысить устойчивость и доверие.

Будущее искусственного интеллекта в сельском хозяйстве

В будущем разработчики TCRM планируют интегрировать Объяснимый искусственный интеллект (XAI) инструменты, такие как SHAP и LIME. Они позволят уточнить рекомендации - например, показать фермерам, что та или иная культура была выбрана потому, что уровень калия в ней был на 20% выше порогового значения.

Еще одним приоритетом является глобальное расширение; добавление наборов данных из Африки (например, кукурузы в Кении) и Южной Америки (например, соевых бобов в Бразилии) сделает TCRM универсально применимым.

Интеграция IoT в реальном времени с помощью беспилотников также не за горами. Дроны могут ежечасно составлять карты полей, обновляя рекомендации в зависимости от изменения погоды или активности вредителей.

Такие инновации могут помочь предсказать вспышки саранчи или грибковых инфекций, что позволит принять упреждающие меры. Наконец, партнерство с правительствами может субсидировать датчики IoT, делая точное земледелие доступным для всех фермеров.

Заключение

Трансформационная модель рекомендаций по выращиванию сельскохозяйственных культур (TCRM) представляет собой скачок вперед в сельскохозяйственных технологиях. Объединяя искусственный интеллект, IoT и облачные вычисления, она предлагает фермерам 94% точный, Инструмент для принятия решений в режиме реального времени, позволяющий повысить урожайность и сэкономить ресурсы.

Хотя такие проблемы, как стоимость и препятствия для внедрения, остаются, потенциал TCRM для революции в сельском хозяйстве неоспорим. Поскольку мир борется с изменением климата и ростом населения, такие решения, как TCRM, будут иметь жизненно важное значение для создания устойчивого будущего, гарантирующего продовольственную безопасность.

Ссылка: Сингх, Г., Шарма, С. Повышение точности сельского хозяйства с помощью облачной трансформационной модели рекомендаций по выращиванию культур. Sci Rep 15, 9138 (2025). https://doi.org/10.1038/s41598-025-93417-3