پایگاه خبری مکتوبنامه: گروه فناوری؛ حدود سه سال پیش، استفاده از هوش مصنوعی در کشاورزی بسیار محدود بود. کاربرد آن عمدتاً به پردازش اعداد و اطلاعات مربوط به موجودی محصولات خلاصه میشد و شرکتهایی که این فناوریها را بهعنوان محصولات تخصصی عرضه میکردند، غرفههای کوچکتری در نمایشگاههای کشاورزی نسبت به تولیدکنندگان بزرگ دراختیار داشتند.
پایش وضعیت محصولات؛ تشخیص آفت پیش از آنکه دیده شود
پایش محصولات کشاورزی همچنان تا حد زیادی به تجربه و تشخیص کشاورز وابسته است. کشاورزان باید بدانند محصولاتشان چگونه تحت تأثیر آفات و بیماریها قرار میگیرند و این عوامل را با توجه به زمان سال، باد و شرایط اقلیمی ارزیابی کنند.
پهپادها و تصاویر ماهوارهای، دادههایی را در اختیار مدلهای بینایی کامپیوتری قرار میدهند که میتوانند آلودگیهای قارچی یا آفات را بسیار زودتر از زمانی که چشم انسان قادر به تشخیص آنها باشد شناسایی کنند. این سیستمها همچنین میتوانند درباره استفاده مؤثرتر از روشهای محافظت از محصول یا آفتکشها پیشنهاد ارائه دهند.
اگر کشاورزان از حسگرهای خاک نیز استفاده کنند، مجموعه دادههای در دسترس این سیستمها کاملتر و دقیقتر خواهد بود.
پیشبینی میزان برداشت؛ کشاورز پیش از برداشت میداند چه چیزی در راه است
درست مانند پایش محصولات، استفاده از حسگرها برای پیشبینی میزان برداشت به کشاورزان اجازه میدهد تنها از مقدار محصولی که برداشت کردهاند اطلاع نداشته باشند، بلکه بتوانند میزان محصولی را که قرار است برداشت کنند نیز پیشبینی کنند.
شرکت Syngenta یک سیستم هوش مصنوعی مولد توسعه داده که میتواند میزان برداشت را با دقت ۹۵ درصدی پیشبینی کند و همزمان توصیههایی درباره محل قرارگیری و کاشت بذر ارائه دهد. اهمیت این پیشبینی در آن است که کشاورزان باید از پیش برای لجستیک محصولات خود برنامهریزی کنند. هرچه اطلاعات دقیقتری درباره میزان محصول در اختیار خردهفروشان و شرکتهای حملونقل قرار گیرد، میزان هزینهها و زیانهای احتمالی کاهش پیدا میکند.
اهمیت اقتصادی چنین پیشبینیهایی نیز قابل توجه است. مطالعهای که به سفارش National Corn Growers Association و توسط اقتصاددانان کشاورزی در Virginia Tech انجام شده، که ارزش مستقیم اطلاعات پیشبینیهای وزارت کشاورزی آمریکا برای بازار ذرت را بررسی کرده است.
این مطالعه ارزش سالانه اطلاعات پیشبینیهای گزارش WASDE یا مقادیرعرضه و تقاضای جهانی محصولات کشاورزی را حدود ۳۰۱ میلیون دلار برآورد کرده است؛ رقمی که معادل حدود ۰.۵۵ درصد ارزش کل بازار ذرت بشمار میرود.
بر اساس این مطالعه، برآورد سطح زیرکشت حدود ۱۴۵ میلیون دلار، پیشبینی عملکرد حدود ۱۸۸ میلیون دلار، برآورد تولید حدود ۲۹۹ میلیون دلار و برآورد صادرات حدود ۳۲۰ میلیون دلار ارزش اقتصادی داشتهاند.
کشاورزی رباتیک؛ وقتی ماشینها وارد مزرعه میشوند
در دنیای هوش مصنوعی، فناوری رباتیک نیز با سرعت زیادی در حال گسترش است. این فناوری تنها به خودروهای خودران در شهرها محدود نمیشود و اکنون تراکتورها و تجهیزات کشاورزی را نیز دربرمیگیرد؛ ماشینهایی که میتوانند با کمک هوش مصنوعی بهصورت خودکار فعالیت کنند.
شرکت John Deere در مسیر توسعه تراکتورهای کاملاً خودران حرکت کرده است. نمونه دیگر، دستگاه LaserWeeder شرکت Carbon Robotics است. این ماشین با استفاده از ۲۴ لیزر، ۳۶ دوربین و ۲۴ پردازنده گرافیکی NVIDIA میتواند علفهای هرز را شناسایی و از بین ببرد.
این سیستم قادر است تا ۱۰ هزار علف هرز در دقیقه را در بیش از ۱۰۰ نوع محصول کشاورزی شناسایی و نابود کند.
مدل هوش مصنوعی این دستگاه نیز با استفاده از ۱۵۰ میلیون تصویر برچسبگذاریشده از گیاهان آموزش داده شده است؛ تصاویری که از ماشینهای فعال در ۱۵ کشور جمعآوری شدهاند.
آبیاری دقیق؛ کاهش مصرف آب و افزایش محصول
آبیاری یک علم است؛ اما تا همین اواخر بخش بزرگی از تصمیمگیری درباره آن به تجربه و تخصص خود کشاورز وابسته بود. آبیاری دقیق فناوری جدیدی نیست و سیستمهای آبیاری خودکار از قبل وجود داشتهاند، اما این سیستمها همچنان تا حد زیادی به ورود دستی اطلاعات توسط کشاورزان متکی بودند.
اکنون سیستمهای ترکیب دادههای حسگرها میتوانند اطلاعات مربوط به رطوبت خاک، دمای پوشش گیاهی و پیشبینیهای آبوهوایی را همزمان تحلیل کنند. در برخی نمونههای اجرایی، این فناوری توانسته مصرف آب را حدود ۳۰ درصد کاهش دهد و در عین حال میزان برداشت را افزایش دهد.
در یک نمونه مستند در مزارع نیشکر هند، کاهش ۳۰ درصدی مصرف آب همزمان با ۴۰ درصد افزایش محصول همراه بوده است.
سیستمهای سمپاشی با نرخ متغیر نیز میتوانند همین رویکرد را در استفاده از آفتکشها اجرا کنند؛ به این معنا که سم تنها در مناطقی که واقعاً به آن نیاز دارند استفاده میشود. این فناوری علاوه بر کاهش مصرف مواد شیمیایی، سوابق قابل ممیزی ایجاد میکند که میتواند به کشاورزان در رعایت الزامات قانونی و نظارتی کمک کند.
هوش مصنوعی در دامداری؛ تشخیص بیماری پیش از بروز علائم
هرچه مقیاس یک دامداری بزرگتر شود، نظارت بر سلامت و وضعیت اقتصادی حیوانات نیز دشوارتر میشود. سیستمهای هوش مصنوعی در دامداری با استفاده از بینایی کامپیوتری و حسگرهای پوشیدنی مانند شتابسنجها و تجهیزات پایش شاخصهای زیستی، میتوانند نشانههای بیماری را حتی چند روز پیش از آنکه علائم قابل مشاهده ظاهر شوند، شناسایی کنند.
تشخیص زودهنگام بیماری میتواند مصرف آنتیبیوتیک را کاهش دهد و وضعیت رفاه حیوانات را بهبود ببخشد. این موضوع اهمیت بیشتری پیدا کرده است؛ زیرا فشارهای نظارتی و همچنین فشار خردهفروشان بر صنعت گوشت و لبنیات برای کاهش مصرف آنتیبیوتیک در حال افزایش است.