کشاورزی دقیق
کاربردهای هوش مصنوعی

تکنولوژی‌ها و ترندهای کشاورزی دقیق: کاربرد نرخ متغیر

    0
    مدت زمان مطالعه: ۵ دقیقه

    کشاورزی دقیق مدل ارتقاءیافته‌ی کشاورزی‌های سنتی است. این حوزه را با نام مزرعه‌داری ماهواره‌ای Satellite farming نیز می‌شناسند؛ این مفهوم‌ بر اساس مشاهده، اندازه‌گیری و پاسخ به تنوع درون و بین‌زمینی محصولات بنا شده است. کاربرد نرخ متغیر (VRA) یکی از ترندهای امیدوارکننده‌ی کشاورزی دقیق و مدرن است.

    VRA تنها به کوددهی، بذرپاشی و آفت‌کشی نمی‌پردازد. بلکه عمدتاً در مورد تکنولوژی‌هایی است که برای به کار بردن (خودکار) مواد مصرفی مختلف در زمین، بالا و زیر آن مورد استفاده قرار می‌گیرند. قصد داریم در مورد کاربرد نرخ متغیر (VRA)، مزایای آن و تکنولوژی‌هایی که آن را تقویت می‌کنند توضیح دهیم.

    کشاورزی دقیق ارتقاءیافته‌ی کشاورزی سنتی محسوب می‌شود و نرخ متغیر VRA یکی از ترندهای این حوزه است که آینده‌ی درخشانی را در پیش خواهد داشت و به بهینه‌سازی رشد محصولات، کاهش هزینه‌ها، ذخیره‌ی مواد و بخش‌های دیگر کمک می‌کند. در این مقاله‌، مزایای VRA و تأثیر آن روی کسب‌وکار کشاورزی را بررسی می‌کنیم.

    مزایای نرخ متغیر VRA

    نرخ متغیر VRA راه بسیار خوبی برای بهینه‌سازی رشد محصولات، کاهش هزینه‌ها، صرفه‌جویی در مواد مصرفی (همچون کود‌ها، مواد شیمیایی، بذرها و غیره) و نگهداری محیط زیست به شمار می‌رود. همه‌ی این‌ها به لطف تکنولوژی‌های نرخ متغیر که در کشاورزی مدرن به کار می‌روند امکان‌پذیر می‌باشند:

    • نرخ متغیر کود Variable rate fertilizer : پایه‌ی کشاورزی مدرن محسوب می‌شود.
    • نرخ متغیر بذرپاشی Variable rate seeding : نرخ بذرپاشی را در مناطق حاصل‌خیز زمین افزایش و در مناطقی که باروری کمتری دارند، کاهش داده و بدین ترتیب بازده محصولات را بالا می‌برند.
    • نرخ متغیر آبیاری Variable rate irrigation : امکان نظارت بر دخایر آب و ذخیره‌ی زمان، آب و سوخت را فراهم کرده و از فرسایش ماشین‌آلات کشاورزی می‌کاهد.
    • نرخ متغیر آفت‌کشی Variable rate pesticide : در مصرف آفت‌کش‌ها را صرفه‌جویی کرده، نرخ استفاده از آن‌ها را بهبود بخشیده و تا حد معناداری آلودگی محیط زیست را کاهش می‌دهد.

    کشاورزی دقیق

    برداشت مزایای نرخ متغیر VRA

    استفاده از ابزارهای تکنولوژی گوناگون برای کاربرد VRA ضروری است. این تکنولوژی‌ها شامل مواردی از قبیل مهندسی وسایل نقلیه‌، بذرپاش‌ها، کودها، سنسورهای رطوبت‌سنج خاک Soil sensors ، سیستم ماهواره‌ای ناوبری جهانی (GNSS) و سیستم اطلاعات جغرافیایی (GIS) به منظور نقشه‌برداری از زمین هستند. برای بهره‌گیری از این تکنولوژی‌ها به این موارد نیاز دارید:

    • ماشین‌آلات مخصوص کشاورزی مثل تراکتور، بذرپاش و کوددهنده.
    • تصویربرداری ماهواره‌ای، سنسورهای رطوبت‌سنج و هواسنج، و برنامه‌های هوش مصنوعی.
    • زیرساختارهای پشتیبانی‌کننده برای پردازش و ذخیره‌ی انواع داده‌های به دست آمده از منابع گوناگون.

    دلیل لزوم این موارد این است که مبنای کشاورزی دقیق، داده‌ها هستند. نکته‌ی کلیدی اینجاست که بدانید کجا، چه چیزی و چه زمانی بذرپاشی، کوددهی یا برداشت را انجام دهید و چه مواد مصرفی را به چه میزانی به کار ببرید.

    این داده‌ها از چندین منبع به دست می‌آید:

    • سنسورها: مواد معدنی و مغذی موجود در خاک، تراکم، رطوبت، و هوا (دما، رطوبت و سرعت باد) را می‌سنجند.
    • سیستم ماهواره‌ای ناوبری جهانی (GNSS): مختصات وقایع و نقطه و زمان را برای جمع‌آوری داده‌های سری‌های زمانی در اختیار قرار می‌دهد.
    • تصویربرداری ماهواره‌ای و دوربین‌های کنترل از راه دور Drones : امکان تصویربرداری ابرطیفی را فراهم می‌آورد.
    • نقشه‌ها: مرزها، سطوح زمین و نوع خاک را نشان می‌دهد.
    • منابع داده‌ای فضایی-زمانی: اطلاعاتی در مورد مسیر ماشین‌آلات کشاورزی، نقاط دقیق، نقاط فضایی-زمانی و داده‌های سری‌های زمانی را در اختیار می‌گذارند.
    • راهکارهای هوش مصنوعی: تشخیص بیماری‌های گیاهان و پیش‌بینی شرایط آب‌وهوایی را امکان‌پذیر می‌کنند.

    با این حال داده‌های خام قابلیت استفاده‌ی چندانی نخواهند داشت. باید آن‌ها را پردازش و به اطلاعات تبدیل کنید تا به بینش، تصمیم‌گیری، هشدارهای خودکار و سیگنال‌های کنترلی از تجهیزات (مثل بذرپاش‌ها و کود‌دهنده‌ها) دست یابید. بنابراین باید بتوانید این اقدامات را انجام دهید:

    • داده‌ها را جمع‌آوری کنید.
    • داده‌ها را پردازش نمایید تا اطلاعات مفیدی برای تجهیزات کشاورزی دقیق به دست آورید.
    • داده‌ها را روی ماشین‌آلات کشاورزی بارگذاری کنید.
    • داده‌های واقعی را از تراکتورها، کوددهنده‌ها، بذرپاش‌ها و سایر ماشین‌آلات دریافت کنید.

    چالش‌های مرتبط با داده در VRA

    هرچند آن‌چه بیان شد امیدوارکننده به نظر می‌رسد، چالش‌هایی هم وجود دارند که برای بهره‌گیری از مزایای VRA باید از سر راه بردارید.

    داده‌های یکسان از منابع متفاوت

    اولین چالش مربوط به داده‌های یکسانی است که از منابع مختلف به دست می‌آیند و میزان دقت و رزولوشن زمانی Temporal resolution متفاوتی دارند.

    در چنین مواردی باید انتخاب کنید که کدام منبع در دسترس‌تر و برای آن کاربرد خاص مناسب‌تر است. برای مثال وقتی می‌خواهید در مورد شرایط آب و هوا (احتمال بارش، باد) اطلاعات کسب کنید، بهتر است داده‌ها را از سرویس پیش‌بینی آب و هوا دریافت کنید یا یک ایستگاه هواشناسی محلی؟ آیا ایستگاه هواشناسی محلی قابلیت دسترسی بهتری ندارد؟

    سؤال دیگر این است که چطور می‌توانید داده‌های ماهواره‌ای با رزولوشن زمانی بالا و روزولوشن فضایی (تقریباً) پایین را با تصاویر دوربین کنترلی که رزولوشن زمانی پایین و رزولوشن فضایی بالایی دارند ترکیب کنید؟

    ساختار داده‌های خاص حوزه

    چالش بعدی به ساختارهای داده‌ای خاص حوزه برای ذخیره‌ی داده‌های اندازه‌گیری (حقیقی) ربط دارد.

    این مشکل را می‌توان با استفاده از یک نقشه‌ی حاصل‌خیزی خاک حل کرد. زمین‌ها به بلوک‌های مختلف تقسیم می‌شوند؛ ما برای هر بلوک چندین ابزار اندازه‌گیری (تجزیه‌تحلیل محصولات شیمایی-کشاورزی) داریم. هر بلوک بر اساس نتایجی که از آزمایش خاک به دست می‌آید، پیشنهاد خاصی برای کوددهی دریافت می‌کند. همه‌ی این داده‌ها باید در یک پایگاه داده‌ی فضایی-زمانی ذخیره شوند تا برای مزرعه یا زمان موردنظر تجزیه‌تحلیل گردند.

    نظارت بر مسیر بذرپاش‌ها و تعداد بذرهای کاشته شده برای مبارزه با مسائل رایجی همچون کشت مضاعف و جااندازی محل کشت نیز اهمیت بالایی دارد.

    دقت داده‌ها

    دقت و کفایت Adequacy داده‌ها هم چالشی است که باید حل شود. چند پیشنهاد برای این کار را این‌جا بیان می‌کنیم.

    رزولوشن فضایی داده‌های ماهواره‌ای باید با مسئله‌ای که (آن داده‌ها) قرار است حل کنند، همخوانی داشته باشد. برای مثال برای زمین‌های کوچک، تشخیص مرزها با استفاده از تصاویر Sentinel-2 با رزولوشن فضایی ۱۰ متر در پیکسل ایده‌ی خوبی نخواهد بود، زیرا دقت آن +/-۱۰ متر است. در عوض بهتر است از داده‌های دقیق‌تر Planet برای تشخیص اضلاع زمین و از داده‌هایی که دقت کمتر (و سنسورهای بیشتر) دارند برای محاسبه‌ی شاخص‌های کشاورزی موردنیاز استفاده کنیم.

    داده‌های ماهواره‌ای ممکن است قطعاتی داشته باشند که در آن‌ها ابر وجود دارد. ابرها روی تصاویری که از سطح گرفته شده سایه انداخته و منجر به خطا در محاسبه‌ی شاخص‌ها و بلااستفاده شدن آن‌ها می‌شوند. بنابراین لازم است وجود ابر در قسمت‌های خاصی از تصاویر را تعریف و آن را از محاسبه‌گر خارج کنیم یا از الگوریتم‌های یادگیری ماشینی پیچیده‌ی حذف ابر Sophisticated cloudiness cleaning ML algorithms استفاده کنیم.

    یک مشکل دیگر ذرات معلق موجود در فضا ست. به منظور جلوگیری از بی‌دقتی محاسباتی باید داده‌هایی که این ذرات را دارند تشخیص داده و روش‌های خاصی را برای حلشان به کار ببریم.

    در آخر باید به خاطر داشته باشید که ماهواره‌های دقیقی (۱ متر در پیکسل) وجود دارند که حس مبتنی بر NIR ندارند. ماهواره‌های کم‌دقت‌تر (۱۰ متر در پیکسل) هم هستند که سنسورهای NIR و سایر کانال‌های داده‌ای را دارند. اولین دسته را می‌توان برای تعیین دقیق منطقه‌ی مورد نظر به کار برد؛ دسته‌ی دوم هم قادر به کسب داده از گستره‌ی وسیعی از سنسورها به منظور محاسبه‌ی شاخص‌های گوناگون خواهند بود.

    نتیجه‌گیری

    نرخ VRA رویکردی حائز اهمیت و از نظر مالی به صرفه است که حتماً باید مدنظر داشته باشید. بنابر گزارشات و شواهد، در زمان کاشت و رشد محصولات کشاورزی دقیق VRA می‌تواند باعث ۱۰% صرفه‌جویی (بسته به نوع خاک) شود.

    با این حال فقط اگر از تکنولوژی‌هایی همچون سنسورها، GNSS، تصویربرداری ماهواره‌ای، نقشه‌های دیجیتالی و منابع داده‌ای فضایی-زمانی به خوبی استفاده کنید، می‌توانید از VRA بهره ببرید. همه‌ی این تکنولوژی‌ها داده‌های ارزشمندی را در اختیار کشاورزان قرار می‌دهند که باید تفسیر و سپس اجرا شوند.

    انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۰ میانگین: ۰]

    سرمایه‌‌‌گذاری هوش مصنوعی؛ Miso آینده فناوری‌های رستوران‌ها است

    مقاله قبلی

    پیشبرد تحقیقات هوش مصنوعی

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *