By Yogita kinha, Nhà tư vấn và Blogger

Cuộc Cách mạng Xanh trong những năm 1950 và 1960 đã thúc đẩy đáng kể sản xuất lương thực toàn cầu trên toàn thế giới, cứu một tỷ người khỏi nạn đói. Cuộc cách mạng đã dẫn đến việc áp dụng các công nghệ mới như giống ngũ cốc năng suất cao (HYV), phân bón hóa học và hóa chất nông nghiệp, tưới tiêu tốt hơn và cơ giới hóa các phương pháp canh tác.

Ấn Độ đã làm theo và áp dụng việc sử dụng hạt giống lai, máy móc, phân bón và thuốc trừ sâu. Mặc dù những cách làm này giải quyết được vấn đề thiếu lương thực, nhưng chúng cũng tạo ra một số vấn đề như sử dụng quá nhiều phân bón và thuốc trừ sâu, cạn kiệt nguồn nước ngầm, thoái hóa đất, v.v. sử dụng đúng hóa chất, v.v.

Theo Tổ chức Lương thực và Nông nghiệp Liên hợp quốc, dân số toàn cầu sẽ tăng thêm 2 tỷ người vào năm 2050. Với diện tích đất canh tác hạn chế và số miệng ăn ngày càng tăng theo cấp số nhân, chúng ta hiện đang cần một cuộc Cách mạng Xanh lần thứ hai. Một cuộc Cách mạng Xanh thông minh hơn, nhanh nhẹn và có ý thức về môi trường — một Cuộc Cách mạng Xanh được thúc đẩy bởi dữ liệu lớn, Internet vạn vật (IoT), trí tuệ nhân tạo (AI) và học máy.

Một số thách thức mà người nông dân phải đối mặt từ khi gieo hạt đến khi thu hoạch vụ mùa như sau:

1. Bệnh hại cây trồng
2. Thiếu quản lý lưu trữ
3. kiểm soát thuốc trừ sâu
4. Quản lý cỏ dại
5. Thiếu công trình tưới, tiêu.

Ưu điểm chính của việc tập trung vào các phương pháp dựa trên AI là chúng giải quyết từng vấn đề một cách riêng biệt và thay vì khái quát hóa, cung cấp các giải pháp tùy chỉnh cho một vấn đề cụ thể.

Các lĩnh vực ứng dụng và phát triển AI tiềm năng

• Phân tích Dự đoán và Đề xuất — Trí tuệ nhân tạo và Máy học có thể giúp nông dân bằng cách đề xuất ngày gieo hạt cho các loại cây trồng khác nhau dựa trên điều kiện thời tiết. Các mô hình ML cũng có thể đề xuất các điều chỉnh trong các kiểu cắt xén để tăng năng suất. Bằng cách sử dụng dữ liệu sản xuất lịch sử, dự báo thời tiết, thông tin hạt giống và thông tin cung cầu, ML có thể được sử dụng để dự báo lượng hạt giống cần được trồng để đáp ứng nhu cầu ngày càng tăng.
• Quản lý chuỗi cung ứng- AI có thể được sử dụng để dự đoán nhu cầu bằng cách phân tích các yếu tố đầu vào như tốc độ tăng dân số, mô hình nhu cầu lịch sử đối với hàng hóa lương thực, mô hình lương thực thiết yếu theo khu vực, cùng các yếu tố đầu vào khác. Thông tin này có thể được sử dụng để sửa đổi mô hình trồng trọt một cách hiệu quả, đồng thời giảm thiểu lãng phí năng suất cây trồng và tăng lợi nhuận cho nông dân.
• Xác định bệnh cây — Hình ảnh cắt được phân tích bằng công nghệ thị giác máy tính và được phân chia thành các khu vực như nền, phần khỏe mạnh và phần bị bệnh. Phần bị bệnh sau đó được chụp và gửi đến các phòng thí nghiệm từ xa để chẩn đoán thêm.

• Phát hiện sâu bệnh — Tương tự như vậy, quá trình tiền xử lý ảnh lá giúp phát hiện sớm sự xâm nhập của sâu bệnh và cho phép nông dân hành động nhanh chóng và giảm thiểu thiệt hại.
• Theo dõi sức khỏe của đất — Các ứng dụng ML và Deep learning được sử dụng để xác định các khiếm khuyết tiềm ẩn và sự thiếu hụt chất dinh dưỡng trong đất. Các thuật toán phân tích các mẫu đất và tương quan các kiểu tán lá cụ thể với một số khuyết tật của đất, sâu bệnh và bệnh thực vật.

Có sự tiến bộ đáng kể theo hướng này trên toàn cầu

 
Nông dân đang triển khai robot, cảm biến không dây trên mặt đất và máy bay không người lái để đánh giá các điều kiện trồng trọt. Nhiều nhà nghiên cứu và dự án thí điểm đã được tiến hành để kiểm tra tác động của việc ứng dụng AI vào việc cải thiện nông nghiệp.

• Song Và Anh (2005) thực hiện nghiên cứu phát triển hệ chuyên gia chẩn đoán thông minh và mang theo tại nhà (ES) dựa trên mạng nơ-ron nhân tạo để phát hiện kịp thời các rối loạn dinh dưỡng cây trồng. Xác thực trường chỉ ra rằng các lỗi dự đoán nhỏ hơn 8%.!!
• Shahzadi và cộng sự. (2016) đã tiến hành nghiên cứu để phát triển một hệ thống chuyên gia để phân biệt cỏ dại với cây trồng với sự trợ giúp của phân tích hình ảnh và mạng lưới thần kinh. Trong số 100 nông dân tham gia thử nghiệm hệ thống này, 65 người hài lòng.
• Arif và cộng sự. (2012) đã phát triển hai mô hình ANN để ước tính độ ẩm của đất trên các cánh đồng lúa với dữ liệu khí tượng hạn chế và độ ẩm của đất ước tính với các giá trị R2 lần lượt là 0.80 và 0.73 cho các quy trình đào tạo và xác nhận. Do đó, mô hình ANN ước tính độ ẩm của đất một cách đáng tin cậy với dữ liệu khí tượng hạn chế.
• Các nhà nghiên cứu Patil và Thorat (2016) đã phát triển một hệ thống dựa trên ML dự đoán trước bệnh nho. Hệ thống này cũng đề xuất các loại thuốc trừ sâu nên sử dụng để tránh sự lây lan của dịch bệnh.

Hệ thống phát hiện bệnh nho bằng thuật toán ML

Nhiều tổ chức lớn và công ty khởi nghiệp đang bắt tay vào phát triển các ứng dụng và IOT cho phép các thiết bị triển khai các ứng dụng AI để giúp nông dân trên quy mô lớn.

• Microsoft phối hợp với Viện nghiên cứu cây trồng quốc tế cho vùng nhiệt đới bán khô cằn (ICRISAT) đã phát triển Ứng dụng gieo hạt bằng trí tuệ nhân tạo. Ứng dụng này sẽ gửi lời khuyên gieo hạt cho nông dân vào ngày tối ưu để gieo hạt. Nông dân không cần phải cài đặt bất kỳ cảm biến nào trên cánh đồng của họ hoặc chịu bất kỳ chi phí vốn nào. Tất cả những gì họ cần là một chiếc điện thoại phổ thông có khả năng nhận tin nhắn văn bản. Dự án thí điểm sử dụng ứng dụng gieo hạt AI để đề xuất ngày gieo hạt, làm đất, bón phân dựa trên thử nghiệm đất, bón phân chuồng trại, xử lý hạt giống, độ sâu gieo tối ưu, v.v. cho nông dân, giúp tăng 30% năng suất cây trồng trung bình trên mỗi ha
• Microsoft trong một sáng kiến ​​khác đã hợp tác với United Phosphorus Limited để xây dựng API Dự đoán rủi ro dịch hại sử dụng trí tuệ nhân tạo và máy học để chỉ ra trước nguy cơ bị dịch hại tấn công. Dựa trên điều kiện thời tiết và giai đoạn sinh trưởng của cây trồng, các đợt tấn công của dịch hại được dự đoán là Cao, Trung bình hoặc Thấp.
• Một công ty dựa trên công nghệ tên là NatureFresh, có trụ sở tại Hoa Kỳ, đang phát triển công nghệ để dự đoán khoảng thời gian mà một loại cây trồng sẽ cần để tạo ra năng suất. Một ống kính robot sẽ chụp ảnh cận cảnh các loài thực vật. Các hình ảnh sẽ được đưa vào một thuật toán trí tuệ nhân tạo có thể dự đoán chính xác thời gian cần thiết để cây trồng chín và sẵn sàng được hái, đóng gói và chuyển đến các cửa hàng tạp hóa. Công nghệ này sẽ có thể xác định số lượng sản lượng sẽ có sẵn để bán trong tương lai.

Từ việc phát hiện sâu bệnh đến dự đoán loại cây trồng nào sẽ mang lại lợi nhuận cao nhất, trí tuệ nhân tạo có thể giúp nhân loại đối mặt với một trong những thách thức lớn nhất: cung cấp lương thực cho thêm 2 tỷ người vào năm 2052, ngay cả khi biến đổi khí hậu làm gián đoạn mùa trồng trọt, biến đất canh tác thành sa mạc và lũ lụt đồng bằng châu thổ một thời màu mỡ với nước biển.

Nông dân có thể sử dụng AI để xác định ngày tối ưu để gieo hạt, phân bổ chính xác các nguồn lực như nước và phân bón, xác định các loại bệnh cây trồng để điều trị nhanh hơn cũng như phát hiện và tiêu diệt cỏ dại. Máy học làm cho các hoạt động này thông minh hơn theo thời gian. Nó cũng có thể giúp nông dân dự báo năm tới bằng cách sử dụng dữ liệu sản xuất lịch sử, dự báo thời tiết dài hạn, thông tin hạt giống biến đổi gen và dự đoán giá cả hàng hóa, trong số các yếu tố đầu vào khác, để khuyến nghị nên gieo bao nhiêu hạt giống.

 
Tài liệu tham khảo:

Tương lai của trí tuệ nhân tạo trong nông nghiệp – Intel
Một ống kính robot phóng to bông hoa màu vàng của cây giống cà chua. Hình ảnh của cây chảy vào một…

https://www.mindtree.com/sites/default/files/2018-04/Artificial%20Intelligence%20in%20Agriculture.pdf

https://cloudblogs.microsoft.com/2018/11/29/feeding-the-world-with-ai-driven-agriculture-innovation/ https://www.sciencedirect.com/science/article/pii/S2589721719300182

Được xuất bản lần đầu tại https://www.edvancer.in Tháng Sáu 30, 2019.

 
Tiểu sử: Yogita kinha là một chuyên gia có năng lực với kinh nghiệm trong R, Python, Máy học và môi trường phần mềm cho tính toán thống kê và đồ họa, thực hành kinh nghiệm về hệ sinh thái Hadoop cũng như kiểm tra và báo cáo trong miền kiểm tra phần mềm.

Nguyên. Đăng lại với sự cho phép.

Liên quan:

• Học máy trong nông nghiệp: Ứng dụng và kỹ thuật
• Hướng dẫn dễ dàng để chọn đúng thuật toán Machine Learning
• Phát hiện bệnh cây trồng bằng máy học và thị giác máy tính