कृषि उपज की भविष्यवाणी करने के लिए कृत्रिम बुद्धिमत्ता एल्गोरिदम का उपयोग किया जाता है

यह अनुमान लगाया गया है कि सटीक कृषि बाजार 12.9 तक 2027 बिलियन डॉलर तक पहुंच जाएगा। इस वृद्धि के साथ, परिष्कृत डेटा-विश्लेषण समाधानों की आवश्यकता है जो वास्तविक समय में प्रबंधन निर्णयों का मार्गदर्शन करने में सक्षम हैं। इलिनोइस विश्वविद्यालय में एक अंतःविषय समूह द्वारा एक नई पद्धति विकसित की गई है, और इसका उद्देश्य सटीक कृषि डेटा को कुशलतापूर्वक और सटीक रूप से संसाधित करना है।

निकोलस मार्टिन इलिनोइस में फसल विज्ञान विभाग में सहायक प्रोफेसर और अध्ययन के सह-लेखक हैं।

“हम यह बदलने की कोशिश कर रहे हैं कि लोग कृषि अनुसंधान कैसे चलाते हैं। एक छोटा सा खेत प्लॉट स्थापित करने, आँकड़े चलाने और साधन प्रकाशित करने के बजाय, हम जो करने की कोशिश कर रहे हैं उसमें किसान कहीं अधिक सीधे तौर पर शामिल है। हम किसानों की मशीनरी को उनके ही खेत में प्रयोग कर रहे हैं। हम विभिन्न इनपुट के लिए साइट-विशिष्ट प्रतिक्रियाओं का पता लगा सकते हैं। और हम देख सकते हैं कि क्षेत्र के विभिन्न हिस्सों में कोई प्रतिक्रिया है या नहीं," वे कहते हैं।

“हमने उपज पूर्वानुमान उत्पन्न करने के लिए गहन शिक्षण का उपयोग करके पद्धति विकसित की। इसमें विभिन्न स्थलाकृतिक चर, मिट्टी की इलेक्ट्रोकंडक्टिविटी, साथ ही नाइट्रोजन और बीज दर उपचार की जानकारी शामिल है जो हमने नौ मिडवेस्टर्न मकई क्षेत्रों में लागू की है।

टीम ने अपना दृष्टिकोण विकसित करने में मदद के लिए डेटा इंटेंसिव फार्म मैनेजमेंट प्रोजेक्ट से 2017 और 2018 के डेटा का उपयोग किया। उस परियोजना में, 226 खेतों में अलग-अलग दरों पर बीज और नाइट्रोजन उर्वरक लागू किए गए थे। वे क्षेत्र दुनिया के विभिन्न क्षेत्रों में थे, जिनमें मिडवेस्ट, ब्राज़ील, अर्जेंटीना और दक्षिण अफ्रीका शामिल थे। प्लैनेटलैब द्वारा उच्च-रिज़ॉल्यूशन उपग्रह चित्र प्रदान किए गए थे, और उपज की भविष्यवाणी करने के लिए उन्हें ऑन-ग्राउंड माप के साथ जोड़ा गया था।

खेतों को डिजिटल रूप से 5-मीटर वर्गों में विभाजित किया गया था। कंप्यूटर को प्रत्येक वर्ग के लिए मिट्टी, ऊंचाई, नाइट्रोजन अनुप्रयोग दर और बीज दर पर डेटा दिया गया था, और फिर यह सीखना शुरू हुआ कि उस वर्ग में उपज कारकों की परस्पर क्रिया से कैसे निर्धारित होती है।

अपने विश्लेषण को पूरा करने के लिए, शोधकर्ताओं ने कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) पर भरोसा किया। सीएनएन एक प्रकार की मशीन लर्निंग या कृत्रिम बुद्धिमत्ता है। जबकि कुछ प्रकार की मशीन लर्निंग कंप्यूटर को मौजूदा पैटर्न में नया डेटा जोड़ने के लिए प्रेरित करती है, कन्वेन्शनल न्यूरल नेटवर्क मौजूदा पैटर्न को ध्यान में नहीं रखते हैं। सीएनएन डेटा को देखता है और उन पैटर्न को सीखता है जो इसे व्यवस्थित करने के लिए ज़िम्मेदार हैं, और यह उसी तरह से काम करता है जैसे मनुष्य मस्तिष्क के भीतर तंत्रिका नेटवर्क के माध्यम से जानकारी व्यवस्थित करते हैं। सीएनएन दृष्टिकोण उच्च सटीकता दर के साथ उपज की भविष्यवाणी करने में सक्षम था, और इसकी तुलना अन्य मशीन लर्निंग एल्गोरिदम और पारंपरिक सांख्यिकीय तकनीकों से की गई थी।

“हम वास्तव में नहीं जानते कि किसी क्षेत्र में इनपुट पर उपज प्रतिक्रियाओं में अंतर का कारण क्या है। कभी-कभी लोगों को यह विचार होता है कि एक निश्चित स्थान को नाइट्रोजन के प्रति वास्तव में दृढ़ता से प्रतिक्रिया करनी चाहिए और ऐसा नहीं होता है, या इसके विपरीत। सीएनएन छिपे हुए पैटर्न को पकड़ सकता है जो प्रतिक्रिया का कारण बन सकता है, ”मार्टिन कहते हैं। "और जब हमने कई तरीकों की तुलना की, तो हमें पता चला कि सीएनएन उपज भिन्नता को समझाने के लिए बहुत अच्छी तरह से काम कर रहा था।"

सटीक कृषि से डेटा का विश्लेषण करने के लिए कृत्रिम बुद्धिमत्ता का उपयोग एक नया क्षेत्र है, लेकिन यह बढ़ रहा है। कृषि उन प्रमुख उद्योगों में से एक है जिसमें कृत्रिम बुद्धिमत्ता द्वारा काफी बदलाव आएगा और इसका उपयोग लगातार बढ़ रहा है। मार्टिन के अनुसार, यह प्रयोग विभिन्न अनुप्रयोगों में सीएनएन के उपयोग की शुरुआत मात्र है।

"आखिरकार, हम इसका उपयोग इनपुट और साइट बाधाओं के दिए गए संयोजन के लिए इष्टतम अनुशंसाओं के साथ आने के लिए कर सकते हैं।"