कृत्रिम बुद्धिमत्ता एल्गोरिदम का उपयोग कृषि उपज का पूर्वानुमान लगाने के लिए

यह अनुमान लगाया गया है कि सटीक कृषि बाजार 2027 तक 12.9 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 हों। 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 क्रॉप साइंसेज विभाग में सहायक प्रोफेसर हैं और अध्ययन के सह-लेखक हैं।

“हम यह बदलने की कोशिश कर रहे हैं कि लोग कृषि-विज्ञान संबंधी शोध कैसे चलाते हैं। एक छोटा खेत प्लॉट स्थापित करने, आंकड़े चलाने और माध्यम प्रकाशित करने के बजाय, जो हम करने की कोशिश कर रहे हैं उसमें किसान को अधिक सीधे तौर पर शामिल किया गया है। हम किसानों के अपने खेतों में उनकी मशीनरी के साथ प्रयोग चला रहे हैं। हम विभिन्न इनपुट के प्रति साइट-विशिष्ट प्रतिक्रियाओं का पता लगा सकते हैं। और हम देख सकते हैं कि क्या मैदान के विभिन्न हिस्सों में कोई प्रतिक्रिया है,” वे कहते हैं।

“हमने उपज पूर्वानुमान उत्पन्न करने के लिए डीप लर्निंग का उपयोग करते हुए पद्धति विकसित की। इसमें विभिन्न स्थलाकृतिक चर, मिट्टी की विद्युत चालकता, साथ ही नाइट्रोजन और बीज दर उपचारों से जानकारी शामिल है जो हमने नौ मिडवेस्टर्न मक्का खेतों में लागू किए।”

टीम ने अपने दृष्टिकोण को 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 लगाए गए थे। वे खेत दुनिया के विभिन्न क्षेत्रों में थे, जिनमें मिडवेस्ट, ब्राजील, अर्जेंटीना और दक्षिण अफ्रीका शामिल हैं। हाई-रिज़ॉल्यूशन उपग्रह छवियां PlanetLab द्वारा प्रदान की गई थीं, और उपज की भविष्यवाणी करने के लिए उन्हें जमीन पर माप के साथ जोड़ा गया था।

खेतों को डिजिटल रूप से 5-मीटर वर्गों में अलग 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 कर दिया कि उस वर्ग में उपज कारकों की परस्पर क्रिया से कैसे निर्धारित होती है।

अपने विश्लेषण को पूरा करने के लिए, शोधकर्ताओं ने एक कन्वेन्शनल न्यूरल नेटवर्क (CNN) पर भरोसा किया। CNN 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 प्राप्त करती है, कन्वेन्शनल न्यूरल नेटवर्क मौजूदा पैटर्न को ध्यान में नहीं रखते हैं। CNN डेटा को देखता है और उन पैटर्नों को सीखता है जो इसे व्यवस्थित करने के लिए जिम्मेदार हैं, और यह उसी तरह काम करता है जैसे मनुष्य मस्तिष्क के भीतर न्यूरल नेटवर्क के माध्यम से जानकारी को व्यवस्थित करते हैं। CNN 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 खेत में इनपुट के प्रति उपज प्रतिक्रियाओं में अंतर का कारण क्या है। कभी-कभी लोगों को लगता है कि एक निश्चित स्थान को नाइट्रोजन के प्रति वास्तव में मजबूती से प्रतिक्रिया देनी चाहिए और ऐसा नहीं होता है, या इसके विपरीत। CNN छिपे हुए पैटर्न पर ध्यान दे सकता है जो प्रतिक्रिया का कारण बन सकते हैं,” मार्टिन कहते हैं। “और जब हमने कई विधियों की तुलना की, तो हमने पाया कि उपज भिन्नता की व्याख्या करने के लिए CNN बहुत अच्छा काम कर रहा था।”

सटीक कृषि से डेटा का विश्लेषण करने के लिए कृत्रिम बुद्धिमत्ता का उपयोग एक नया क्षेत्र है, लेकिन यह एक ऐसा क्षेत्र है जो बढ़ रहा है। कृषि प्रमुख उद्योगों में से एक है जो कृत्रिम बुद्धिमत्ता द्वारा काफी हद तक बदल दिया जाएगा, और इसका उपयोग लगातार बढ़ रहा है। मार्टिन के अनुसार, यह प्रयोग विभिन्न प्रकार के अनुप्रयोगों में CNN के उपयोग की शुरुआत मात्र है।

“अंततः, हम किसी दिए गए इनपुट और साइट बाधाओं के संयोजन के लिए इष्टतम सिफारिशें लेकर आने के लिए इसका उपयोग कर सकते हैं।”