कृत्रिम बुद्धिमत्ता एल्गोरिथ्म का उपयोग कृषि उत्पादन की भविष्यवाणी के लिए किया जाता है

यह अनुमान लगाया गया है कि सटीक कृषि बाजार 2027 तक 12.9 अरब डॉलर तक पहुंच जाएगा। इस वृद्धि के साथ, वास्तविक समय में प्रबंधन निर्णयों को निर्देशित करने में सक्षम जटिल डेटा-विश्लेषण समाधानों की आवश्यकता है। इलिनोइस विश्वविद्यालय में एक अंतःविषय समूह द्वारा एक नई विधि विकसित की गई है, और इसका उद्देश्य सटीक कृषि डेटा को कुशलता से और सटीक रूप से संसाधित करना है।

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

“हम कृषि अनुसंधान को चलाने के तरीके को बदलने की कोशिश कर रहे हैं। एक छोटा फील्ड प्लॉट स्थापित करने के बजाय, आंकड़े चलाने और माध्य प्रकाशित करने के बजाय, हम क्या करने की कोशिश कर रहे हैं वह किसान को अधिक सीधे शामिल करता है। हम किसानों की मशीनरी के साथ उनके अपने खेतों में प्रयोग चला रहे हैं। हम साइट-विशिष्ट प्रतिक्रियाओं का पता लगा सकते हैं और देख सकते हैं कि क्या क्षेत्र के विभिन्न हिस्सों में प्रतिक्रिया होती है,” वह कहते हैं।

“हमने गहरे शिक्षण का उपयोग करके उपज की भविष्यवाणी करने के लिए एक विधि विकसित की है। यह विभिन्न टोपोग्राफिक चर, मिट्टी की विद्युत चालकता, और हमने नौ मध्य-पश्चिमी मक्का के खेतों में लागू किए गए नाइट्रोजन और बीज दर उपचारों से जानकारी शामिल करता है।”

टीम ने अपने दृष्टिकोण को विकसित करने में मदद के लिए 2017 और 2018 के डेटा इंटेंसिव फार्म मैनेजमेंट परियोजना से डेटा का उपयोग किया। उस परियोजना में, बीज और नाइट्रोजन उर्वरक को विभिन्न दरों पर 226 खेतों में लागू किया गया था। वे खेत दुनिया के विभिन्न हिस्सों में, मध्य-पश्चिम, ब्राजील, अर्जेंटीना और दक्षिण अफ्रीका में थे। प्लैनेटलैब द्वारा उच्च-रिज़ॉल्यूशन सैटेलाइट इमेज प्रदान की गई थीं, और उन्हें जमीनी उपायों के साथ जोड़कर उपज की भविष्यवाणी की गई थी।

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

अपने विश्लेषण को पूरा करने के लिए, शोधकर्ताओं ने एक कनवोल्यूशनल न्यूरल नेटवर्क (सीएनएन) पर भरोसा किया। सीएनएन एक प्रकार का मशीन लर्निंग या कृत्रिम बुद्धिमत्ता है। जबकि मशीन लर्निंग के कुछ प्रकार कंप्यूटर को मौजूदा पैटर्न में नए डेटा जोड़ने के लिए मिलते हैं, कनवोल्यूशनल न्यूरल नेटवर्क मौजूदा पैटर्न पर विचार नहीं करते हैं। सीएनएन डेटा को देखते हैं और इसे व्यवस्थित करने के लिए जिम्मेदार पैटर्न सीखते हैं, और यह मानव मस्तिष्क के भीतर न्यूरल नेटवर्क के माध्यम से जानकारी को व्यवस्थित करने के तरीके के समान काम करता है। सीएनएन दृष्टिकोण उपज की भविष्यवाणी करने में उच्च सटीकता दर के साथ सक्षम था, और इसकी तुलना अन्य मशीन लर्निंग अल्गोरिदम और पारंपरिक सांख्यिकीय तकनीकों से की गई थी।

“हम वास्तव में नहीं जानते कि क्या इनपुट के प्रति उपज प्रतिक्रियाओं में अंतर का कारण बनता है। कभी-कभी लोगों को लगता है कि एक निश्चित स्थान नाइट्रोजन के प्रति बहुत मजबूती से प्रतिक्रिया देना चाहिए और यह नहीं करता है, या इसके विपरीत। सीएनएन छिपे हुए पैटर्न पर ध्यान दे सकता है जो प्रतिक्रिया का कारण बन सकता है,” मार्टिन कहते हैं। “और जब हमने कई तरीकों की तुलना की, तो हमने पाया कि सीएनएन उपज भिन्नता को समझाने के लिए बहुत अच्छा काम कर रहा था।”

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

“अंततः, हम दिए गए इनपुट और साइट प्रतिबंधों के संयोजन के लिए ऑप्टिमम सिफारिशें तैयार करने के लिए इसका उपयोग कर सकते हैं।”