مصنوعی ذہانت کا الگورتھم زراعت کی پیداوار کا اندازہ لگانے کے لیے استعمال کیا جاتا ہے۔

یہ پیش گوئی کی گئی ہے کہ درست زراعت کی مارکیٹ 12.9 تک $2027 بلین تک پہنچ جائے گی۔ اس اضافے کے ساتھ، جدید ترین ڈیٹا تجزیہ حل کی ضرورت ہے جو حقیقی وقت میں انتظامی فیصلوں کی رہنمائی کرنے کے قابل ہوں۔ الینوائے یونیورسٹی میں ایک بین الضابطہ گروپ کی طرف سے ایک نیا طریقہ کار تیار کیا گیا ہے، اور اس کا مقصد زرعی اعداد و شمار کی درستگی کو مؤثر طریقے سے اور درست طریقے سے پروسیس کرنا ہے۔

نکولس مارٹن الینوائے میں فصل سائنس کے شعبہ میں اسسٹنٹ پروفیسر اور مطالعہ کے شریک مصنف ہیں۔

"ہم یہ تبدیل کرنے کی کوشش کر رہے ہیں کہ لوگ کس طرح زرعی تحقیق چلاتے ہیں۔ ایک چھوٹا سا فیلڈ پلاٹ قائم کرنے، اعدادوشمار چلانے، اور ذرائع شائع کرنے کے بجائے، ہم جو کچھ کرنے کی کوشش کر رہے ہیں اس میں کاشتکار کہیں زیادہ براہ راست شامل ہیں۔ ہم کسانوں کی مشینری کے ساتھ ان کے اپنے کھیتوں میں تجربات کر رہے ہیں۔ ہم مختلف ان پٹس پر سائٹ کے مخصوص ردعمل کا پتہ لگا سکتے ہیں۔ اور ہم دیکھ سکتے ہیں کہ آیا میدان کے مختلف حصوں میں کوئی ردعمل ہے،" وہ کہتے ہیں۔

"ہم نے پیداوار کی پیشین گوئیاں پیدا کرنے کے لیے گہری تعلیم کا استعمال کرتے ہوئے طریقہ کار تیار کیا۔ اس میں مختلف ٹپوگرافک متغیرات، مٹی کی الیکٹرو کنڈکٹیویٹی، نیز نائٹروجن اور بیج کی شرح کے علاج سے متعلق معلومات شامل کی گئی ہیں جن کا اطلاق ہم نے نو مڈ ویسٹرن مکئی کے کھیتوں میں کیا ہے۔"

ٹیم نے ڈیٹا انٹینسیو فارم مینجمنٹ پروجیکٹ سے 2017 اور 2018 کا ڈیٹا استعمال کیا تاکہ ان کے نقطہ نظر کو تیار کرنے میں مدد ملے۔ اس منصوبے میں 226 کھیتوں میں بیج اور نائٹروجن کھاد مختلف نرخوں پر لاگو کی گئی۔ وہ میدان دنیا کے مختلف علاقوں میں تھے جن میں مڈویسٹ، برازیل، ارجنٹائن اور جنوبی افریقہ شامل ہیں۔ اعلی ریزولیوشن سیٹلائٹ تصاویر PlanetLab کی طرف سے فراہم کی گئی تھیں، اور پیداوار کی پیشن گوئی کرنے کے لیے انہیں زمینی پیمائش کے ساتھ جوڑا گیا تھا۔

کھیتوں کو ڈیجیٹل طور پر 5 میٹر مربعوں میں الگ کیا گیا تھا۔ کمپیوٹر کو ہر مربع کے لیے مٹی، بلندی، نائٹروجن کی درخواست کی شرح، اور بیج کی شرح کا ڈیٹا دیا گیا، اور اس کے بعد اس نے یہ سیکھنا شروع کیا کہ اس مربع میں پیداوار کا تعین عوامل کے تعامل سے کیسے ہوتا ہے۔

اپنے تجزیے کو مکمل کرنے کے لیے، محققین نے convolutional neural network (CNN) پر انحصار کیا۔ CNN مشین لرننگ یا مصنوعی ذہانت کی ایک قسم ہے۔ اگرچہ مشین لرننگ کی کچھ قسمیں کمپیوٹرز کو موجودہ نمونوں میں نیا ڈیٹا شامل کرنے کے لیے حاصل کرتی ہیں، لیکن عصبی عصبی نیٹ ورک موجودہ پیٹرن کو مدنظر نہیں رکھتے۔ CNN ڈیٹا کو دیکھتا ہے اور ان نمونوں کو سیکھتا ہے جو اسے منظم کرنے کے لیے ذمہ دار ہوتے ہیں، اور یہ اسی طرح کام کرتا ہے جس طرح انسان دماغ کے اندر موجود عصبی نیٹ ورکس کے ذریعے معلومات کو منظم کرتا ہے۔ CNN نقطہ نظر اعلی درستگی کی شرح کے ساتھ پیداوار کی پیش گوئی کرنے کے قابل تھا، اور اس کا موازنہ دیگر مشین لرننگ الگورتھم اور روایتی شماریاتی تکنیکوں سے کیا گیا۔

"ہم واقعی میں نہیں جانتے کہ ایک فیلڈ میں ان پٹ کے جوابات میں فرق کی وجہ کیا ہے۔ بعض اوقات لوگوں کو یہ خیال آتا ہے کہ ایک خاص جگہ کو نائٹروجن کا سختی سے جواب دینا چاہیے اور ایسا نہیں ہوتا، یا اس کے برعکس۔ CNN چھپے ہوئے نمونوں کو اٹھا سکتا ہے جو ردعمل کا سبب بن سکتے ہیں، "مارٹن کہتے ہیں۔ "اور جب ہم نے کئی طریقوں کا موازنہ کیا، تو ہمیں پتہ چلا کہ CNN پیداوار کے تغیرات کی وضاحت کے لیے بہت اچھا کام کر رہا ہے۔"

صحت سے متعلق زراعت سے ڈیٹا کا تجزیہ کرنے کے لیے مصنوعی ذہانت کا استعمال ایک نیا شعبہ ہے، لیکن یہ وہی ہے جو بڑھ رہا ہے۔ زراعت ان بڑی صنعتوں میں سے ایک ہے جس میں مصنوعی ذہانت سے بڑی تبدیلی آئے گی اور اس کے استعمال میں مسلسل اضافہ ہو رہا ہے۔ مارٹن کے مطابق، یہ تجربہ صرف CNN کے مختلف ایپلی کیشنز میں استعمال ہونے کا آغاز ہے۔

"بالآخر، ہم اس کا استعمال ان پٹ اور سائٹ کی رکاوٹوں کے دیے گئے امتزاج کے لیے بہترین سفارشات کے ساتھ کر سکتے ہیں۔"