نیمنگاه
«کشاورزی دقیق»(precision farming) از الگوریتم ماشینهای یادگیری استفاده میکند تا بهجای مصرف بالای آفتکشها در یک منطقه وسیع، از میزان کمتری از این مواد شیمیایی مصرف شود چرا که با این روش، بهراحتی میتوان درختان خاص، بوتهها یا حتی برگهای مورد نظر را هدف قرارداده و آفتکشها دقیقاً در محل موردنظر قرار بگیرند تا بهاینترتیب از آلودگی محصولات و همچنین خاک پیشگیری شود
کشاورزان امروزه با استفاده از اپلیکیشنهایی خاص، وضعیت آب و هوا را دائم به روز می کنند و اطلاعاتی را در زمینه بارش باران، رطوبت هوا و… در اختیار کشاورز قرار میدهند تا کاشت یا برداشت محصول، در زمان صحیح انجام شود. این اپلیکیشن ها همچنین اطلاعاتی درباره قیمت دانه های غلات و نیاز بازار به آنها میدهند تا برای کاشت، تصمیم بهتری بگیرند و بتوانند از همان ابتدا بازاریابی درستی انجام دهند
میترا جلیلی – ایران : تا سال 2050، تعداد جمعیت جهان به حدود 9میلیارد نفر خواهد رسید و این بدان معناست که نیاز به تولید محصولات غذایی دوبرابر خواهد شد. درعینحال پارامترهایی همچون گرمایش کره زمین، خشکسالی و… نیز مزید برعلت شده و مشکل را بغرنجتر خواهد کرد. اینجاست که بازهم تکنولوژیهایی همچون «اینترنت اشیا»(IOT) و هوش مصنوعی(AI) بهعنوان یک ناجی وارد عمل میشوند تا راهکارهایی نوین برای رفاه بیشتر بشر به ارمغان بیاورند و حتی بسیاری معتقدند که این فناوریها بیشترین نقش را در حوزه کشاورزی جهان ایفا خواهند کرد.
کشاورزی مدرن به کمک فناوری
چند وقتی است که هوشمصنوعی، کمپانیها و سازمانهای مختلفی را دگرگون کرده و دیگر این الگوریتمها تنها به یک جستوجوی ساده در گوگل، پیداکردن دوستانی تازه در فیسبوک یا خرید محصول از آمازون و… ختم نمیشود. نوآوری که در پشت هوشمصنوعی قراردارد یعنی ماشین یادگیری(machine leaning)، نوعی از الگوریتم است که میتواند میلیونها دیتا و اطلاعات را آنالیزکند تا به الگوهایی مناسب دست یابد و از این الگوها برای پیشبینیهای دقیق استفاده شود. وقتی از این مراحل در کشاورزی استفاده شود، بیشک میتواند به این حوزه کمک کند تا بیشترین بازده را با کمترین خسارت در مزارع هوشمند داشته باشد.
یکی از این برنامهها که «کشاورزی دقیق»(precision farming) خوانده میشود، از الگوریتم ماشینهای یادگیری استفاده میکند تا بهجای مصرف بالای آفتکشها در یک منطقه وسیع، از میزان کمتری از این مواد شیمیایی مصرف شود چرا که با این روش، بهراحتی میتوان درختان خاص، بوتهها یا حتی برگهای مورد نظر را هدف قرارداده و آفتکشها دقیقاً در محل موردنظر قرار بگیرند و بهاینترتیب از آلودگی محصولات و همچنین خاک پیشگیری شود.
یکی از کمپانیهای امریکایی که در زمینه «کشاورزی دقیق»(precision farming) بسیار موفق عمل کرده است میتوان به Prospera اشاره کرد؛ کمپانی که میخواهد کشاورزی را به یک شغل برمبنای دادهها و اطلاعات تبدیل کند. این کمپانی در مزارع از دوربینها، سنسورها و همچنین اطلاعات ریز هواشناسی برای نظارت بر محصولات و واکنش سریع در موارد نیاز بهره میگیرد و با کمک ماشینهای یادگیری و هوشمصنوعی، از اطلاعات گذشته استفاده میکند تا اتفاقات آینده را پیشبینی کند و علاوه بر تلاش برای تولید محصولات بیشتر، از حمله آفتها و بروز بیماریها در مزرعه نیز پیشگیری شود که البته موفقیت و عملکرد درست همه این موارد در گرو «اینترنت اشیا»
(IOT) است. چرا که تا زمانی که اتصال مناسب اینترنت با سرعتی قابل قبول وجود نداشته باشد، نمیتوان این اطلاعات را به صورت یکپارچه دراختیار داشت.
Arable نیز کمپانی دیگری است که به «کشاورزی دقیق» اهمیت زیادی میدهد. این کمپانی با استفاده از سنسورهای هوشمند اطلاعات مختلفی ازجمله رطوبت، میزان آب مورد نیاز محصول، میزان بارندگی، اطلاعات ریز هواشناسی، زیستتوده، کلروفیل و… را جمعآوری میکند. این اطلاعات میتواند به کشاورزان کمک کند تا بر محصولات خود نظارت داشته باشند و بتوانند پیشبینیهای درستی برای وضعیت محصولات خود انجام دهند. ازسوی دیگر تعداد دفعات آبیاری نیز با توجه به اطلاعات بهدست آمده از سنسورها کاملاً براساس نیاز محصول خواهد بود و به اینترتیب در مصرف آب صرفهجویی میشود.
همچنین این سنسورها نشان میدهد که یک گیاه به چه میزان نور نیاز دارد و میزان آفتابی که در منطقه وجود دارد برای این گیاه مناسب است یا نه. البته این اطلاعات بیشتر برای محصولات گلخانهای اهمیت دارد و کشاورز میتواند با کمک اطلاعات کسب شده، میزان نور گلخانه را کم یا زیاد کند تا محصولاتی پربازده داشته باشد. از دیگر اطلاعاتی که کشاورز میتواند در مزارع هوشمند بهدست بیاورد میتوان به میزان رطوبت خاک، اطلاعات مربوط به باد، میزانPH آب، دما، میزان دیاکسیدکربن و… اشاره کرد.
برخی دیگر از نقشآفرینان حوزه کشاورزی نیز بدون استفاده از سختافزارهایی همچون سنسورها و…، با تکنولوژی همراه شدهاند. بهعنوان مثال کمپانی Conser Water از تصاویر ماهوارهای ناسا و نیز اطلاعات هواشناسی بهره میگیرد تا آب موردنیاز محصولات خود را پیشبینی کنند. البته هرچند نمیتوان نتیجه این کمپانی را با گروهی که از سنسور و دوربینهای ویژه استفاده میکنند مقایسه کرد ولی بههرحال کمتربودن هزینه در کشاورزی با این روش، میتواند کشاورزانی با درآمد پایین را جذب خود کند.
اما هوشمصنوعی، تنها در مزرعه نیست که دراختیار کشاورزان قرارمیگیرد بلکه میتواند در مراکز تحقیقاتی و آزمایشگاهها نیز نقش ویژهای ایفا کند. الگوریتمهای ماشین یادگیری میتواند در تولید و تکثیر ژنهای بهتر گیاهان در این آزمایشگاهها نقش داشته باشد و همچنین محصولات ایمنتر از آفتکشها، کودهای مناسب و… را تولید کند.
اپلیکیشنهایی برای کشاورزی مقرون به صرفهتر
اکنون کشاورزی دقیق، هم در کشورهای توسعه یافته و هم درحال توسعه پذیرفته شده است هرچند هنوز هم کشورهای درحال توسعه، عقب هستند و حرکت آنها به سمت این نوآوریها بسیار کندتر است. اکنون در ویتنام و هندوستان، اینترنت اشیا(IOT) در وسایل فناورانه کشاورزی به کار گرفته شده است که این موضوع سبب کاهش مصرف آب و نیز متصاعد شدن گازهای گلخانهای میشود. همچنین مدتی است که یک پلتفرم کشاورزی دیجیتال بهصورت آزمایشی در اختیار کشاورزان هندوستان قرار گرفته است و فعالان این عرصه با استفاده از اپلیکیشنهایی ویژه و گوشی هوشمند خود، میتوانند توصیههای لازم را درست و بموقع دریافت کنند.
این اپلیکیشنها، وضعیت آب و هوا را دائم به روز میکنند و اطلاعاتی را در زمینه بارش باران، رطوبت هوا و… در اختیار کشاورز قرار میدهند تا کاشت یا برداشت محصول، در زمان صحیح انجام شود. این اپلیکیشنها همچنین اطلاعاتی درباره قیمت دانههای غلات و نیاز بازار به آنها میدهند تا برای کاشت، تصمیم بهتری بگیرند و بتوانند از همان ابتدا بازاریابی درستی انجام دهند. گفتنی است که قرار است 150میلیون کشاورز در آسیا و آفریقا تحت پوشش این پلتفرمهای دیجیتال قرار بگیرند. محققان معتقدند وقتی کشاورزان تفاوت بازده زمینهایی که بهصورت سنتی کشت میشوند را با مزارع فناورانه ببینند مطمئناً با آغوش بازتری این تکنولوژیها را پذیرا میشوند و برای آن هزینه خواهند کرد.
اسپانیا، پیشتاز مقابله فناورانه با آفات
اسپانیا نیز برای تولید محصولات بیشتر و کمخطرتر و همچنین مقابله با آفت زیتون، امسال برای دومین بار از هوش مصنوعی(AI) بهره میگیرد. دسترسی به اطلاعات قابل پیشبینی از نحوه رفتار پشهها و آفات محصول زیتون، ابزاری قوی برای تکنیسینها و کشاورزان محسوب میشود تا بتوانند مقابله با این نوع آفت که در اقتصاد کشاورزی اسپانیا بسیار تأثیرگذار است را مدیریت کنند. این کشاورزان ابردادهها (Big Data)را توسط شبکه اطلاعات و حفاظت کشاورزی آندلس(RAIF) جمعآوری میکنند و با تحلیل و آنالیز آن ازطریق هوش مصنوعی و با کمک تکنیک ماشین یادگیری، میتوانند رفتار این پشهها را تا 4هفته بعد پیشبینی کنند. به این ترتیب با شناسایی مناطقی که بیشتر درمعرض خطر قرار دارد و روزهایی که احتمال حمله این آفات و پشهها بیشتر میشود، کشاورزان میتوانند تصمیمات بهتری بگیرند.
درحالحاضر 9هزار هکتار از باغهای زیتون اسپانیا تحت پوشش این طرح قرار گرفته و بهاین ترتیب این کشور بهعنوان یکی از پیشگامان مقابله با آفتها و پشهها ازطریق مدیریت دادهها محسوب میشود. به کار بردن تکنیکهای مدیریت ابردادهها (Big Data) در کشاورزی و نیز هوش مصنوعی، دو میدان با ظرفیت بالاست که برای ارتقا و توسعه کشاورزی پایدار اسپانیا مورد استفاده قرارمی گیرد.