چگونه هوش مصنوعی از کشاورزان حمایت می کند و در مصرف آب صرفه جویی می کند – ELEDIA E-AIR

در گزارش سال ۲۰۱۷ آب برای غذا و کشاورزی پایدار، سازمان خواربار و کشاورزی ملل متحد (فائو) اشاره کرد که به طور متوسط، کشاورزی به ۷۰ درصد از برداشت آب شیرین جهان. تنها ۰٫۰۰۳ درصد از آب جهان را “منابع آب شیرین” تشکیل می دهد و حتی کمتر از آن برای آشامیدن، بهداشت، کشاورزی و صنعت در دسترس و قابل استفاده است.

آب برای هر شکلی از زندگی، برای همه جنبه های توسعه اجتماعی-اقتصادی و برای حفظ اکوسیستم های سالم ضروری است.

سازمان خواربار و کشاورزی ملل متحد، ۲۰۱۷

همانطور که نیازهای تغذیه ای جمعیت رو به رشد جهانی افزایش می یابد، با برآوردی از ۶۰ درصد غذای بیشتر مورد نیاز تا سال ۲۰۵۰ در سراسر جهانکشاورزان در تلاش برای بهبود شیوه های آبیاری و افزایش عملکرد هستند.

دارای هوش مصنوعی کشاورزی هوشمند و دقیق می تواند در سطوح مختلف کمک کند، و بسیاری از مشکلات نوظهور در کشاورزی پیش تصفیه و آبیاری هوشمند طی ۱۵ سال گذشته از طریق روش های پیشرفته هوش مصنوعی در مرکز تحقیقات ELEDIA برطرف شده است.

اعضای تیم ELEDIA دائماً در حال کار بر روی ارتقاء سیستم کشاورزی دقیق E-AIR هستند که به نام فصلکه در ابتدا در سال ۲۰۱۰ منتشر شد. SEASON اکنون در چندین تظاهرکننده مختلف که در حال حاضر در اروپا، آفریقا و چین فعال هستند استفاده می شود. نسخه موجود با یادگیری ماشینی برای درک سلامت محصول و شناسایی شرایط بحرانی احتمالی و/یا پیشنهاد اقدامات و اقدامات متقابل به کشاورز در مورد نیازها و تصمیمات آبیاری آموزش داده شده است. علاوه بر این، SEASON را می توان برای یادگیری بهترین شیوه های توصیه شده از طریق روش های پشتیبانی تصمیم برای کشاورزان سفارشی کرد. برای انجام این کار، داده‌های چندین منبع مختلف، از جمله حسگرهای محیطی (دما، رطوبت، شرایط نور)، سنسورهای سلامت گیاه (مانند پارامتر حیاتی گیاه، تکامل تاریخی رشد)، اطلاعات پیش‌بینی آب‌وهوا و داده‌های متنی (یعنی دوره برداشت مورد انتظار، عفونت‌های فصلی احتمالی ناشی از انگل‌ها) را ترکیب و تجزیه و تحلیل می‌کند. نتایج سلامت زمان واقعی برای کشت همچنین با استفاده از استراتژی های داده کاوی.

نسخه بهبودیافته SEASON همچنان می‌تواند این نتایج را ارائه دهد، اما همچنین امکان تعیین نیاز احتمالی به درمان‌های خاص را به صورت محلی بیشتر برای اطمینان از ایمنی و امنیت کل کشت و همچنین به حداقل رساندن تأثیر آن بر محیط‌زیست فراهم می‌کند. این پروژه چندین سال است که در حال انجام است، اما تیم در ماه‌های اخیر به دنبال افزایش آب‌وهوای شدید و بیابان‌زایی که در مناطقی (مانند اروپای مرکزی و جنوبی) که معمولاً معتدل در نظر گرفته می‌شوند، سرعت بخشیده است.

اما این پایان ماجرا نیست. سیستم های فعال برای کشاورزی دقیق با هوش مصنوعی از زمان معرفی WATERS در سال ۲۰۱۲ در چارچوب E-AIR کار کرده‌اند. آخرین نمونه از WATER در مجموعه‌ای از سایت‌ها در ترنتینو کار می‌کند که به کشت انگور شرابی اختصاص دارد. همانطور که مشخص است، صنعت انگور یک بخش کلیدی اقتصادی-اجتماعی در اروپا استو حساسیت شدید تاکستان ها به عوامل جوی، تغییرات اقلیمی را به چالشی مهم برای این بخش تبدیل کرده است [Fraga, 2016].

WATERS این چالش را از طریق یک رویکرد چند جانبه نوآورانه حل می کند. با خودآموزی رابطه بین وضعیت انگور (مشاهده شده توسط فناوری های پایش کم هزینه و پایدار)، شرایط آب و هوایی فعلی و پیش بینی شده و واکنش خاک ها و گونه های مختلف انگور به شرایط آبیاری و با استفاده از طرح های تصمیم گیری منطق فازی، WATERS رویکرد بهینه برای آبیاری را درک می کند و می تواند به عنوان یک مدیر سیاست آب کاملاً خودکار مستقر شود. علاوه بر این، امکان کنترل و نظارت از راه دور توسط کشاورزان را فراهم می کند که می توانند اقدامات تعریف شده را تنظیم کنند، بنابراین به آب اجازه می دهد تا “از اشتباهاتش درس بگیر” و در نتیجه تصمیمات آینده خود را از طریق یادگیری تقویتی بهبود می بخشند.

فائو اخیراً اشاره کرده است کهاگرچه منابع آب شیرین کافی در سطح جهان وجود دارد تا توسعه کشاورزی و صنعتی ادامه یابد، استفاده پایدار درازمدت از منابع آب یک نگرانی رو به رشد است.” بهبود بهره وری کشاورزی با حفظ و بهبود منابع طبیعی یک نیاز کلیدی برای افزایش ذخایر جهانی غذا بر مبنای پایدار است. سیستم های مبتنی بر هوش مصنوعی می توانند نقش مهمی در تغییر دیدگاه از کمبود آب به بهره وری آب ایفا کنند..

ادامه مطلب

• پروژه فصل، مرکز تحقیقات ELEDIA. صفحه وب پروژه
• F. Viani، M. Bertoli، M. Salucci، و A. Polo، “پایش بی سیم کم هزینه و پشتیبانی تصمیم برای حفاظت از آب در کشاورزی،” IEEE Sensors Journal، جلد. ۱۷، شماره ۱۳، صفحات ۴۲۹۹-۴۳۰۹، جولای ۲۰۱۷٫ doi: 10.1109/JSEN.2017.2705043.
• F. Viani، “تأیید آزمایشی یک سیستم کنترل آبیاری بی سیم در برنامه های کاربردی کشاورزی هوشمند”، Microwave and Optical Technology Letters، جلد. ۵۸، شماره ۹، ص ۲۱۸۶-۲۱۸۹، سپتامبر ۲۰۱۶٫ doi: 10.1002/mop.30000
• LG Paucar، AR Diaz، F. Viani، F. Robol، A. Polo، و A. Massa، “پشتیبانی تصمیم برای آبیاری هوشمند از طریق حسگرهای توزیع شده بی سیم”، ۲۰۱۵ IEEE پانزدهمین سمپوزیوم مایکروویو مدیترانه (MMS)، لچه، ۲۰۱۵، صفحات ۱-۱٫ doi: 10.1109/MMS.2015.7375469
• F. Viani, F. Robol, A. Polo, P. Rocca, G. Oliveri, and A. Massa, “معماری های بی سیم برای سنجش ناهمگن در برنامه های کاربردی خانه های هوشمند: مفاهیم و پیاده سازی در دنیای واقعی” در Proceedings of the IEEE, vol. 101، شماره ۱۱، صفحات ۲۳۸۱-۲۳۹۶، نوامبر ۲۰۱۳٫ doi: 10.1109/JPROC.2013.2266858
• B. Majone، F. Viani، E. Filippi، A. Bellin، A. Massa، G. Toller، F. Robol و M. Salucci، “استقرار یک شبکه حسگر بی سیم برای نظارت بر دینامیک رطوبت خاک در مقیاس های مزرعه”، Procedia Environmental Sciences، جلد. ۱۹، صفحات ۴۲۶-۲۳۵، ۲۰۱۳٫ doi: 10.1016/j.proenv.2013.06.049
• F. Viani, P. Rocca, G. Oliveri and A. Massa, “Ubiquitous Remote Sensing via WSN”، ۲۰۱۲ ششمین کنفرانس اروپایی آنتن ها و انتشار (EUCAP)، پراگ، ۲۰۱۲، صفحات ۴۹-۵۰٫ doi: 10.1109/EuCAP.2012.6206049.
• پروژه FP7 CLIMB “تغییرات ناشی از اقلیم در هیدرولوژی حوضه های مدیترانه: کاهش عدم قطعیت و کمی کردن خطر از طریق یک سیستم نظارت و مدل سازی یکپارچه”، (۲۰۱۰-۲۰۱۴) صفحه وب پروژه