Како вештачката интелигенција помага во земјоделството? [Видео и квиз]

Краток одговор: Вештачката интелигенција му помага на земјоделството со претворање на фрагментираните податоци од фармите во практични одлуки - каде прво да се извиди, што да се третира и кои животни да се проверат. Највредна е кога се вклучува во секојдневните работни процеси на фармите и може да ги објасни своите препораки, особено кога поврзаноста е нерамномерна или условите се менуваат.

Клучни заклучоци:

Давање приоритет: Користете вештачка интелигенција за да го насочите извидувањето и вниманието прво кон најверојатните проблематични точки.

Прилагодување на работниот тек: Изберете алатки што работат во кабината, бидете брзи и не бараат дополнителни најавувања.

Транспарентност: Претпочитајте системи што објаснуваат „зошто“, за да можат одлуките да останат доверливи и оспорливи.

Права на податоци: Заклучете ги условите за сопственост, дозволи, извоз и бришење пред да ги усвоите.

Отпорност на злоупотреба: Третирајте ги предвидувањата како предупредувања и секогаш проверете ја вашата разумност со човечка проценка.

Голем дел од тоа се сведува на едно нешто: претворање на неуредните податоци од фармите (слики, сензорски отчитувања, мапи на принос, машински дневници, временски сигнали) во јасни акции. Тој дел од „претворањето во акции“ е во основа целата поента на машинското учење во поддршката на земјоделските одлуки. [1]

Статии што можеби ќе ве интересираат по оваа:

🔗 Како вештачката интелигенција помага во откривањето на болести на земјоделските култури
Вештачката интелигенција анализира слики од земјоделски култури за рано и прецизно идентификување на болести.

🔗 Што значи компјутерскиот вид во вештачката интелигенција
Објаснува како машините разбираат слики, видеа и визуелни податоци.

🔗 Како да се користи вештачката интелигенција при вработување
Практични начини како вештачката интелигенција го подобрува регрутирањето, селекцијата и спојувањето на кандидатите.

🔗 Како да научите вештачка интелигенција
Мапа на патот, погодна за почетници, за да започнете со учење концепти и алатки за вештачка интелигенција.

1) Едноставна идеја: Вештачката интелигенција ги претвора набљудувањата во одлуки 🧠➡️🚜

Фармите генерираат смешна количина на информации: варијабилност на почвата, модели на стрес од земјоделските култури, притисок од штетници, однесување на животните, перформанси на машините и така натаму. Вештачката интелигенција помага со забележување на моделите што луѓето ги пропуштаат - особено низ големи, неуредни збирки на податоци - а потоа поттикнува одлуки како каде да се набљудува, што да се третира и што да се игнорира. [1]

Супер практичен начин да се размислува за тоа: вештачката интелигенција е мотор за приоритизација. Таа не се фокусира магично наместо вас - таа ви помага да го насочите вашето време и внимание таму каде што е навистина важно.

2) Што прави една верзија на вештачка интелигенција да биде добра за земјоделство? ✅🌱

Не секоја „вештачка интелигенција за земјоделство“ е создадена еднаква. Некои алатки се навистина солидни; други се… во основа фенси графикон со лого.

Еве што е најважно во реалниот живот:

• Работи со вашиот вистински работен тек (кабина на трактор, калливи ракавици, ограничено време)

• Објаснува „зошто“, не само резултат (инаку нема да му верувате)

• Се справува со варијабилноста на фармата (почва, време, хибриди, ротации - сè се менува)

• Јасно сопствеништво на податоци + дозволи (кој може да види што и за која цел) [5]

• Добро се комбинира со други системи (бидејќи силосите на податоци се постојана главоболка)

• Сè уште е корисно со нерамномерна поврзаност (руралната инфраструктура е нееднаква, а „само во облак“ може да биде пречка) [2]

Да бидеме искрени: ако се потребни три најавувања и извоз на табела за да се добие вредност, тоа не е „паметно земјоделство“, туку казна 😬.

3) Табела за споредба: вообичаени категории на алатки со вештачка интелигенција што земјоделците всушност ги користат 🧾✨

Цените се менуваат, како и пакетите, затоа третирајте ги како „ценовни“ опсези, а не како обични.

Мала признание за форматирање: „ценовна вибрација“ е технички термин што штотуку го измислив… но ме разбирате што мислам 😄.

4) Извидување на земјоделски култури: Вештачката интелигенција ги наоѓа проблемите побрзо од случајното одење 🚶♂️🌾

Една од најголемите победи е приоритизацијата. Наместо рамномерно да се извидува насекаде, вештачката интелигенција користи слики + историја на теренот за да ве насочи кон веројатни проблематични места. Овие пристапи постојано се појавуваат во истражувачката литература - откривање на болести, откривање на плевели, следење на култури - бидејќи тие се токму видот на проблеми со препознавање на шеми во кои машинската технологија е добра. [1]

Вообичаени влезни податоци за извидување управувани од вештачка интелигенција:

• Сателитски или дрон снимки (сигнали за силата на посевите, детекција на промени) [1]

• Фотографии од паметни телефони за идентификација на штетници/болести (корисни, но сепак е потребен прикачен човечки мозок) [1]

• Историски принос + слоеви на почва (за да не ги мешате „нормалните слаби точки“ со нови проблеми)

Ова е едно место каде што „Како вештачката интелигенција помага во земјоделството?“ станува буквално: ви помага да забележите што сте пропуштиле 👀. [1]

5) Прецизни влезни податоци: попаметно прскање, ѓубрење, наводнување 💧🌿

Влезните податоци се скапи. Грешките болат. Значи, тука вештачката интелигенција може да се почувствува како реален, мерлив поврат на инвестицијата - ако вашите податоци и поставеност се солидни. [1]

Попаметно прскање (вклучувајќи целни апликации)

Ова е еден од најјасните примери од типот „покажи ми ги парите“: компјутерскиот вид + машинското учење можат да овозможат прскање насочено кон плевел наместо прскање на сè преку целата површина. [3]

Важна забелешка за доверба: дури и компаниите што ги продаваат овие системи се отворени дека резултатите варираат во зависност од притисокот на плевелите, видот на културата, поставките и условите - затоа сметајте го тоа како алатка, а не како гаранција. [3]

Сеење со променлива брзина и рецепти

Алатките за препишување можат да ви помогнат да дефинирате зони, да комбинирате слоеви, да генерирате скрипти, а потоа да процените што всушност се случило. Таа јамка „проценете што се случило“ е важна - машинската изработка во земјоделството е најдобра кога можете да учите сезона по сезона, а не само да креирате убава мапа еднаш. [1]

И да, понекогаш првата победа е едноставно: „Конечно можам да видам што се случи минатиот пат.“ Не е гламурозно. Крајно реално.

6) Предвидување на штетници и болести: порано предупредување, помалку изненадувања 🐛⚠️

Предвидувањето е тешко (биологијата го сака хаосот), но пристапите на машинско учење се широко проучувани за работи како што се откривање на болести и прогнозирање поврзано со приносот - честопати со комбинирање на временски сигнали, слики и историја на теренот. [1]

Проверка на реалноста: предвидувањето не е пророштво. Третирајте го како детектор за чад - корисен дури и кога повремено е досаден 🔔.

7) Добиток: Вештачката интелигенција го следи однесувањето, здравјето и благосостојбата 🐄📊

Вештачката интелигенција за добиток е во подем затоа што се справува со едноставна реалност: не можете да ги гледате сите животни цело време.

Прецизното сточарство (PLF) е во основа изградено околу континуирано следење и рано предупредување - задачата на системот е да го привлече вашето внимание кон животните на кои им е потребно токму сега. [4]

Примери што ќе ги видите во дивината:

• Носиви предмети (јакици, ушни влошки, сензори за нозе)

• Сензори од типот болус

• Мониторинг базиран на камера (шеми на движење/однесување)

Значи, ако прашате, како вештачката интелигенција помага во земјоделството? - понекогаш е едноставно како: ви кажува кое животно прво да проверите, пред ситуацијата да се претвори во снежни топки 🧊. [4]

8) Автоматизација и роботика: извршување на повторувачки задачи (и нивно постојано извршување) 🤖🔁

Автоматизацијата се движи од „корисна помош“ до „целосно автономна“, а повеќето фарми се наоѓаат некаде во средината. Од поширока перспектива, ФАО ја прикажува целата оваа област како дел од поширок бран на автоматизација што вклучува сè, од машини до вештачка интелигенција, со потенцијални придобивки и нееднакви ризици за усвојување. [2]

Роботите не се магија, но можат да бидат како втор пар раце кои не се заморуваат… или не се жалат… или не им требаат паузи за чај (добро, мало претерување) ☕.

9) Управување со фарма + поддршка при донесување одлуки: „тивката“ супермоќ 📚🧩

Ова е несекси делот што често ја движи најдолгорочната вредност: подобри записи, подобри споредби, подобри одлуки.

Поддршката за донесување одлуки водена од машинска машина се појавува во истражувањата за управување со земјоделски култури, добиток, почва и вода, бидејќи толку многу одлуки за земјоделските култури се сведуваат на: дали можете да ги поврзете точките низ времето, полињата и условите? [1]

Ако некогаш сте се обиделе да споредите две сезони и сте си помислиле: „Зошто ништо не се совпаѓа?“ - да. Токму затоа.

10) Синџир на снабдување, осигурување и одржливост: вештачка интелигенција зад сцената 📦🌍

Вештачката интелигенција во земјоделството не е само на фармата. Гледиштето на ФАО за „агропрехранбените системи“ е експлицитно поголемо од самата област - ги вклучува вредносните синџири и поширокиот систем околу производството, каде што алатките за прогнозирање и верификација имаат тенденција да се појавуваат. [2]

Тука работите стануваат чудно политички и технички во исто време - не секогаш забавни, но сè порелевантни.

11) Стапици: права на податоци, пристрасност, поврзаност и „кул технологија што никој не ја користи“ 🧯😬

Вештачката интелигенција може апсолутно да се врати како бумеранг ако ги игнорирате здодевните работи:

• Управување со податоци: сопственоста, контролата, согласноста, преносливоста и бришењето треба да бидат јасни во договорот (не закопани во правна магла) [5]

• Поврзаност + овозможувачка инфраструктура: усвојувањето е нерамномерно, а празнините во руралната инфраструктура се реални [2]

• Пристрасност и нееднаква корист: алатките можат да работат подобро за некои типови/региони на фарми отколку за други, особено ако податоците за обука не се совпаѓаат со вашата реалност [1]

• „Изгледа паметно, не е корисно“: ако не се вклопува во работниот тек, нема да се користи (без разлика колку е кул демото)

Ако вештачката интелигенција е трактор, тогаш квалитетот на податоците е дизелот. Лошо гориво, лош ден.

12) Започнување: план со минимална драма 🗺️✅

Ако сакате да пробате вештачка интелигенција без да запалите пари:

1. Изберете една болна точка (плевели, време на наводнување, време на извидување, известувања за здравјето на стадото)

2. Започнете со видливост (мапирање + мониторинг) пред целосна автоматизација [1]

3. Извршете едноставен пробен период: едно поле, една група стадо, еден работен тек

4. Следете една метрика што навистина ви е важна (количина на прскање, заштедено време, повторни третмани, стабилност на приносот)

5. Проверете ги правата за податоци + опциите за извоз пред да извршите [5]

6. План за обука - дури и „лесните“ алатки треба да се придржуваат до навиките [2]

13) Заклучоци: Како вештачката интелигенција помага во земјоделството? 🌾✨

Како вештачката интелигенција помага во земјоделството? Таа им помага на фармите да прават подобри повици со помалку претпоставки - со претворање на сликите, отчитувањата на сензорите и машинските евиденции во дејства што всушност можете да ги преземете. [1]

TL;DR

• Вештачката интелигенција го подобрува извидувањето (најдете проблеми порано) [1]

• Овозможува прецизни влезни податоци (особено насочено прскање) [3]

• Го подобрува следењето на добитокот (рани предупредувања, следење на благосостојбата) [4]

• Поддржува автоматизација (со придобивки - и реални празнини во усвојувањето) [2]

• Факторите за успех или неуспех се правата на податоци, транспарентноста и употребливоста [5]

Пример од реалниот свет: Користење на вештачка интелигенција за давање приоритет на извидувањето на земјоделските култури 🌾🔍

Сценарио

Замислете обработлива фарма од 650 хектари на која се одгледува зимска пченица, маслодајна репка и пролетен јачмен. Фармата веќе има мапи на приносите, основни мапи на почвените зони, евиденција за прскање и неделни сателитски снимки, но менаџерот сè уште ги разгледува полињата главно по навика: прво ’ртови, потоа познати слаби делови, па што и да има време.

Проблемот не е недостатокот на податоци. Проблемот е што податоците се наоѓаат на различни места и не даваат јасен одговор на дневното прашање: „Каде треба прво да прошетам утрово?“

Едноставен работен тек за извидување со помош на вештачка интелигенција може да помогне со претворање на промените во сликите, историјата на теренот и неодамнешната временска прогноза во рангирана листа на точки за инспекција.

Што му е потребно на асистентот

За да го направи работниот тек вреден, менаџерот на фармата би собрал:

• Граници на полето и тип на култура за секое поле

• Неодамнешни сателитски или дрон снимки

• Претходни мапи на принос, доколку се достапни

• Познати влажни места, набиени површини или историски плевели

• Неодамнешни временски услови, особено врнежи од дожд и промени во температурата

• Евиденција за прскање и ѓубриво

• Кратка контролна листа за извидување на штетници, болести, плевели, презаситеност со вода и стрес од посевите

Асистентот не треба да ја донесе конечната одлука за агрономија. Неговата задача е да го рангира вниманието, да објасни зошто секоја област е важна и да му помогне на човекот побрзо да провери.

Пример за упатство

Помагате да се даде приоритет на извидувањето на културите за мешана обработлива фарма. Користете ги теренските белешки, снимките од набљудувањата, претходните зони на принос и неодамнешниот преглед на времето за да креирате план за рангирано извидување за денес.

За секоја препорачана станица, вклучете:

1. Име на поле

2. Точна област или обележје за проверка

3. Зошто оваа област е приоритетна

4. Што да барате лично

5. Кои докази би ја потврдиле или отфрлиле загриженоста

6. Дали дејството е итно, само за набљудување или е потребен агрономски преглед

Не препорачувајте третман освен ако нема доволно докази. Третирајте ги сите предвидувања како предупредувања за извидување, а не како конечни дијагнози.

Како да го тестирате

Започнете со една група на терен, а не со целата фарма.

Добра поставеност од пет теста би можела да изгледа вака:

• Тест 1: Поле со позната влажна површина

• Тест 2: Поле со историски притисок од црна трева

• Тест 3: Поле што покажува ненадејна област на сликата со слаба јачина

• Тест 4: Поле со нормални слики, но лоша историја на принос

• Тест 5: Поле каде што земјоделецот веќе знае дека нема поголем проблем

По извидувањето, споредете ја листата со приоритети на асистентот со она што е пронајдено на терен.

Следете три едноставни броја:

• Минути потрошени за планирање на извидничката рута

• Број на пронајдени вредни изданија на час

• Број на лажни аларми што потрошиле време

Резултат

Само илустративен резултат: врз основа на темпирање на пет примероци на задачи за извидување пред и по користењето на работниот тек.

Пред да го користи планот потпомогнат од вештачка интелигенција, менаџерот поминал околу 45 минути прегледувајќи мапи и одлучувајќи каде да оди. Откако го користел рангираниот список за извидување, планирањето траело 12 минути.

Во примерокот од тестот, менаџерот проверил 11 локации за 2 часа и пронашол 4 вистински проблеми што вредат да се следат или да се преземат мерки: една област со натопена трамвајска линија, две области со притисок врз плевелите и една можна рана загриженост за болест што бара преглед од агроном.

Тоа функционира како:

• Времето за планирање е намалено од 45 минути на 12 минути

• 33 минути зачувани пред да започне скаутирањето

• 4 вредни наоди од 11 станици

• 2 постојки означени како лажни аларми по теренската инспекција

Важно е што овие бројки се лесни за проверка. Земјоделецот може да го мери времето на фазата на планирање, да ги брои запирањата за извидување, да ги евидентира потврдените наоди и да ја спореди рутата со нормалните навики за извидување.

Што може да тргне наопаку

Асистентот сè уште може да прави лоши повици ако влезните податоци се застарени, со ниска резолуција или недостасува важен контекст. Делот со ниска јачина може да биде болест, но може да биде и набивање, стоечка вода, оштетување на зајаци, лошо вселување или едноставно позната слаба зона на почвата.

Вообичаени грешки што треба да се избегнат:

• Третирање на резултатите од вештачката интелигенција како дијагноза, наместо како план за извидување

• Поставување мапи без проверка дали се совпаѓаат со моменталните граници на полето

• Игнорирање на локалното знаење на агрономите

• Заборавање да се снимат лажни аларми

• Користење на резултати од една сезона за да се процени целиот систем

• Дозволување алатката да препорачува третмани без човечка проверка

Практичен оброк за носење

Најдобрата употреба на вештачката интелигенција во овој пример не е замена на земјоделецот или агрономот. Таа го прави првиот час од денот поостар: помалку случајни прошетки на терен, побрзи проверки и појасна причина за секоја посета на извидници.

Најчесто поставувани прашања

Како вештачката интелигенција го поддржува донесувањето одлуки за земјоделството на фарма

Вештачката интелигенција во земјоделството во голема мера се однесува на претворање на набљудувањата во одлуки врз основа на кои можете да дејствувате. Фармите генерираат бучни влезни податоци како што се слики, сензорски отчитувања, мапи на приноси, машински дневници и временски сигнали, а машинската технологија помага да се прикажат шемите низ нив. Во пракса, таа функционира како мотор за приоритизација: каде прво да се извиди, што да се третира и што да се остави настрана. Нема да „фармира за вас“, но може да го намали просторот каде што се нагаѓа.

Видовите алатки за машинско учење на податоци од фарма што ги користат

Повеќето алатки за поддршка на земјоделските одлуки се базираат на слики (сателитски, дрон или фотографии од телефон), дневници од машини и операции на терен, мапи на принос, слоеви на почва и временски сигнали. Вредноста доаѓа од комбинирање на овие слоеви, наместо да се гледа секој од нив одделно. Резултатот е обично рангиран сет на „жаришта на внимание“, мапа на рецепт или предупредување дека нешто се променило доволно за да оправда проверка во живо.

Што ја прави алатката за вештачка интелигенција за земјоделство корисна во секојдневната употреба

Најсилните алатки одговараат на начинот на кој се одвива работата: во кабина на трактор, со ограничено време, а понекогаш и со калливи ракавици и нерамномерен сигнал. Практичните алатки го објаснуваат „зошто“, а не само оценка, и се справуваат со варијабилноста на фармата низ почвата, времето, хибридите и ротациите. Тие исто така бараат јасна сопственост на податоците и дозволи, и треба да се интегрираат со други системи за да не завршите заробени во силоси на податоци.

Потребна е интернет конекција за користење на алатки за вештачка интелигенција на фармата

Не мора. Многу фарми се справуваат со нееднаква рурална поврзаност, а дизајните само во облак можат да бидат пресудни кога сигналот ќе падне во најлошиот момент. Вообичаен пристап е да се изберат алатки кои сè уште даваат вредност со повремен пристап, а потоа да се синхронизираат откако ќе се вратите во покриеност. Во многу работни процеси, приоритет е сигурноста на прво место, а софистицираноста на второ место, особено за време на временски осетливи операции.

Како вештачката интелигенција го подобрува извидувањето на земјоделските култури со сателити, дронови или фотографии од телефон

Извидувањето управувано од вештачка интелигенција е главно за побрзо пронаоѓање на проблематични места отколку одење по случаен избор. Сликите можат да ја истакнат варијабилноста и промените со текот на времето, додека историјата на теренот помага да се одделат „нормалните слаби области“ од новите проблеми. Фотографиите од телефонот можат да помогнат при идентификација на штетници или болести, но тие сепак функционираат најдобро кога човечкиот разум го проверува резултатот. Добивката е помалку потрошени километри и порано откривање.

Целно прскање и намалување на хербицидите со компјутерски вид

Целното прскање може да го намали непотребното нанесување со користење на камери и ML за идентификување на плевелите и прскање само таму каде што е потребно, наместо целосно прскање на сè. Системите како See & Spray на John Deere често се сметаат за случаи на силен поврат на инвестицијата кога поставувањето и условите се соодветни. Резултатите може да варираат во зависност од притисокот на плевелите, видот на културата, поставките и условите на полето, па затоа најдобро е да се третира како алатка - а не како гаранција.

Рецепти со променлива стапка и како ML ги подобрува со текот на времето

Рецептите со променлива стапка користат зони и слоеви на податоци за да ги водат одлуките за сеење или плодност по област, а потоа ги споредуваат резултатите подоцна. ML има тенденција да блесне кога можете да ја затворите циклусната сезона по сезона: генерирајте план, извршете го и евалуирајте што се случило. Дури и едноставна рана победа - конечно да се види што се случило во последното поминување - може да ја постави основата за попаметни рецепти подоцна.

Прецизно сточарство и што следи вештачката интелигенција

Прецизното сточарство се фокусира на континуирано следење и рано предупредување, бидејќи не можете да ги гледате сите животни цело време. Системите поддржани од вештачка интелигенција може да користат носиви уреди (огрлици, ушни маркици, сензори за нозе), сензори од типот болус или камери за да го следат однесувањето и да означат дека „нешто не е во ред“. Практичната цел е едноставна: насочете го вашето внимание кон животните на кои веројатно им е потребна проверка токму сега, пред проблемите да се појават како снежни топки.

Најголемите стапици на вештачката интелигенција во земјоделството

Најголемите ризици често се оние непривлечните: нејасни права и дозволи за податоци, ограничувања на поврзувањето и алатки што не се вклопуваат во секојдневниот работен тек. Пристрасноста може да се појави кога податоците за обука не се совпаѓаат со регионот, практиките или условите на вашата фарма, што може да ги направи перформансите нееднакви. Друг вообичаен режим на неуспех е „изгледа паметно, не испорачува“ - ако бара премногу најавувања, извози или заобиколувања, нема да се користи.

Како да започнете со вештачка интелигенција во земјоделството без да трошите пари

Започнете со една болна точка - како што се време за извидување, плевел, време за наводнување или известувања за здравјето на стадото - наместо да купувате цел стек на „паметна фарма“. Вообичаен пат е прво видливоста (мапирање и следење) пред да се стремите кон целосна автоматизација. Спроведете мал пробен период (едно поле или една група стадо), следете една метрика што ви е важна и рано прегледајте ги правата за податоци и опциите за извоз за да не се заглавите.

Референци

[1] Лиакос и др. (2018) „Машинско учење во земјоделството: Преглед“ (Сензори)
[2] ФАО (2022) „Состојбата на храната и земјоделството во 2022 година: Искористување на автоматизацијата за трансформација на земјоделско-прехранбените системи“ (Статија од Newsroom)
[3] Џон Дир „See & Spray™ технологија“ (официјална страница на производот)
[4] Беркманс (2017) „Општ вовед во прецизното сточарство“ (Animal Frontiers, Oxford Academic)
[5] „Основни принципи“ на транспарентни земјоделски податоци (приватност, сопственост/контрола, преносливост, безбедност)

Пронајдете ја најновата вештачка интелигенција во официјалната продавница за асистенти за вештачка интелигенција

За нас