الذكاء الإصطناعي و التكنولوجيا و تأثيرها في مجال الزراعة

الإصابة بأمراض المحاصيل
عدم وجود إدارة التخزين
مكافحة مبيدات الآفات
إدارة الأعشاب
نقص مرافق الري والصرف

الميزة الرئيسية للتركيز على الأساليب القائمة على الذكاء الاصطناعي هي أنها تعالج كل التحديات التي يواجهها المزارعون من بذر البذور إلى حصاد المحاصيل بشكل منفصل. بدلاً من التعميم، وتوفر حلولًا مخصصة لمشكلة محددة. ولكن كيف يمكن تطبيق الذكاء الإصطناعي و التكنولوجيا و تأثيرها في مجال الزراعة.

وفقًا لمنظمة الأمم المتحدة للأغذية والزراعة، سيزداد عدد سكان العالم بمقدار 2 مليار بحلول عام 2050.

مع محدودية توافر الأراضي الصالحة للزراعة المحدودة وزيادة الأفواه التي بحاجة الى إطعام بشكل كبير، نحن الآن بحاجة إلى ثورة خضراء ثانية. ثورة خضراء أكثر ذكاءً وخفةً و واعيةً بالبيئة – ثورة خضراء معتمدة على البيانات الضخمة وإنترنت الأشياء (IoT) والذكاء الاصطناعي (AI) والتعلم الآلي.

وفيما يلي بعض التحديات التي يواجهها المزارعون من بذر البذور إلى حصاد المحاصيل:

الإصابة بأمراض المحاصيل
عدم وجود إدارة التخزين
مكافحة مبيدات الآفات
إدارة الأعشاب
نقص مرافق الري والصرف.

بالتالي يمكن الستفادة من تطبيقات التكنولوجيا الحدية و الذكاء الإصطناعي لحل العديد من هذه التحديات، بل و العمل علي دفع عجلة التقدم و التطور في المجال الزراعي.

مجالات تطبيق وتطوير الذكاء الاصطناعي المحتملة

تحليلات لتقديم التوصيات و التوقعات

النصائح – يمكن للذكاء الاصطناعي والتعلم الآلي (ML) مساعدة المزارعين من خلال التوصية بمواعيد البذر للمحاصيل المختلفة بناءً على الظروف الجوية. يمكن أن تقترح نماذج ML أيضًا تعديلات على أنماط المحاصيل لزيادة الغلّة. باستخدام بيانات الإنتاج السابقة، والتنبؤات الجوية، ومعلومات البذور، ومعلومات العرض والطلب، يمكن استخدام ML للتنبؤ بكمية البذور التي ينبغي زراعتها لتلبية الاحتياجات المتزايدة.

إدارة سلسلة التوريد

يمكن استخدام الذكاء الاصطناعي للتنبؤ بالطلب من خلال تحليل المدخلات مثل معدل النمو السكاني وأنماط الطلب السابقة او التاريخية للسلع الغذائية وأنماط الغذاء الأساسي في المنطقة. يمكن استخدام هذه المعلومات لتعديل أنماط المحاصيل بكفاءة وتقليل الهدر في غلات المحاصيل وزيادة الأرباح للمزارعين.

تحديد أمراض النبات

يتم تحليل صور المحاصيل باستخدام تقنية رؤية الكمبيوتر وتقسيمها إلى مناطق مثل الخلفية والجزء الصحي والجزء المصاب. من ثم يتم التقاط الجزء المصاب وإرساله إلى المعامل البعيدة لمزيد من التشخيص.

تعيين امراض النباتات — مصدر الصورة – مرجع ١

الكشف عن تفشي الآفات

وبالمثل، تساعد المعالجة المسبقة لصور الأوراق على الكشف المبكر عن الإصابة بالآفات وتسمح للمزارعين بالتصرف بسرعة وتقليل الخسائر.

مراقبة صحة التربة

تُستخدم تطبيقات ML والتعلم العميق لتحديد العيوب المحتملة ونقص المغذيات في التربة. تحلل الخوارزميات عينات التربة وتربط أنماط أوراق الشجر المستهدفة بعيوب التربة والآفات والأمراض النباتية ذات الأنماط المعروفة مسبقاً. و لكن، ماذا بعد يمكن نطبيقه في الذكاء الإصطناعي و الزراعة.

هناك تقدم كبير في هذا الاتجاه على الصعيد العالمي

ينشر المزارعون الروبوتات، وأجهزة الاستشعار اللاسلكية الأرضية، والطائرات بدون طيار -درونز- لتقييم ظروف النمو. تم إجراء العديد من والمشاريع بواسطة الباحثين في هذا المجال، لإختبار الآثار المترتبة على مشاركة تطبيقات الذكاء الاصطناعي في تحسين الزراعة.

فمثلاً، في بحث أجراه (Song and He (2005 لتطوير نظام كمبيوتر ذكي ومحمول، يعتمد على الشبكات العصبية الاصطناعية لاكتشاف اضطرابات تغذية المحاصيل في الوقت المناسب. مع ذلك، أشار التحقق الميداني إلى أن أخطاء التنبؤ كانت أقل من 8٪.

و في بحث أجراه (Shahzadi et al. (2016 لتطوير نظام كمبيوتر ذكي لتمييز الأعشاب الضارة عن المحاصيل بمساعدة تحليل الصور والشبكات العصبية. حيث أن، من بين 100 مزارع شاركوا في تجربة هذا النظام، كان 65 مزارعًا راضين.

قام “عارف وآخرون (2012)” بتطوير نموذج يعتمد على الشبكات العصبية الاصطناعية لتقدير رطوبة التربة في حقول الأرز ببيانات أرصاد جوية محدودة ورطوبة التربة، وبالتالي، فإن النموذج يقدر بشكل موثوق رطوبة التربة ببيانات أرصاد جوية محدودة .

طور الباحثان (Patil and Thorat (2016 نظامًا قائمًا على ML والذي توقع مرض العنب مسبقًا. يقترح النظام أيضًا استخدام مبيدات الآفات لتجنب انتشار المرض.

الشبكة العصبية لتحديد مشاكل ورق العنب — مصدر الصورة – مرجع ١

الذكاء الإصطناعي و الزراعة

تعمل العديد من المؤسسات الكبيرة والشركات الناشئة على تطوير التطبيقات لتقنية انترنت الأشياء لمساعدة المزارعين على نطاق واسع.

قامت Microsoft بالتعاون مع المعهد الدولي لبحوث المحاصيل للمناطق الاستوائية شبه القاحلة (ICRISAT) بتطوير تطبيق AI-Sowing. يرسل التطبيق إرشادات حول البذر إلى المزارعين في الموعد الأمثل للزراعة. لا يحتاج المزارعون إلى تثبيت أي أجهزة استشعار في حقولهم أو تكبد أي نفقات رأسمالية. كل ما يحتاجونه هو هاتف مميز قادر على استقبال الرسائل النصية. يستخدم المشروع التجريبي تطبيق الزراعة بالذكاء الاصطناعي للتوصية بتاريخ البذر، وإعداد الأرض، والتسميد القائم على اختبار التربة، واستخدام السماد في المزارع، ومعالجة البذور، وعمق البذر الأمثل والمزيد للمزارعين، مما أدى إلى زيادة متوسط غلة المحاصيل بنسبة 30٪ لكل هكتار.

تعاونت Microsoft في مبادرة أخرى مع United Phosphorus Limited لبناء واجهة برمجة تطبيقات للتنبؤ بمخاطر الآفات والتي تعزز الذكاء الاصطناعي والتعلم الآلي للإشارة مسبقًا إلى مخاطر هجوم الآفات. بناءً على حالة الطقس ومرحلة نمو المحاصيل ، من المتوقع أن تكون هجمات الآفات عالية أو متوسطة أو منخفضة.

تعمل شركة قائمة على التكنولوجيا تسمى NatureFresh ، ومقرها الولايات المتحدة الأمريكية، على تطوير تقنية للتنبؤ بالوقت الذي سيستغرقه المحصول لإنتاج محصول. ستلتقط العدسة الآلية صورًا قريبة للنباتات. ستتدفق الصور إلى خوارزمية ذكاء اصطناعي تتنبأ بدقة بالوقت الذي سيستغرقه المحصول حتى ينضج ويكون جاهزًا للقطف والتعبئة والتسليم إلى متاجر البقالة. ستكون هذه التقنية قادرة على تحديد مقدار العائد الذي سيكون متاحًا للبيع في المستقبل.

التعلم الآلي موجود في كل مكان طوال دورة النمو والحصاد بأكملها، وهي عملية تبدأ بزرع بذرة في التربة. من تحضير التربة، وتكاثر البذور وقياس تغذية المياه. وينتهي عندما تلتقط الروبوتات الحصاد لتحديد النضج بمساعدة رؤية الكمبيوتر.

تربية الأنواع و تطبيقات الذكاء الإصطناعي و الزراعة

اختيار الأنواع هو عملية شاقة للبحث عن جينات معينة تحدد فعالية استخدام المياه والمغذيات، والتكيف مع تغير المناخ، ومقاومة الأمراض. وكذلك محتوى المغذيات أو طعم أفضل. يستغرق التعلم الآلي، على وجه الخصوص، خوارزميات التعلم العميق، عقودًا من البيانات الميدانية لتحليل أداء المحاصيل في مختلف المناخات والخصائص الجديدة التي تم تطويرها في هذه العملية. بناءً على هذه البيانات. يمكن بناء نموذج احتمالي من شأنه أن يتنبأ بالجينات التي من المرجح أن تساهم في سمة مفيدة للنبات.

التعرف على الأنواع
في حين أن النهج البشري التقليدي لتصنيف النباتات سيكون مقارنة لون الأوراق وشكلها. يمكن أن يوفر التعلم الآلي نتائج أكثر دقة وأسرع لتحليل morphology -علم تحليل الشكل- مورفولوجيا الوريد الورقي والتي تحمل المزيد من المعلومات حول خصائص الأوراق.

إدارة الظروف الميدانية

إدارة التربة
بالنسبة للمتخصصين العاملين في الزراعة، تعتبر التربة موردًا طبيعيًا غير متجانس، مع عمليات معقدة وآليات غامضة. يمكن أن تعطي درجة حرارتها وحدها نظرة ثاقبة لتأثيرات تغير المناخ على المحصول الإقليمي. تدرس خوارزميات التعلم الآلي عمليات التبخر ورطوبة التربة ودرجة الحرارة لفهم ديناميكيات النظم البيئية والتأثيرات في الزراعة.

إدارة المياه
تؤثر إدارة المياه في الزراعة على التوازن الهيدرولوجي والمناخي والزراعي. حتى الآن، ترتبط التطبيقات المستندة إلى التعلم الآلي الأكثر تطورًا بتقدير التبخر اليومي أو الأسبوعي أو الشهري مما يسمح باستخدام أكثر فعالية لأنظمة الري. والتنبؤ بدرجة حرارة نقطة الندى اليومية، مما يساعد على تحديد ظواهر الطقس المتوقعة وتقدير التبخر.

إدارة المحاصيل

توقع العائد
يعد التنبؤ بالعائد من أهم الموضوعات وأكثرها شيوعًا في الزراعة الدقيقة حيث أنه يحدد خرائط الغلة وتقديرها ومطابقة عرض المحاصيل مع الطلب وإدارة المحاصيل. لقد تجاوزت الأساليب الحديثة إلى أبعد من مجرد التنبؤ المبني على سجل البيانات السابقة. ولكنها تتضمن تقنيات رؤية الكمبيوتر لتوفير البيانات أثناء التنقل والتحليل الشامل متعدد الأبعاد للمحاصيل والطقس والظروف الاقتصادية لتحقيق أقصى استفادة من العائد للمزارعين والسكان.

جودة المحاصيل
يمكن أن يؤدي الكشف الدقيق عن خصائص جودة المحاصيل وتصنيفها إلى زيادة سعر المنتج وتقليل الفاقد. بالمقارنة مع الخبراء البشريين، يمكن للآلات الاستفادة من البيانات والترابطات التي تبدو بلا معنى للكشف عن الصفات الجديدة التي تلعب دورًا في الجودة الإجمالية للمحاصيل واكتشافها.

كشف الحشائش

بصرف النظر عن الأمراض، تعتبر الأعشاب الضارة هي أهم التهديدات لإنتاج المحاصيل. أكبر مشكلة في مكافحة الحشائش هي صعوبة اكتشافها والتمييز بينها وبين المحاصيل. يمكن للرؤية الحاسوبية وخوارزميات التعلم الآلي تحسين الكشف عن الأعشاب الضارة والتمييز بينها بتكلفة منخفضة وبدون مشاكل بيئية وآثار جانبية. في المستقبل، مما ستقود هذه التقنيات الروبوتات التي ستقضي على الأعشاب الضارة وتقليل الحاجة إلى مبيدات الأعشاب.

على الرغم من أنه من الرائع دائمًا أن تقرأ عن المستقبل، فإن الجزء الأكثر أهمية هو التكنولوجيا التي تمهد الطريق لذلك. التعلم الآلي الزراعي، على سبيل المثال، ليس خدعة أو سحرًا غامضًا، ولكنه مجموعة من النماذج المحددة جيدًا التي تجمع بيانات محددة وتطبق خوارزميات محددة لتحقيق النتائج المتوقعة.

حتى الآن، التعلم الآلي غير متكافئ في جميع أنحاء الزراعة. في الغالب، تُستخدم تقنيات التعلم الآلي في عمليات إدارة المحاصيل، متبوعة بإدارة ظروف الزراعة وإدارة الثروة الحيوانية. حيث تُظهر مراجعة البحوث و المراجع أن النماذج الأكثر شيوعًا في الزراعة هي: