هوش مصنوعی چگونه کشاورزی را پیشبینی میکند
به گزارش خبرگزاری آنا؛ در کشاورزی، فاصله میان آغاز یک تهدید و زمانی که خسارت آن با چشم دیده میشود، میتواند تعیینکننده باشد. وقتی جمعیت یک آفت افزایش یافته یا کمبود آب به کاهش جریان رودخانه رسیده است، ممکن است فرصت زیادی برای واکنش باقی نمانده باشد. به همین دلیل، هشدار زودهنگام یکی از ابزارهای مهم مدیریت خطر در کشاورزی است؛ رویکردی که البته پیش از ظهور هوش مصنوعی نیز وجود داشته و اکنون با دادههای ماهوارهای، حسگرها و مدلهای یادگیری ماشین در حال توسعه است.
پیشبینی خشکسالی تا ۹۰ روز زودتر
یکی از نمونههای تازه، سامانهای است که سازمان زمینشناسی ایالات متحده (USGS) در مارس ۲۰۲۶ معرفی کرد. این ابزار که «River DroughtCast» نام دارد، با استفاده از مدلهای یادگیری ماشین، خشکسالی جریان رودخانهها و نهرها را تا ۹۰ روز جلوتر پیشبینی میکند.
سازمان زمینشناسی ایالات متحده (USGS) میگوید این مدلها با دادههای هزاران ایستگاه اندازهگیری جریان آب آموزش دیدهاند؛ برخی از این ایستگاهها بیش از ۱۰۰ سال سابقه ثبت مداوم دارند. جان هاموند، مدیر پروژه سامانه پیشبینی خشکسالی سازمان زمینشناسی آمریکا، میگوید این سازمان بیش از یک قرن داده جریان آب را «به شیوهای کاملا تازه» و با استفاده از یادگیری ماشین برای پیشبینی خشکسالی جریان آب به کار گرفته است.
خشکسالی جریان آب زمانی رخ میدهد که سطح آب رودخانهها و نهرها برای دورهای طولانی پایینتر از حد معمول باقی بماند؛ این نوع خشکسالی با خشکسالی هواشناسی که بیشتر با کمبود بارندگی شناخته میشود، تفاوت دارد. حتی پس از بازگشت بارندگی به وضعیت عادی، خشکسالی جریان آب ممکن است ادامه پیدا کند، زیرا عواملی مانند رطوبت خاک، ذخیره برف و آب زیرزمینی نیز بر جریان رودخانهها تأثیر میگذارند.
کاربر میتواند بازه پیشبینی را از یک تا ۱۳ هفته انتخاب کند. بر اساس اعلام USGS، پیشبینی شرایط خشکسالی شدید یا بسیار شدید در هفته نخست حدود ۷۵ درصد مواقع درست است و این میزان در هفته سیزدهم به حدود ۵۵ درصد کاهش مییابد. این سامانه اکنون برای بیش از ۳۰۰۰ ایستگاه اندازهگیری USGS که دستکم ۴۰ سال داده دارند، پیشبینی ارائه میکند.
هشدار آفات؛ فناوری تازه، ایدهای قدیمی
اما استفاده از فناوری برای پیشبینی خطر در کشاورزی از هوش مصنوعی آغاز نشده است. سازمان خواربار و کشاورزی ملل متحد (فائو) نزدیک به یک قرن است که از سامانههای هشدار زودهنگام برای مقابله با آفات استفاده میکند.
فائو، سرویس اطلاعات ملخ صحرایی خود (DLIS) را قدیمیترین سامانه هشدار زودهنگام آفات مهاجر در جهان معرفی میکند. این سامانه در دهه ۱۹۳۰ در بریتانیا شکل گرفت و بعد به فائو منتقل شد. از اواخر دهه ۱۹۷۰ نیز بیش از ۵۰۰ بولتن ماهانه درباره ملخ صحرایی منتشر کرده است.
امروز این سامانه ترکیبی از گزارشهای میدانی، دادههای هواشناسی، تصاویر ماهوارهای، نقشههای پوشش گیاهی و رطوبت خاک، پهپادها و ابزارهای دیجیتال را به کار میگیرد. پیشبینیهای آن شامل چشمانداز ششهفتهای و پیشبینیهای فصلی بارش تا شش ماه آینده است.
تصویری که فائو از این فرایند ارائه میکند، بهخوبی نشان میدهد هشدار زودهنگام چگونه عمل میکند: یک مأمور میدانی در منطقه دورافتاده ترکانا در کنیا، نشانههای اولیه حضور ملخها و وضعیت رطوبت خاک را ثبت میکند و دادهها را از طریق تبلت به مرکز ملی ملخ و سپس سرویس اطلاعات ملخ صحرایی در رم میفرستد. در آنجا این اطلاعات با تصاویر ماهوارهای، دادههای هواشناسی و نقشههای پوشش گیاهی ترکیب میشوند. همین گزارش ظاهرا کوچک میتواند به تشخیص تفاوت میان یک رخداد محدود و گسترش یک طغیان گسترده کمک کند.
وقتی یادگیری ماشین جمعیت آفت را پیشبینی میکند
پژوهشی از دانشگاه تگزاس اِیاَنداِم (Texas A&M University) نشان میدهد یادگیری ماشین میتواند این رویکرد را یک گام جلوتر ببرد. دانشمندان در مطالعهای که در نشریه Ecological Informatics منتشر شده، جمعیت «تریپس غربی گل» را در دو محیط مختلف تولیدی پیشبینی کردند.
این حشرات کوچک هنگام تغذیه به گیاه آسیب میزنند و میتوانند ویروسهای خسارتزا را نیز منتقل کنند. پژوهشگران دادههای نزدیک به ۱۷۰۰ تله چسبنده زرد را که بهصورت هفتگی در مزارع روباز و تونلهای کشت گوجهفرنگی و فلفل در مرکز تحقیقاتی Texas A&M در بوشلند نصب شده بود، بررسی کردند. این دادهها با حداکثر ۱۶ متغیر محیطی از جمله دما، رطوبت، سرعت و جهت باد، بارندگی و اندازه جمعیت آفت در ۱۴ روز قبل ترکیب شد.
نتایج نشان داد مدلهای یادگیری ماشین توانستند جمعیت تریپس را در محیط روباز با حدود ۸۸ درصد و در تونلهای کشت با حدود ۸۵ درصد دقت پیشبینی کنند.
کیران گادهاو، حشرهشناس و سرپرست این پژوهش، میگوید اگر بتوان افزایش خطر آفت را حتی یک هفته زودتر مشاهده کرد، مدیریت آفت از واکنش به خسارت به پیشگیری از آن تغییر میکند.
با این حال، پژوهش یک محدودیت مهم نیز نشان داد: هنگامی که مدل با پارامترهای یکسان برای محیط روباز و تونلهای کشت استفاده شد، دقت آن بهشدت کاهش یافت. به گفته گادهاو، این یافته نشان میدهد حتی مزارع مجاور نیز ممکن است به دلیل تفاوت در «خرداقلیم»، از نظر پویایی آفات مانند اکوسیستمهای متفاوت عمل کنند.
ماهوارهها چه چیزی را زودتر آشکار میکنند؟
شرکت ClimateAi نیز در حال توسعه رویکردی برای تشخیص زودهنگام آفات و بیماریهای گیاهی است. این شرکت میگوید ترکیب شرایط آبوهوایی، نوع محصول، مرحله رشد گیاه و محل مزرعه میتواند برای شناسایی شرایط مساعد برای گسترش آفت یا بیماری به کار رود.
ClimateAi اعلام کرده است که در مرحله آزمایشی توسعه نسل جدید ابزار خود، مشاهدات ماهوارهای را با مدلسازی مبتنی بر دادههای هواشناسی ترکیب میکند. به گفته این شرکت، تصاویر ماهوارهای میتوانند تغییرات ظریف در سلامت پوشش گیاهی را که ممکن است نشانه آغاز بیماری یا تنش ناشی از آفت باشند، شناسایی کنند. سپس این مشاهدات با متغیرهایی مانند دما، رطوبت و سرعت باد تطبیق داده میشوند تا مشخص شود آیا شرایط برای رشد آفت، قارچ یا عوامل بیماریزا مناسب است یا خیر.
هشدار پیش از آشکارشدن خسارت
این نمونهها نشان میدهند هشدار زودهنگام در کشاورزی بر یک نوع داده یا یک فناوری خاص متکی نیست. در سامانه USGS، سابقه طولانی دادههای جریان آب برای پیشبینی خشکسالی به کار گرفته میشود؛ فائو برای پایش آفات از گزارشهای میدانی در کنار دادههای ماهوارهای و هواشناسی استفاده میکند و پژوهشگران Texas A&M نیز دادههای مربوط به آفت را با متغیرهای محیطی ترکیب کردهاند. در سوی دیگر، ClimateAi در حال آزمایش ترکیب دادههای ماهوارهای و مدلهای آبوهوایی برای شناسایی نشانههای اولیه تنشهای گیاهی است.
تفاوت اصلی میان این نمونهها در نوع خطر، دادههای مورد استفاده و مقیاس پیشبینی است؛ اما در همه آنها یک مسئله مشترک وجود دارد: تلاش برای شناسایی تغییرات پیش از آنکه به یک خسارت گسترده تبدیل شوند. دقت این پیشبینیها نیز به نوع داده، محیط و بازه زمانی بستگی دارد؛ چنانکه در سامانه USGS دقت پیشبینی از حدود ۷۵ درصد در هفته نخست به حدود ۵۵ درصد در هفته سیزدهم کاهش مییابد و در پژوهش Texas A&M نیز عملکرد مدل در محیطهای مختلف یکسان نبود.
انتهای پیام/
