هوش مصنوعی (Artificial Intelligence) با ارائه ابزارهای پیشرفته به کشاورزان برای شناسایی و پیش‌بینی تهدیدات محصولات، انقلابی در کشاورزی ایجاد کرده است. آفات و بیماری‌های گیاهی باعث خسارات جبران‌ناپذیری می‌شوند – تا ۱۵ تا ۴۰ درصد از تولیدات جهانی محصولات – بنابراین هشدار زودهنگام اهمیت بالایی دارد.

سیستم‌های مدرن هوش مصنوعی (یادگیری ماشین و شبکه‌های عصبی عمیق) قادرند حجم عظیمی از داده‌ها (تصاویر، آب و هوا، داده‌های حسگر و غیره) را تحلیل کنند تا نشانه‌های ظریف بیماری را شناسایی یا شیوع‌ها را پیش‌بینی کنند. کارشناسان بین‌المللی تأکید دارند که هوش مصنوعی در «نظارت بر رفتار پویا آفات» و استفاده از داده‌های لحظه‌ای برای تمرکز مداخلات در نقاط حساس، عملکرد برجسته‌ای دارد.

به طور خلاصه، کشاورزی هوشمند اکنون از هوش مصنوعی برای شناسایی و پیش‌بینی مشکلات محصولات استفاده می‌کند و به کشاورزان کمک می‌کند در زمان مناسب، راه‌حل درست را به کار گیرند.

شناسایی آفات و بیماری‌ها بر اساس تصویر

یک کشاورز کنیا با استفاده از اپلیکیشن هوش مصنوعی PlantVillage روی گوشی هوشمند خود، آفات روی برگ ذرت را شناسایی می‌کند. تشخیص مبتنی بر تصویر با هوش مصنوعی به هر کسی امکان می‌دهد مشکلات گیاه را از روی عکس تشخیص دهد.

برای مثال، اپلیکیشن رایگان PlantVillage با هزاران تصویر از محصولات سالم و آلوده آموزش دیده است و قادر است آفات رایجی مانند کرم ساقه‌خوار ذرت را شناسایی کند. کشاورز تنها کافی است دوربین گوشی را به سمت برگ آسیب‌دیده بگیرد و اپلیکیشن با کمک دستیار صوتی، عامل آفت را تشخیص داده و حتی راهکارهای کنترل آن را پیشنهاد می‌دهد.

اپلیکیشن‌ها و پلتفرم‌های مشابه هوش مصنوعی (که اغلب از شبکه‌های عصبی کانولوشنی استفاده می‌کنند) اکنون در سراسر جهان وجود دارند و می‌توانند لکه‌های برگ، پوسیدگی‌ها یا آسیب‌های حشرات روی گوجه‌فرنگی، فلفل، غلات و بسیاری محصولات دیگر را تشخیص دهند.

با خودکارسازی تشخیص بصری، این ابزارها به کشاورزان کوچک کمک می‌کنند تا «حدس و گمان» را کنار گذاشته و تنها مشکلات واقعی را درمان کنند.

شبکه‌های حسگر و تحلیل‌های پیش‌بینی

یک گلخانه در کنیا مجهز به حسگرهای هوش مصنوعی (FarmShield) برای پایش دما، رطوبت و رطوبت خاک. فراتر از تصاویر، هوش مصنوعی از داده‌های حسگرهای لحظه‌ای برای پیش‌بینی خطر آفات استفاده می‌کند. مزارع و گلخانه‌ها به حسگرهای اینترنت اشیاء مجهز شده‌اند که دما، رطوبت، CO₂، رطوبت خاک و غیره را اندازه‌گیری می‌کنند.

سیستم‌های تخصصی مانند FarmShield به طور مداوم این شرایط را ثبت کرده و آن‌ها را از طریق مدل‌های یادگیری ماشین تحلیل می‌کنند. به عنوان مثال، در کنیا کشاورزی از «FarmShield» برای پایش اقلیم گلخانه استفاده می‌کند؛ هوش مصنوعی دقیقاً زمان آبیاری خیارها را برای جلوگیری از تنش و بیماری توصیه می‌کند.

در مزارع بزرگ‌تر، ایستگاه‌های هواشناسی (باد، باران، مواد مغذی خاک) داده‌هایی را به مدل‌های هوش مصنوعی می‌دهند که داده‌های ماهواره‌ای و پهپادی را نیز ادغام می‌کنند. برای نمونه، در مزارع نیشکر هند، یک پلتفرم هوش مصنوعی داده‌های محلی هواشناسی و تصاویر را ترکیب کرده و هشدارهای روزانه ارسال می‌کند – مانند «آبیاری بیشتر. سم‌پاشی کود. جستجو برای آفات.» – همراه با نقشه‌های ماهواره‌ای که محل‌های نیازمند اقدام را مشخص می‌کنند.

این سیستم‌های تحلیل پیش‌بینی الگوهای داده‌های زمانی را می‌آموزند تا زمانی که شرایط برای شیوع آفات مساعد باشد (رطوبت بالا، شب‌های گرم و غیره)، کشاورزان هشدار زودهنگام دریافت کنند.

ورودی‌ها و روش‌های کلیدی هوش مصنوعی شامل موارد زیر است:

• داده‌های آب و هوا و اقلیم: مدل‌های یادگیری ماشین از دما، رطوبت، بارش و تاریخچه باد برای پیش‌بینی شیوع آفات استفاده می‌کنند. یک مطالعه با دقت بسیار بالا (AUC حدود ۰.۹۸۵) آفات پنبه (جاسیدها و تریپس‌ها) را از این متغیرهای آب و هوایی پیش‌بینی کرد. تحلیل هوش مصنوعی قابل توضیح نشان داد که رطوبت و زمان‌بندی فصلی قوی‌ترین پیش‌بینی‌کننده‌ها هستند.

• حسگرهای خاک و رشد: خوانش‌های مداوم (مانند رطوبت خاک، خیس بودن برگ، CO₂) به هوش مصنوعی کمک می‌کند شرایط مساعد برای بیماری را شناسایی کند. یک مدل یادگیری عمیق در سال ۲۰۲۳ تنها با داده‌های محیطی گلخانه، نمرات ریسک بیماری‌های توت‌فرنگی، فلفل و گوجه‌فرنگی را پیش‌بینی کرد.
  این رویکرد مبتنی بر داده به میانگین AUROC برابر با ۰.۹۲ رسید که نشان می‌دهد به طور قابل اعتمادی زمان عبور شرایط از آستانه خطر را تشخیص می‌دهد.

• حسگرهای از راه دور (ماهواره‌ها، پهپادها): تصاویر با وضوح بالا از مزارع به هوش مصنوعی اجازه می‌دهد گیاهان دچار تنش را پیش از دید انسان شناسایی کند. برای مثال، نقشه‌های ماهواره‌ای می‌توانند بخش‌هایی از پوشش گیاهی را که کمتر سبز هستند (نشانه تنش) نشان دهند؛ اپلیکیشن هوش مصنوعی Agripilot.ai از این نقشه‌ها استفاده می‌کند تا کشاورز «تنها در مناطق مشخصی آبیاری، کوددهی یا سم‌پاشی کند».
  پهپادهای مجهز به دوربین می‌توانند باغ‌ها یا مزارع را اسکن کنند و الگوریتم‌های هوش مصنوعی این تصاویر هوایی را برای یافتن گیاهان بیمار تحلیل می‌کنند (مطابق نمونه‌های مزارع موز و سویا).

• سوابق تاریخی شیوع: داده‌های گذشته درباره وقوع آفات، عملکرد محصولات و مداخلات برای آموزش و اعتبارسنجی مدل‌های پیش‌بینی استفاده می‌شوند. با یادگیری از فصل‌های قبلی (و حتی مزارع همسایه از طریق پلتفرم‌های مشترک)، هوش مصنوعی می‌تواند هشدارهای خود را به مرور بهبود بخشد.

این جریان‌های داده‌ای به پلتفرم‌های تحلیل پیش‌بینی و ابزارهای پشتیبانی تصمیم‌گیری تغذیه می‌کنند. در عمل، کشاورزان هشدارها یا نقشه‌های ساده‌ای (از طریق اپلیکیشن‌های موبایل یا داشبوردها) دریافت می‌کنند که به آن‌ها می‌گوید کجا و چه زمانی باید اقدام کنند – مثلاً «هفته آینده قارچ‌کش بزنید» یا «مزرعه A را برای تخم ملخ‌ها بررسی کنید». با حذف حدس و گمان در زمان‌بندی کنترل آفات، بینش‌های مبتنی بر هوش مصنوعی به کاهش سم‌پاشی‌های غیرضروری و افزایش عملکرد کمک می‌کنند.

نمونه‌ها و ابزارهای واقعی

کشاورزان در سراسر جهان از راهکارهای هوش مصنوعی برای مبارزه با آفات و بیماری‌ها استفاده می‌کنند. در آفریقا، کشاورزان خرد با گوشی‌های هوشمند برگ‌های محصولات را اسکن کرده و به تشخیص اعتماد می‌کنند.

در ماچاکوس کنیا، کشاورز ذرت با استفاده از PlantVillage گیاه خود را اسکن کرد و اپلیکیشن بلافاصله کرم ساقه‌خوار را روی برگ شناسایی کرد. همزمان، پروژه‌ای نزدیک به نام Virtual Agronomist از داده‌های خاک و ماهواره‌ای قاره‌ای برای مشاوره در کوددهی و مدیریت آفات استفاده می‌کند؛ هر دو ابزار با مجموعه داده‌های عظیمی از تصاویر و اندازه‌گیری‌های میدانی آموزش دیده‌اند.

در هند، سیستم Agripilot.ai (پلتفرمی حمایت‌شده توسط مایکروسافت) توصیه‌های خاص مزرعه را بر اساس داده‌های حسگر و ماهواره‌ای به کشاورزان ارائه می‌دهد – مثلاً «در گوشه شمال غربی مزرعه به دنبال آفات بگردید».

حتی تله‌های تجاری اکنون از هوش مصنوعی بهره می‌برند: تله‌های خودکار فرومونی (مانند Trapview) حشرات را به دام می‌اندازند و با دوربین‌های داخلی و یادگیری ماشین تعداد و گونه‌های آفات را شمارش و شناسایی می‌کنند. این تله‌های هوشمند می‌توانند با شناسایی افزایش تعداد آفات در زمان واقعی، شیوع‌ها را پیش‌بینی کرده و مداخلات هدفمند پیش از گسترش آفت را ممکن سازند.

در این نمونه‌ها، هوش مصنوعی به طور مؤثری دامنه دسترسی کارشناسان کشاورزی و خدمات ترویجی محدود را گسترش می‌دهد. بر اساس گزارش‌های صنعتی، بیشتر کاربردهای هوش مصنوعی در بخش‌هایی از آفریقا در حوزه کشاورزی و امنیت غذایی بوده است.

با تبدیل داده‌ها به توصیه‌های عملی – چه از طریق اپلیکیشن‌ها، تله‌های هوشمند یا شبکه‌های حسگر – هوش مصنوعی به کشاورزان کمک می‌کند «در زمان مناسب، تصمیم درست را بگیرند» برای کنترل آفات.

چالش‌ها و مسیرهای آینده

با وجود وعده‌هایش، پیش‌بینی آفات مبتنی بر هوش مصنوعی با موانعی روبرو است. داده‌های محلی با کیفیت بالا ضروری است: همان‌طور که فائو اشاره می‌کند، کشاورزان نیازمند دسترسی به شبکه‌های حسگر مناسب، اتصال اینترنت و آموزش برای استفاده از این ابزارها هستند.

در بسیاری مناطق، دسترسی محدود به گوشی‌های هوشمند، اینترنت نامنظم و فقدان سوابق تاریخی همچنان موانع محسوب می‌شوند. علاوه بر این، کارشناسان هشدار می‌دهند که مدل‌های هوش مصنوعی ممکن است زمینه محلی را نادیده بگیرند – برای مثال، پژوهشگری آفریقایی تأکید می‌کند که بیشتر مجموعه‌های آموزشی هوش مصنوعی دانش کشاورزی بومی را شامل نمی‌شوند، بنابراین توصیه‌های صرفاً مبتنی بر هوش مصنوعی ممکن است روش‌های محلی آزموده شده را نادیده بگیرند.

استفاده مسئولانه به معنای ترکیب توصیه‌های هوش مصنوعی با تخصص کشاورزان است، نه پیروی کورکورانه از الگوریتم‌ها.

در آینده، پیشرفت‌های مداوم پیش‌بینی آفات را بهبود خواهد بخشید. مدل‌های جدید یادگیری عمیق و تکنیک‌های هوش مصنوعی قابل توضیح، پیش‌بینی‌ها را دقیق‌تر و شفاف‌تر خواهند کرد.

فائو حتی در حال توسعه مدل‌های بزرگ هوش مصنوعی کشاورزی (مانند GPTهای کشاورزی) است که داده‌های جهانی را ادغام کرده و به صورت لحظه‌ای درباره مسائل محلی مشاوره می‌دهند. در همین حال، جامعه بین‌المللی حفاظت از گیاهان در حال آموزش نیروها برای استفاده از هوش مصنوعی و پهپادها در پایش بیماری‌های کشنده (مانند بیماری فوزاریوم موز) است.

خلاصه اینکه، پیش‌بینی آفات و بیماری‌های گیاهی با هوش مصنوعی ترکیبی از فناوری‌های مختلف است: بینایی کامپیوتری برای شناسایی علائم، حسگرهای اینترنت اشیاء برای رصد شرایط رشد و یادگیری ماشین روی داده‌های تاریخی و محیطی برای پیش‌بینی شیوع‌ها.

این روش‌ها به کشاورزان ابزارهای قدرتمند هشدار زودهنگام و تشخیص می‌دهند. با ادغام هوش مصنوعی در کشاورزی، تولیدکنندگان می‌توانند خسارات محصولات را کاهش داده، مصرف سموم را پایین آورده و کشاورزی مقاوم‌تری ایجاد کنند.

همان‌طور که یکی از کارشناسان IPPC می‌گوید، هوش مصنوعی «هدررفت منابع را به حداقل می‌رساند و با اولویت‌بندی اقدامات در مناطق حیاتی، کارایی مدیریت را افزایش می‌دهد» – که برد-بردی برای بهره‌وری و پایداری است.