AI (kecerdasan buatan) sedang merevolusikan pertanian dengan memberikan petani alat canggih untuk mengesan dan meramalkan ancaman tanaman. Perosak dan penyakit tanaman menyebabkan kerugian yang besar – sehingga 15–40% hasil tanaman global – jadi amaran awal adalah sangat penting.

Sistem AI moden (pembelajaran mesin dan rangkaian neural dalam) boleh menganalisis data besar (imej, cuaca, data sensor, dan lain-lain) untuk mengesan tanda halus penyakit atau meramalkan wabak. Pakar antarabangsa menyatakan bahawa AI sangat cekap dalam “memantau tingkah laku perosak yang dinamik” dan menggunakan data masa nyata untuk memfokuskan intervensi di tempat yang diperlukan.

Ringkasnya, pertanian pintar kini menggunakan AI untuk mengesan dan meramalkan masalah tanaman, membantu petani mengambil tindakan yang tepat pada masa yang sesuai.

Pengesanan Perosak dan Penyakit Berasaskan Imej

Seorang petani di Kenya menggunakan aplikasi telefon pintar berkuasa AI (PlantVillage) untuk mengenal pasti perosak pada daun jagung. Pengenalan imej berasaskan AI membolehkan sesiapa sahaja mendiagnosis masalah tanaman melalui gambar.

Sebagai contoh, aplikasi percuma PlantVillage dilatih menggunakan ribuan imej tanaman sihat dan yang dijangkiti, membolehkannya mengenal pasti perosak biasa seperti ulat tentera jatuh pada jagung. Petani hanya perlu mengarahkan kamera telefon ke daun yang rosak, dan aplikasi itu mengenal pasti punca (melalui pembantu suara) serta mencadangkan langkah kawalan.

Aplikasi dan platform AI serupa (sering menggunakan rangkaian neural konvolusi) kini wujud di seluruh dunia: mereka boleh mengesan tompok daun, hawar atau kerosakan serangga pada tomato, lada, bijirin dan banyak tanaman lain.

Dengan mengautomasikan diagnosis visual, alat ini membantu petani kecil “menghapuskan tekaan” dan merawat hanya masalah sebenar.

Rangkaian Sensor dan Analitik Ramalan

Rumah hijau di Kenya dilengkapi dengan sensor AI (FarmShield) untuk memantau suhu, kelembapan dan kelembapan tanah. Selain imej, AI menggunakan data sensor masa nyata untuk meramalkan risiko perosak. Ladang dan rumah hijau dipasang dengan sensor IoT yang mengukur suhu, kelembapan, CO₂, kelembapan tanah, dan lain-lain.

Sistem khusus (seperti FarmShield) merekodkan keadaan ini secara berterusan dan memprosesnya melalui model pembelajaran mesin. Di Kenya, contohnya, seorang petani menggunakan “FarmShield” untuk memantau iklim rumah hijau; AI mencadangkan masa tepat untuk menyiram timun bagi mengelakkan tekanan dan penyakit.

Di ladang yang lebih besar, stesen cuaca (angin, hujan, nutrien tanah) memberi data kepada model AI yang menggabungkan data satelit dan dron. Di ladang tebu India, sebagai contoh, platform AI menggabungkan bacaan cuaca tempatan dan imej untuk menghantar amaran harian – contohnya “Siram lebih banyak. Sembur baja. Periksa perosak.” – dengan peta satelit yang menunjukkan lokasi tindakan diperlukan.

Sistem analitik ramalan ini mempelajari corak daripada data siri masa supaya apabila keadaan menggalakkan wabak perosak (kelembapan tinggi, malam yang hangat, dan lain-lain), petani mendapat amaran awal.

Input dan kaedah utama AI termasuk:

• Data cuaca dan iklim: Model pembelajaran mesin menggunakan suhu, kelembapan, hujan dan sejarah angin untuk meramalkan wabak perosak. Satu kajian meramalkan perosak kapas (jassid dan thrips) daripada pembolehubah cuaca tersebut dengan ketepatan sangat tinggi (AUC ~0.985). Analisis AI yang boleh diterangkan menunjukkan kelembapan dan masa bermusim adalah peramal terkuat.

• Sensor tanah dan pertumbuhan: Bacaan berterusan (contohnya kelembapan tanah, kelembapan daun, CO₂) membantu AI mengesan keadaan yang sesuai untuk penyakit. Model pembelajaran mendalam 2023 meramalkan skor risiko untuk penyakit strawberi, lada dan tomato semata-mata daripada data persekitaran rumah hijau.
  Pendekatan berasaskan data ini mencapai purata AUROC 0.92, bermakna ia boleh mengesan dengan tepat bila keadaan melepasi ambang risiko.

• Penginderaan jauh (satelit, dron): Imej beresolusi tinggi ladang membolehkan AI mengesan tanaman yang tertekan sebelum mata manusia dapat melihatnya. Contohnya, peta satelit boleh menunjukkan kawasan tumbuhan yang kurang hijau (menandakan tekanan); aplikasi AI (Agripilot.ai) menggunakan peta ini supaya petani “boleh mengairi, membaja atau menyembur racun hanya di kawasan tertentu”.
  Dron yang dilengkapi kamera boleh mengimbas kebun atau ladang, dan algoritma AI menganalisis foto udara tersebut untuk mencari tanaman yang dijangkiti (seperti yang dibuktikan di ladang pisang dan soya).

• Rekod wabak sejarah: Data lalu mengenai kejadian perosak, hasil tanaman dan intervensi digunakan untuk melatih dan mengesahkan model ramalan. Dengan belajar dari musim sebelumnya (dan juga ladang jiran melalui platform berkongsi), AI boleh memperbaiki amaran dari masa ke masa.

Kesemua aliran data ini memberi input kepada platform analitik ramalan dan alat sokongan keputusan. Dalam praktiknya, petani menerima amaran mudah atau peta (melalui aplikasi mudah alih atau papan pemuka) yang memberitahu mereka di mana dan bila untuk bertindak – contohnya, “sapukan fungisida minggu depan” atau “periksa ladang A untuk telur belalang.” Dengan menghapuskan tekaan dalam masa kawalan perosak, pandangan berasaskan AI membantu mengurangkan semburan yang tidak perlu dan meningkatkan hasil.

Contoh dan Alat Dunia Sebenar

Petani di seluruh dunia sudah menggunakan penyelesaian AI untuk melawan perosak dan penyakit. Di Afrika, petani kecil mengarahkan telefon pintar ke daun tanaman dan mempercayai diagnosis tersebut.

Di Machakos, Kenya, seorang petani jagung mengimbas tanamannya dengan PlantVillage dan aplikasi itu segera mengesan ulat tentera jatuh pada daun. Pada masa yang sama, projek berdekatan (Virtual Agronomist) menggunakan data tanah dan satelit seluruh benua untuk memberi nasihat mengenai baja dan pengurusan perosak; kedua-dua alat ini dilatih menggunakan set data besar imej dan ukuran lapangan.

Di India, sistem Agripilot.ai (platform yang disokong Microsoft) menyediakan cadangan khusus ladang kepada petani – contohnya “Periksa perosak di sudut barat laut ladang” – berdasarkan data sensor dan satelit.

Malahan perangkap komersial kini menggunakan AI: perangkap feromon automatik (seperti Trapview) menangkap serangga dan menggunakan kamera terbina dalam serta pembelajaran mesin untuk mengira dan mengenal pasti spesies perosak. Perangkap pintar ini boleh meramalkan wabak dengan mengesan peningkatan bilangan perosak secara masa nyata, membolehkan intervensi tepat sebelum jangkitan merebak.

Dalam semua contoh ini, AI secara efektif meluaskan capaian pakar agronomi dan perkhidmatan penyuluhan yang terhad. Menurut laporan industri, kebanyakan aplikasi AI di beberapa bahagian Afrika adalah dalam bidang pertanian dan keselamatan makanan.

Dengan menukar data menjadi nasihat yang boleh diambil tindakan – sama ada melalui aplikasi, perangkap pintar, atau rangkaian sensor – AI membantu petani membuat “keputusan tepat pada masa yang sesuai” untuk kawalan perosak.

Cabaran dan Arah Masa Depan

Walaupun menjanjikan, ramalan perosak berasaskan AI juga menghadapi cabaran. Data tempatan berkualiti tinggi adalah penting: seperti yang dinyatakan oleh FAO, petani memerlukan akses kepada rangkaian sensor yang baik, sambungan internet dan latihan agar alat ini berfungsi.

Di banyak kawasan, akses telefon pintar yang terhad, internet tidak stabil dan kekurangan rekod sejarah masih menjadi halangan. Selain itu, pakar memberi amaran bahawa model AI boleh terlepas konteks tempatan – contohnya, seorang penyelidik Afrika menegaskan bahawa kebanyakan set latihan AI mengecualikan pengetahuan pertanian asli, jadi nasihat yang hanya berdasarkan AI mungkin mengabaikan amalan tempatan yang telah terbukti.

Penggunaan bertanggungjawab bermakna menggabungkan cadangan AI dengan kepakaran petani dan bukan mengikut algoritma secara membuta tuli.

Ke hadapan, kemajuan berterusan akan terus memperbaiki ramalan perosak. Model pembelajaran mendalam baru dan teknik AI yang boleh diterangkan akan menjadikan ramalan lebih tepat dan telus.

FAO juga sedang membangunkan model AI pertanian berskala besar (seperti GPT untuk pertanian) yang akan mengintegrasikan data global untuk memberi nasihat mengenai isu tempatan secara masa nyata. Sementara itu, komuniti perlindungan tanaman antarabangsa sedang melatih kakitangan menggunakan AI dan dron untuk pengawasan penyakit berbahaya (contohnya Fusarium pada pisang).

Kesimpulannya, meramalkan perosak dan penyakit tanaman dengan AI melibatkan gabungan pelbagai teknologi: penglihatan komputer untuk mengenal pasti simptom, sensor IoT untuk mengesan keadaan pertumbuhan, dan pembelajaran mesin pada data sejarah/persekitaran untuk meramalkan wabak.

Kaedah-kaedah ini bersama-sama memberikan petani alat amaran awal dan diagnosis yang berkuasa. Dengan mengintegrasikan AI dalam pertanian, pengusaha boleh mengurangkan kerugian tanaman, mengurangkan penggunaan racun perosak dan menjadikan pertanian lebih tahan lasak.

Seperti yang dinyatakan oleh seorang pakar IPPC, AI “meminimumkan pembaziran sumber, meningkatkan kecekapan pengurusan dengan mengutamakan tindakan hanya di kawasan kritikal” – satu kemenangan untuk produktiviti dan kelestarian.