AI (akili bandia) inabadilisha kilimo kwa kuwapa wakulima zana za kisasa za kugundua na kutabiri vitisho vya mazao. Wadudu na magonjwa ya mimea husababisha hasara kubwa – hadi 15–40% ya mazao duniani – hivyo onyo la mapema ni muhimu sana.

Mifumo ya kisasa ya AI (kujifunza kwa mashine na mitandao ya neva ya kina) inaweza kuchambua data kubwa (picha, hali ya hewa, data za sensa, n.k.) kugundua dalili za ugonjwa au kutabiri milipuko. Wataalamu wa kimataifa wanasema AI ni bora katika “kufuatilia tabia ya wadudu kwa wakati halisi” na kutumia data hiyo kuzingatia hatua mahususi.

Kwa kifupi, kilimo cha kisasa kinatumia AI kugundua na kutabiri matatizo ya mazao, kusaidia wakulima kutumia suluhisho sahihi kwa wakati unaofaa.

Uchunguzi wa Wadudu na Magonjwa kwa Kutumia Picha

Mkulima wa Kenya anatumia programu ya simu yenye AI (PlantVillage) kutambua wadudu kwenye jani la mahindi. Utambuzi wa picha unaotumia AI unaruhusu mtu yeyote kugundua matatizo ya mimea kwa picha moja.

Kwa mfano, programu ya bure ya PlantVillage ilifundishwa kwa maelfu ya picha za mazao yenye afya na yaliyoathirika, ikiruhusu kutambua wadudu wa kawaida kama vile minyoo ya jeshi kwenye mahindi. Mkulima anachukua picha ya jani lililoathirika, na programu hutambua adui (kupitia msaidizi wa sauti) na hata kupendekeza njia za kudhibiti.

Programu na majukwaa mengine ya AI (mara nyingi yanayotumia mitandao ya neva ya convolutional) yanapatikana duniani kote: yanaweza kugundua madoa ya majani, magonjwa au uharibifu wa wadudu kwenye nyanya, pilipili, nafaka na mazao mengine mengi.

Kwa kuendesha uchunguzi wa kuona kiotomatiki, zana hizi husaidia wakulima wadogo “kumaliza kubahatisha” na kutibu matatizo halisi tu.

Mitandao ya Sensa na Uchambuzi wa Utabiri

Kibanda cha kilimo cha Kenya kilicho na sensa za AI (FarmShield) kufuatilia joto, unyevu na unyevu wa udongo. Zaidi ya picha, AI hutumia data ya sensa kwa wakati halisi kutabiri hatari za wadudu. Mashamba na vibanda vya kilimo vina sensa za IoT zinazopima joto, unyevu, CO₂, unyevu wa udongo, n.k.

Mifumo maalum (kama FarmShield) huandika hali hizi kila wakati na kuzichambua kwa kutumia mifano ya kujifunza kwa mashine. Kenya, kwa mfano, mkulima anatumia “FarmShield” kufuatilia hali ya hewa ya kibanda; AI hupendekeza wakati sahihi wa kumwagilia matango ili kuzuia msongo na magonjwa.

Katika mashamba makubwa, vituo vya hali ya hewa (upepo, mvua, virutubisho vya udongo) hutoa data kwa mifano ya AI inayochanganya data za satelaiti na ndege zisizo na rubani. Katika mashamba ya miwa India, mfano wa AI unachanganya data za hali ya hewa za eneo na picha kutuma onyo kila siku – mfano, “Mwagilia zaidi. Paka mbolea. Tazama wadudu.” – pamoja na ramani za satelaiti zinazoonyesha maeneo yanayohitaji hatua.

Mifumo hii ya uchambuzi wa utabiri hujifunza mifumo kutoka kwa data ya mfululizo wa wakati ili wakulima wapate onyo la mapema wakati hali zinapofaa kwa mlipuko wa wadudu (unyevu mkubwa, usiku wa joto, n.k.).

Vingizo na mbinu muhimu za AI ni pamoja na:

• Data ya hali ya hewa na tabianchi: Mifano ya kujifunza kwa mashine hutumia joto, unyevu, mvua na historia ya upepo kutabiri milipuko ya wadudu. Utafiti mmoja ulitabiri wadudu wa pamba (jassids na thrips) kwa kutumia vigezo vya hali ya hewa kwa usahihi mkubwa (AUC ~0.985). Uchambuzi wa AI unaeleweka ulionyesha unyevu na msimu ni vigezo vikuu.

• Sensa za udongo na ukuaji: Usomaji wa mara kwa mara (kama unyevu wa udongo, unyevu wa jani, CO₂) husaidia AI kugundua hali zinazofaa kwa ugonjwa. Mfano wa kujifunza kwa kina wa 2023 ulitabiri alama za hatari kwa magonjwa ya stroberi, pilipili na nyanya kwa kutumia tu data ya mazingira ya kibanda.
  Njia hii inayotegemea data ilifikia wastani wa 0.92 AUROC, ikimaanisha inagundua kwa uhakika wakati hali zinapovuka kikomo cha hatari.

• Uchunguzi wa mbali (satelaiti, ndege zisizo na rubani): Picha za ubora wa juu za mashamba huruhusu AI kugundua mimea iliyo na msongo kabla ya macho ya binadamu kuona. Kwa mfano, ramani za satelaiti zinaweza kuonyesha maeneo yenye mimea isiyo na rangi ya kijani (kuonyesha msongo); programu ya AI (Agripilot.ai) hutumia ramani hizi ili mkulima “amwezeshe kumwagilia, kupaka mbolea au kupaka dawa za kuua wadudu sehemu maalum tu”.
  Ndege zisizo na rubani zilizo na kamera zinaweza kuchunguza bustani au mashamba, na algoriti za AI kuchambua picha hizo za anga kugundua mimea iliyo na magonjwa (kama ilivyoonyeshwa katika mashamba ya ndizi na soya).

• Rekodi za milipuko ya zamani: Data ya zamani kuhusu wadudu, mazao na hatua za udhibiti hutumika kufundisha na kuthibitisha mifano ya utabiri. Kwa kujifunza kutoka misimu iliyopita (na hata mashamba jirani kupitia majukwaa ya pamoja), AI inaweza kuboresha onyo lake kwa muda.

Kwa pamoja, vyanzo hivi vya data hutoa taarifa kwa majukwaa ya uchambuzi wa utabiri na zana za kusaidia maamuzi. Katika vitendo, wakulima hupokea onyo rahisi au ramani (kupitia programu za simu au dashibodi) zinazowaambia wapi na lini kuchukua hatua – kwa mfano, “tumia dawa ya kuua fangasi wiki ijayo” au “angalia shamba A kwa mayai ya mchwa.” Kwa kuondoa kubahatisha wakati wa udhibiti wa wadudu, maarifa yanayotokana na AI husaidia kupunguza kupaka dawa zisizohitajika na kuongeza mazao.

Mifano Halisi na Zana

Wakulima duniani kote tayari wanatumia suluhisho za AI kupambana na wadudu na magonjwa. Afrika, wakulima wadogo wanatumia simu zao kugundua matatizo ya mimea na kuamini utambuzi huo.

Machakos, Kenya, mkulima wa mahindi alitumia PlantVillage na programu hiyo ikatambua mara moja minyoo ya jeshi kwenye jani. Wakati huo huo, mradi wa karibu (Virtual Agronomist) unatumia data za udongo na satelaiti za bara lote kushauri kuhusu mbolea na udhibiti wa wadudu; zana zote mbili zilifundishwa kwa kutumia seti kubwa za picha na vipimo shambani.

India, mfumo wa Agripilot.ai (jukwaa linaloungwa mkono na Microsoft) huwapa wakulima mapendekezo maalum ya shamba – mfano, “Tafuta wadudu pembezoni mwa kaskazini magharibi mwa shamba” – kwa kutumia data za sensa na satelaiti.

Hata mitego ya kibiashara sasa inatumia AI: mitego ya pheromoni yenye uendeshaji wa moja kwa moja (kama Trapview) hukamata wadudu na kutumia kamera zilizo ndani pamoja na ML kuhesabu na kutambua aina za wadudu. Mitego hii ya akili inaweza kutabiri milipuko kwa kugundua ongezeko la idadi ya wadudu kwa wakati halisi, kuruhusu hatua maalum kabla ya kuenea kwa wadudu.

Katika mifano hii yote, AI inaongeza uwezo wa wataalamu wa kilimo na huduma za ugani. Ripoti za sekta zinaonyesha matumizi mengi ya AI sehemu za Afrika yamekuwa katika kilimo na usalama wa chakula.

Kwa kubadilisha data kuwa ushauri unaotekelezeka – iwe kupitia programu, mitego ya akili, au mitandao ya sensa – AI inasaidia wakulima kufanya “amuzi sahihi kwa wakati unaofaa” katika udhibiti wa wadudu.

Changamoto na Mwelekeo wa Baadaye

Licha ya ahadi yake, utabiri wa wadudu kwa kutumia AI unakumbwa na changamoto. Data bora za eneo ni muhimu: kama FAO inavyosema, wakulima wanahitaji mitandao nzuri ya sensa, muunganisho na mafunzo ili zana hizi zifanye kazi.

Katika maeneo mengi, upatikanaji mdogo wa simu za mkononi, mtandao duni na ukosefu wa rekodi za zamani bado ni vizingiti. Zaidi ya hayo, wataalamu wanatilia shaka kwamba mifano ya AI inaweza kupuuzia muktadha wa kienyeji – mfano, mtafiti wa Afrika anaonya kuwa seti nyingi za mafunzo za AI hazijajumuisha maarifa ya kilimo ya asili, hivyo ushauri wa AI peke yake unaweza kupuuzia mbinu za kienyeji zilizojaribiwa vizuri.

Matumizi ya kuwajibika yanamaanisha kuunganisha mapendekezo ya AI na utaalamu wa mkulima badala ya kufuata algoriti bila kuchunguza.

Kuangalia mbele, maendeleo yanayoendelea yataendelea kuboresha utabiri wa wadudu. Mifano mipya ya kujifunza kwa kina na mbinu za AI zinazoweza kueleweka zitafanya utabiri kuwa sahihi na wazi zaidi.

FAO pia inafanya kazi kwenye mifano mikubwa ya AI ya kilimo (kama GPTs kwa kilimo) itakayochanganya data za dunia nzima kutoa ushauri wa masuala ya kienyeji kwa wakati halisi. Wakati huo huo, jumuiya ya kimataifa ya ulinzi wa mimea inafundisha wafanyakazi kutumia AI na ndege zisizo na rubani kwa ufuatiliaji wa magonjwa hatari (mfano, Fusarium ya ndizi).

Kwa muhtasari, kutabiri wadudu na magonjwa ya mimea kwa kutumia AI kunahusisha kuunganisha teknolojia mbalimbali: kuona kwa kompyuta kugundua dalili, sensa za IoT kufuatilia hali za ukuaji, na kujifunza kwa mashine kwa data ya kihistoria/mazingira kutabiri milipuko.

Njia hizi pamoja huwapa wakulima zana madhubuti za onyo la mapema na uchunguzi. Kwa kuingiza AI katika kilimo, wakulima wanaweza kupunguza hasara za mazao, kupunguza matumizi ya dawa za kuua wadudu na kufanya kilimo kuwa imara zaidi.

Kama mtaalamu mmoja wa IPPC alivyoeleza, AI “inapunguza upotevu wa rasilimali, ikiboresha ufanisi wa usimamizi kwa kuipa kipaumbele hatua katika maeneo muhimu tu” – ni faida kwa uzalishaji na uendelevu.