AI (செயற்கை நுண்ணறிவு) விவசாயத்தில் புரட்சியை ஏற்படுத்தி, விவசாயிகளுக்கு பயிர் ஆபத்துகளை கண்டறிந்து முன்னறிவிப்பதற்கான மேம்பட்ட கருவிகளை வழங்குகிறது. செடியின் பூச்சிகள் மற்றும் நோய்கள் உலகளாவிய பயிர் உற்பத்தியில் 15-40% வரை அழிவை ஏற்படுத்துகின்றன; ஆகவே, ஆரம்ப எச்சரிக்கை மிகவும் அவசியம்.

நவீன AI அமைப்புகள் (மெஷின் லெர்னிங் மற்றும் ஆழ்ந்த நரம்பு வலைப்பின்னல்கள்) பெரிய அளவிலான தரவுகளை (படங்கள், காலநிலை, சென்சார் தரவுகள் போன்றவை) பகுப்பாய்வு செய்து நோயின் நுணுக்க அறிகுறிகளை கண்டறிய அல்லது பரவலை முன்னறிவிக்க முடியும். சர்வதேச நிபுணர்கள் AI "செயல்படும் பூச்சி நடத்தை கண்காணிப்பதில்" சிறந்தது என்றும், நேரடி தரவுகளை பயன்படுத்தி தேவையான இடங்களில் துல்லியமான நடவடிக்கைகளை மேற்கொள்ள உதவுகிறது என்றும் குறிப்பிடுகின்றனர்.

சுருக்கமாகச் சொல்வதானால், நுண்ணறிவு விவசாயம் இப்போது AI-ஐ பயன்படுத்தி பயிர் பிரச்சனைகளை கண்டறிந்து மற்றும் முன்னறிவித்து விவசாயிகளுக்கு சரியான நேரத்தில் சரியான தீர்வை வழங்குகிறது.

பட அடிப்படையிலான பூச்சி மற்றும் நோய் கண்டறிதல்

கென்யாவில் உள்ள ஒரு விவசாயி AI இயக்கப்படும் ஸ்மார்ட்போன் செயலி (PlantVillage) மூலம் மக்காச்சோளம் இலை上的 பூச்சிகளை அடையாளம் காண்கிறார். AI இயக்கப்படும் பட அடையாளம் மூலம் யாரும் ஒரு புகைப்படத்திலிருந்து செடியின் பிரச்சனைகளை கண்டறிய முடியும்.

உதாரணமாக, இலவசமான PlantVillage செயலி ஆயிரக்கணக்கான ஆரோக்கியமான மற்றும் பாதிக்கப்பட்ட பயிர்களின் படங்களைக் கொண்டு பயிற்சி பெற்றது, இதனால் மக்காச்சோளத்தில் உள்ள பொதுவான பூச்சிகள் போன்ற fall armyworm ஐ அடையாளம் காண முடிகிறது. விவசாயி சாதாரணமாக ஒரு சேதமடைந்த இலைக்கு கேமரா நோக்கி, செயலி குற்றவாளியை (ஒலி உதவியாளர் மூலம்) கண்டறிந்து, கட்டுப்பாட்டு நடவடிக்கைகளையும் பரிந்துரைக்கிறது.

இதே போன்ற AI செயலிகள் மற்றும் தளங்கள் (பொதுவாக convolutional neural networks பயன்படுத்தி) உலகம் முழுவதும் உள்ளன: இவை தக்காளி, மிளகாய், தானியங்கள் மற்றும் பல பயிர்களில் இலைக்கறைகள், பிளைட்ஸ் அல்லது பூச்சி சேதங்களை கண்டறிய முடியும்.

காணொளி அடிப்படையிலான கண்டறிதலை தானாகச் செய்யும் இந்த கருவிகள் சிறிய விவசாயிகளுக்கு "கணிப்பை நிறுத்தி" உண்மையான பிரச்சனைகளை மட்டுமே சிகிச்சை செய்ய உதவுகின்றன.

சென்சார் நெட்வொர்க்குகள் மற்றும் முன்னறிவிப்பு பகுப்பாய்வு

கென்யாவில் உள்ள ஒரு க்ரீன்ஹவுஸ் AI சென்சார்களுடன் (FarmShield) வெப்பநிலை, ஈரப்பதம் மற்றும் மண் ஈரப்பதத்தை கண்காணிக்கிறது. படங்களைத் தவிர, AI நேரடி சென்சார் தரவுகளை பயன்படுத்தி பூச்சி அபாயத்தை முன்னறிவிக்கிறது. விவசாய நிலங்கள் மற்றும் க்ரீன்ஹவுஸ் பகுதிகள் வெப்பநிலை, ஈரப்பதம், CO₂, மண் ஈரப்பதம் போன்றவற்றை அளக்கும் IoT சென்சார்களால் சீராக சீர்திருத்தப்பட்டுள்ளன.

FarmShield போன்ற சிறப்பு அமைப்புகள் இந்த நிலைகளை தொடர்ந்து பதிவு செய்து, மெஷின் லெர்னிங் மாதிரிகளுக்கு அனுப்புகின்றன. உதாரணமாக, கென்யாவில் ஒரு விவசாயி "FarmShield" ஐ பயன்படுத்தி க்ரீன்ஹவுஸ் காலநிலையை கண்காணிக்கிறார்; AI வெள்ளரிக்காய் அழுத்தம் மற்றும் நோய்களைத் தடுக்கும் நேரத்தை துல்லியமாக பரிந்துரைக்கிறது.

பெரிய விவசாய நிலங்களில், காலநிலை நிலையங்கள் (காற்று, மழை, மண் ஊட்டச்சத்து) AI மாதிரிகளுக்கு தரவுகளை வழங்குகின்றன, அவை செயற்கைக்கோள் மற்றும் ட்ரோன் தரவுகளுடன் ஒருங்கிணைக்கப்படுகின்றன. இந்தியாவின் சர்க்கரை பனையில்களில், உதாரணமாக, AI தளம் உள்ளூர் காலநிலை மற்றும் படங்களை இணைத்து தினசரி எச்சரிக்கைகளை அனுப்புகிறது – உதாரணமாக "மேலும் நீர் ஊற்றவும். உரம் தெளிக்கவும். பூச்சிகளை தேடவும்." – செயற்கைக்கோள் வரைபடங்கள் நடவடிக்கைகள் தேவைப்படும் இடங்களை காட்டுகின்றன.

இந்த முன்னறிவிப்பு பகுப்பாய்வு அமைப்புகள் கால வரிசை தரவுகளிலிருந்து முறைமைகளை கற்றுக்கொள்கின்றன, ஆகவே சூழ்நிலைகள் பூச்சி பரவலை ஊக்குவிக்கும் போது (உயர் ஈரப்பதம், வெப்பமான இரவுகள் போன்றவை), விவசாயிகள் முன்கூட்டியே எச்சரிக்கை பெறுகிறார்கள்.

முக்கிய AI உள்ளீடுகள் மற்றும் முறைகள்:

• காலநிலை மற்றும் வானிலை தரவுகள்: மெஷின் லெர்னிங் மாதிரிகள் வெப்பநிலை, ஈரப்பதம், மழை மற்றும் காற்றின் வரலாற்றை பயன்படுத்தி பூச்சி பரவலை முன்னறிவிக்கின்றன. ஒரு ஆய்வு, இத்தகைய காலநிலை மாறிலிகளின் மூலம் பருத்தி பூச்சிகள் (ஜாசிட்ஸ் மற்றும் திரிப்ஸ்) மிக உயர்ந்த துல்லியத்துடன் (AUC ~0.985) கணிக்கப்பட்டது. விளக்கக்கூடிய AI பகுப்பாய்வு ஈரப்பதம் மற்றும் பருவ காலம் மிக முக்கியமான முன்னறிவிப்பாளர்கள் என்று காட்டியது.

• மண் மற்றும் வளர்ச்சி சென்சார்கள்: தொடர்ச்சியான அளவீடுகள் (எ.கா. மண் ஈரப்பதம், இலை ஈரப்பதம், CO₂) AI-க்கு நோய் பரவலுக்கு ஏற்ற சூழ்நிலைகளை கண்டறிய உதவுகின்றன. 2023 ஆம் ஆண்டில் உருவாக்கப்பட்ட ஆழ்ந்த கற்றல் மாதிரி க்ரீன்ஹவுஸ் சூழல் தரவுகளிலிருந்து மட்டுமே ஸ்ட்ராபெரி, மிளகாய் மற்றும் தக்காளி நோய் அபாய மதிப்பெண்களை கணித்தது.
  இந்த தரவுத்தள அணுகுமுறை சராசரியாக 0.92 AUROC அடைந்தது, அதாவது அபாய எல்லையை கடந்த சூழ்நிலைகளை நம்பகமாக கண்டறிகிறது.

• தொலைநோக்கு சென்சிங் (செயற்கைக்கோள்கள், ட்ரோன்கள்): நிலங்களின் உயர் தீர்மான படங்கள் AI-க்கு மனித கண்களுக்கு முன் அழுத்தம் அடைந்த செடிகளை கண்டறிய உதவுகின்றன. உதாரணமாக, செயற்கைக்கோள் வரைபடங்கள் குறைவான பச்சை நிறம் கொண்ட தாவர பகுதிகளை காட்டலாம் (அதாவது அழுத்தம்); Agripilot.ai போன்ற AI செயலி இத்தகைய வரைபடங்களை பயன்படுத்தி விவசாயி "குறிப்பிட்ட பகுதிகளில் மட்டுமே நீர் ஊற்ற, உரம் தெளிக்க அல்லது பூச்சிக்கொல்லிகள் தெளிக்க முடியும்".
  கேமரா கொண்ட ட்ரோன்கள் தோட்டங்கள் அல்லது தோட்டங்களை ஸ்கேன் செய்து, AI ஆல்கொரிதம்கள் அந்த வானிலை புகைப்படங்களை பகுப்பாய்வு செய்து நோயுற்ற செடிகளை கண்டறிகின்றன (வாழைப்பழம் மற்றும் சோயா நிலங்களில் காட்டப்பட்டுள்ளபடி).

• வரலாற்று பரவல் பதிவுகள்: பூச்சி நிகழ்வுகள், பயிர் உற்பத்தி மற்றும் நடவடிக்கைகள் பற்றிய கடந்த கால தரவுகள் முன்னறிவிப்பு மாதிரிகளை பயிற்சி மற்றும் சரிபார்க்க பயன்படுத்தப்படுகின்றன. கடந்த பருவங்களிலிருந்து (மற்றும் பகிரப்பட்ட தளங்கள் மூலம் அண்டை விவசாய நிலங்களிலிருந்து) கற்றுக்கொண்டு AI எச்சரிக்கைகளை மேம்படுத்துகிறது.

இந்த தரவுத் தொடர்கள் முன்னறிவிப்பு பகுப்பாய்வு தளங்கள் மற்றும் முடிவு ஆதரவு கருவிகளுக்கு ஊட்டமாக வழங்கப்படுகின்றன. நடைமுறையில், விவசாயிகள் எளிய எச்சரிக்கைகள் அல்லது வரைபடங்களை (மொபைல் செயலிகள் அல்லது டாஷ்போர்டுகள் மூலம்) பெறுகிறார்கள், அவை எங்கே மற்றும் எப்போது நடவடிக்கை எடுக்க வேண்டும் என்பதை தெரிவிக்கின்றன – உதாரணமாக, "அடுத்த வாரம் பூஞ்சை மருந்து தெளிக்கவும்" அல்லது "புல்லாங்குழல் முட்டைகளை புலப்படுத்து" போன்றவை. பூச்சி கட்டுப்பாட்டின் நேரத்தை கணிப்பை நீக்குவதன் மூலம், AI-இன் அறிவுரைகள் தேவையற்ற தெளிப்பை குறைத்து பயிர் உற்பத்தியை அதிகரிக்க உதவுகின்றன.

உண்மையான உலக உதாரணங்கள் மற்றும் கருவிகள்

உலகம் முழுவதும் விவசாயிகள் பூச்சிகள் மற்றும் நோய்களை எதிர்கொள்ள AI தீர்வுகளை ஏற்கனவே பயன்படுத்தி வருகின்றனர். ஆப்பிரிக்காவில் சிறிய விவசாயிகள் ஸ்மார்ட்போன்களை பயிர் இலைகளுக்கு நோக்கி, கண்டறிதலை நம்புகின்றனர்.

கென்யாவின் மச்சாகோஸில், ஒரு மக்காச்சோளம் விவசாயி PlantVillage செயலியை பயன்படுத்தி தனது செடியை ஸ்கேன் செய்தார், செயலி உடனடியாக இலை上的 fall armyworm ஐ கண்டறிந்தது. அதே நேரத்தில், அருகிலுள்ள ஒரு திட்டம் (Virtual Agronomist) கண்டம் முழுவதும் மண் மற்றும் செயற்கைக்கோள் தரவுகளை பயன்படுத்தி உரம் மற்றும் பூச்சி மேலாண்மைக்கு ஆலோசனை வழங்குகிறது; இரு கருவிகளும் பெரிய படங்கள் மற்றும் நில அளவீடுகளின் தரவுத்தளத்தில் பயிற்சி பெற்றவை.

இந்தியாவில், Agripilot.ai அமைப்பு (Microsoft ஆதரவு பெற்ற தளம்) சென்சார் மற்றும் செயற்கைக்கோள் தரவுகளின் அடிப்படையில் விவசாயிகளுக்கு நிலத்துக்கு ஏற்ற பரிந்துரைகளை வழங்குகிறது – உதாரணமாக, "நிலத்தின் வடமேற்கு மூலையில் பூச்சிகளை தேடவும்".

கொமெர்ஷியல் பூச்சி பிடிக்கும் உபகரணங்களும் இப்போது AI-ஐ பயன்படுத்துகின்றன: Trapview போன்ற தானாக இயங்கும் பெரோமோன் பூச்சி பிடிக்கும் உபகரணங்கள் பூச்சிகளை பிடித்து, உள்ளே உள்ள கேமரா மற்றும் மெஷின் லெர்னிங் மூலம் பூச்சி வகைகளை எண்ணி அடையாளம் காண்கின்றன. இந்த நுண்ணறிவு உபகரணங்கள் நேரடி பூச்சி எண்ணிக்கை அதிகரிப்பை கண்டறிந்து பரவலை முன்னறிவிக்க முடியும், இதனால் பரவல் அதிகரிப்பதற்கு முன் குறிக்கோள் நடவடிக்கைகள் எடுக்க முடிகிறது.

இந்த உதாரணங்களில், AI குறைந்த எண்ணிக்கையிலான விவசாய நிபுணர்கள் மற்றும் நீட்டிப்பு சேவைகளின் சேவையை விரிவாக்குகிறது. தொழில் அறிக்கைகளின் படி, ஆப்பிரிக்காவின் சில பகுதிகளில் AI பயன்பாடுகள் பெரும்பாலும் விவசாயம் மற்றும் உணவு பாதுகாப்பில் உள்ளன.

தரவை செயல்படுத்தக்கூடிய ஆலோசனைகளாக மாற்றுவதன் மூலம் – செயலிகள், நுண்ணறிவு பூச்சி பிடிக்கும் உபகரணங்கள் அல்லது சென்சார் நெட்வொர்க்குகள் மூலம் – AI விவசாயிகளுக்கு "சரியான நேரத்தில் சரியான முடிவை எடுக்க" உதவுகிறது.

சவால்கள் மற்றும் எதிர்கால திசைகள்

வாய்ப்புகளுக்கு மத்தியில், AI அடிப்படையிலான பூச்சி கணிப்பு சில சவால்களை எதிர்கொள்கிறது. உயர்தர உள்ளூர் தரவு அவசியம்: FAO குறிப்பிடுவது போல, விவசாயிகள் இந்த கருவிகள் செயல்பட நல்ல சென்சார் நெட்வொர்க்குகள், இணைப்பு மற்றும் பயிற்சியைப் பெற வேண்டும்.

பல பகுதிகளில், குறைந்த ஸ்மார்ட்போன் அணுகல், இடைவிடா இணையம் மற்றும் வரலாற்று பதிவுகளின் பற்றாக்குறை தடையாக உள்ளது. மேலும், நிபுணர்கள் எச்சரிக்கின்றனர் AI மாதிரிகள் உள்ளூர் சூழலை தவிர்க்கலாம் – உதாரணமாக, ஒரு ஆப்பிரிக்க ஆய்வாளர் பெரும்பாலான AI பயிற்சி தொகுப்புகள் பாரம்பரிய விவசாய அறிவை தவிர்க்கின்றன எனக் கூறி, முழுமையாக AI ஆலோசனைகள் நன்கு சோதிக்கப்பட்ட உள்ளூர் நடைமுறைகளை புறக்கணிக்கலாம்.

பொறுப்பான பயன்பாடு என்பது AI பரிந்துரைகளை விவசாயி அனுபவத்துடன் இணைத்து, அலகோரிதங்களை அப்படியே பின்பற்றாமல் பயன்படுத்துவதே ஆகும்.

எதிர்காலத்தில், தொடர்ச்சியான முன்னேற்றங்கள் பூச்சி கணிப்பை மேலும் துல்லியமாகவும் வெளிப்படையாகவும் மாற்றும். புதிய ஆழ்ந்த கற்றல் மாதிரிகள் மற்றும் விளக்கக்கூடிய AI தொழில்நுட்பங்கள் முன்னறிவிப்புகளை மேம்படுத்தும்.

FAO கூட விவசாயத்திற்கு GPT போன்ற பெரிய AI மாதிரிகளை உருவாக்கி, உலகளாவிய தரவுகளை ஒருங்கிணைத்து உள்ளூர் பிரச்சனைகளுக்கு நேரடி ஆலோசனைகளை வழங்க திட்டமிட்டுள்ளது. அதே நேரத்தில், சர்வதேச செடி பாதுகாப்பு சமூகமும் AI மற்றும் ட்ரோன்களை பயனாளர்களுக்கு பயிற்சி அளித்து, கொடூரமான நோய்களை (உதா: வாழைப்பழம் ஃபுசாரியம்) கண்காணிக்கிறது.

சுருக்கமாக, AI மூலம் செடியின் பூச்சிகள் மற்றும் நோய்களை கணிப்பது பல தொழில்நுட்பங்களை இணைக்கும்: அறிகுறிகளை அடையாளம் காண கணினி பார்வை, வளர்ச்சி சூழலை கண்காணிக்க IoT சென்சார்கள், மற்றும் வரலாற்று/சுற்றுச்சூழல் தரவுகளில் மெஷின் லெர்னிங் மூலம் பரவலை முன்னறிவித்தல்.

இந்த முறைகள் விவசாயிகளுக்கு சக்திவாய்ந்த ஆரம்ப எச்சரிக்கை மற்றும் கண்டறிதல் கருவிகளை வழங்குகின்றன. AI-ஐ விவசாயத்தில் ஒருங்கிணைப்பதன் மூலம், பயிர் இழப்புகளை குறைத்து, பூச்சிக்கொல்லி பயன்பாட்டை குறைத்து, விவசாயத்தை மேலும் தாங்கும் வகையில் மாற்ற முடிகிறது.

ஒரு IPPC நிபுணர் கூறுவது போல, AI "வளங்களை வீணடிக்காமல் குறைந்த இடங்களில் முன்னுரிமை கொடுத்து மேலாண்மை திறனை மேம்படுத்துகிறது" – இது உற்பத்தி மற்றும் நிலைத்தன்மைக்கு இரு பக்க வெற்றி ஆகும்.