ปัญญาประดิษฐ์ (AI) กำลังปฏิวัติวงการเกษตรกรรมด้วยการมอบเครื่องมือขั้นสูงให้เกษตรกรสามารถตรวจจับและคาดการณ์ภัยคุกคามต่อพืชผลได้ ศัตรูพืชและโรคพืชก่อให้เกิดความเสียหายอย่างรุนแรงถึง 15–40% ของผลผลิตทั่วโลก ดังนั้นการแจ้งเตือนล่วงหน้าจึงมีความสำคัญอย่างยิ่ง

ระบบ AI สมัยใหม่ (การเรียนรู้ของเครื่องและโครงข่ายประสาทเทียมเชิงลึก) สามารถวิเคราะห์ข้อมูลจำนวนมหาศาล (ภาพถ่าย สภาพอากาศ ข้อมูลเซ็นเซอร์ ฯลฯ) เพื่อค้นหาสัญญาณเล็กน้อยของโรคหรือทำนายการระบาด ผู้เชี่ยวชาญระดับนานาชาติชี้ว่า AI มีความโดดเด่นในการ “ติดตามพฤติกรรมศัตรูพืชที่เปลี่ยนแปลงอย่างต่อเนื่อง” และใช้ข้อมูลเรียลไทม์เพื่อเน้นการดำเนินการในจุดที่สำคัญ

สรุปได้ว่า การเกษตรอัจฉริยะในปัจจุบันใช้ AI เพื่อ ตรวจจับ และ ทำนาย ปัญหาพืชผล ช่วยให้เกษตรกรแก้ไขได้อย่างถูกต้องและตรงเวลา

การตรวจจับศัตรูพืชและโรคพืชด้วยภาพ

เกษตรกรชาวเคนยาใช้แอปพลิเคชันบนสมาร์ทโฟนที่ขับเคลื่อนด้วย AI (PlantVillage) เพื่อระบุศัตรูพืชบนใบข้าวโพด การรู้จำภาพด้วย AI ช่วยให้ใครก็ได้วินิจฉัยปัญหาพืชจากภาพถ่าย

ตัวอย่างเช่น แอป PlantVillage ฟรีที่ได้รับการฝึกฝนด้วยภาพถ่ายหลายพันภาพของพืชที่แข็งแรงและติดเชื้อ ช่วยให้สามารถระบุศัตรูพืชทั่วไป เช่น หนอนกอข้าวโพดได้อย่างแม่นยำ เกษตรกรเพียงแค่ชี้กล้องโทรศัพท์ไปที่ใบที่เสียหาย แอปจะระบุสาเหตุ (ผ่านผู้ช่วยเสียง) และแนะนำวิธีควบคุม

แอปและแพลตฟอร์ม AI ที่คล้ายกัน (มักใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน) มีอยู่ทั่วโลก สามารถตรวจจับจุดบนใบ โรคใบไหม้ หรือความเสียหายจากแมลงบนมะเขือเทศ พริก ธัญพืช และพืชอื่นๆ อีกมากมาย

ด้วยการวินิจฉัยด้วยภาพอัตโนมัติ เครื่องมือเหล่านี้ช่วยเกษตรกรรายย่อย “เลิกเดา” และรักษาเฉพาะปัญหาที่แท้จริงเท่านั้น

เครือข่ายเซ็นเซอร์และการวิเคราะห์เชิงทำนาย

โรงเรือนในเคนยาที่ติดตั้งเซ็นเซอร์ AI (FarmShield) เพื่อตรวจวัดอุณหภูมิ ความชื้น และความชื้นในดิน นอกจากภาพถ่ายแล้ว AI ยังใช้ข้อมูลเซ็นเซอร์เรียลไทม์เพื่อทำนายความเสี่ยงของศัตรูพืช ฟาร์มและโรงเรือนติดตั้งเซ็นเซอร์ IoT ที่วัดอุณหภูมิ ความชื้น คาร์บอนไดออกไซด์ ความชื้นในดิน ฯลฯ

ระบบเฉพาะทาง (เช่น FarmShield) บันทึกข้อมูลเหล่านี้อย่างต่อเนื่องและประมวลผลผ่านโมเดลการเรียนรู้ของเครื่อง ในเคนยา เกษตรกรใช้ “FarmShield” เพื่อตรวจสอบสภาพภูมิอากาศในโรงเรือน AI จะแนะนำเวลาที่เหมาะสมในการรดน้ำแตงกวาเพื่อป้องกันความเครียดและโรค

ในฟาร์มขนาดใหญ่ สถานีอากาศ (ลม ฝน ธาตุอาหารในดิน) จะป้อนข้อมูลให้โมเดล AI ที่รวมข้อมูลดาวเทียมและโดรน ตัวอย่างเช่น ในแปลงอ้อยของอินเดีย แพลตฟอร์ม AI จะรวมข้อมูลสภาพอากาศท้องถิ่นและภาพถ่ายเพื่อส่งการแจ้งเตือนรายวัน เช่น “รดน้ำเพิ่ม พ่นปุ๋ย ตรวจสอบศัตรูพืช” พร้อมแผนที่ดาวเทียมที่ระบุจุดที่ต้องดำเนินการ

ระบบวิเคราะห์เชิงทำนายเหล่านี้เรียนรู้รูปแบบจากข้อมูลตามช่วงเวลา เพื่อแจ้งเตือนล่วงหน้าเมื่อสภาพแวดล้อมเอื้อต่อการระบาดของศัตรูพืช (เช่น ความชื้นสูง คืนอุ่น ฯลฯ)

ข้อมูลและวิธีการสำคัญของ AI ได้แก่:

• ข้อมูลสภาพอากาศและภูมิอากาศ: โมเดลการเรียนรู้ของเครื่องใช้ข้อมูลอุณหภูมิ ความชื้น ปริมาณฝน และประวัติลมเพื่อทำนายการระบาดของศัตรูพืช งานวิจัยหนึ่งทำนายศัตรูฝ้าย (จัสซิดและทริปส์) จากตัวแปรสภาพอากาศเหล่านี้ด้วยความแม่นยำสูงมาก (AUC ~0.985) การวิเคราะห์ AI ที่อธิบายได้ยังแสดงให้เห็นว่าความชื้นและช่วงเวลาตามฤดูกาลเป็นตัวทำนายที่สำคัญที่สุด

• เซ็นเซอร์ดินและการเจริญเติบโต: การอ่านข้อมูลอย่างต่อเนื่อง (เช่น ความชื้นในดิน ความเปียกชื้นบนใบ คาร์บอนไดออกไซด์) ช่วยให้ AI ตรวจจับสภาพแวดล้อมที่เอื้อต่อโรค โมเดลการเรียนรู้เชิงลึกในปี 2023 ทำนายคะแนนความเสี่ยงของโรคสตรอว์เบอร์รี พริก และมะเขือเทศ โดยอาศัยข้อมูลสภาพแวดล้อมในโรงเรือนเท่านั้น
  วิธีการที่ขับเคลื่อนด้วยข้อมูลนี้มีค่าเฉลี่ย AUROC 0.92 หมายความว่าสามารถตรวจจับเมื่อสภาพแวดล้อมข้ามเกณฑ์ความเสี่ยงได้อย่างน่าเชื่อถือ

• การสำรวจระยะไกล (ดาวเทียม โดรน): ภาพความละเอียดสูงของแปลงปลูกช่วยให้ AI ตรวจจับพืชที่มีความเครียดก่อนที่มนุษย์จะมองเห็นได้ เช่น แผนที่ดาวเทียมสามารถแสดงพื้นที่พืชที่มีสีเขียวน้อยลง (บ่งชี้ความเครียด) แอป AI (Agripilot.ai) ใช้แผนที่เหล่านี้เพื่อให้เกษตรกร “รดน้ำ ใส่ปุ๋ย หรือพ่นสารกำจัดศัตรูพืชเฉพาะจุด”
  โดรนที่ติดตั้งกล้องสามารถบินสำรวจสวนผลไม้หรือสวนเกษตร และอัลกอริทึม AI วิเคราะห์ภาพถ่ายทางอากาศเหล่านั้นเพื่อค้นหาพืชที่ติดโรค (เช่น ในสวนกล้วยและถั่วเหลือง)

• บันทึกการระบาดในอดีต: ข้อมูลในอดีตเกี่ยวกับการเกิดศัตรูพืช ผลผลิต และมาตรการจัดการถูกใช้ฝึกและตรวจสอบโมเดลทำนาย โดยเรียนรู้จากฤดูกาลที่ผ่านมา (และแม้แต่ฟาร์มใกล้เคียงผ่านแพลตฟอร์มร่วมกัน) AI สามารถปรับปรุงการแจ้งเตือนให้ดีขึ้นตามเวลา

ข้อมูลเหล่านี้รวมกันป้อนเข้าสู่แพลตฟอร์มวิเคราะห์เชิงทำนายและเครื่องมือสนับสนุนการตัดสินใจ ในทางปฏิบัติ เกษตรกรจะได้รับการแจ้งเตือนหรือแผนที่ง่ายๆ (ผ่านแอปมือถือหรือแดชบอร์ด) ที่บอก สถานที่ และ เวลาที่ ควรดำเนินการ เช่น “พ่นสารกำจัดเชื้อราสัปดาห์หน้า” หรือ “ตรวจสอบแปลง A สำหรับไข่ตั๊กแตน” การลดความไม่แน่นอนในการกำหนดเวลาควบคุมศัตรูพืชด้วยข้อมูลจาก AI ช่วยลดการพ่นสารที่ไม่จำเป็นและเพิ่มผลผลิต

ตัวอย่างและเครื่องมือในโลกจริง

เกษตรกรทั่วโลกใช้โซลูชัน AI ในการต่อสู้กับศัตรูพืชและโรคพืชแล้ว ในแอฟริกา เกษตรกรรายย่อยชี้สมาร์ทโฟนไปที่ใบพืชและเชื่อมั่นในผลวินิจฉัย

ที่เมืองมาชาโกส ประเทศเคนยา เกษตรกรปลูกข้าวโพดสแกนต้นพืชด้วย PlantVillage และแอปพลิเคชันแจ้งเตือนทันทีว่าพบหนอนกอข้าวโพดบนใบ ในเวลาเดียวกัน โครงการใกล้เคียง (Virtual Agronomist) ใช้ข้อมูลดินและดาวเทียมทั่วทวีปเพื่อให้คำแนะนำเรื่องปุ๋ยและการจัดการศัตรูพืช ทั้งสองเครื่องมือได้รับการฝึกฝนด้วยชุดข้อมูลภาพและการวัดในแปลงจำนวนมาก

ในอินเดีย ระบบ Agripilot.ai (แพลตฟอร์มที่ได้รับการสนับสนุนจากไมโครซอฟท์) ให้คำแนะนำเฉพาะฟาร์ม เช่น “ตรวจสอบศัตรูพืชที่มุมตะวันตกเฉียงเหนือของแปลง” โดยอิงจากข้อมูลเซ็นเซอร์และดาวเทียม

แม้กับกับดักเชิงพาณิชย์ก็ใช้ AI แล้ว: กับดักฟีโรโมนอัตโนมัติ (เช่น Trapview) ดักจับแมลงและใช้กล้องในตัวพร้อมการเรียนรู้ของเครื่องนับและระบุชนิดศัตรูพืช กับดักอัจฉริยะเหล่านี้สามารถทำนายการระบาดโดยตรวจจับจำนวนศัตรูพืชที่เพิ่มขึ้นแบบเรียลไทม์ ช่วยให้ดำเนินการเฉพาะจุดก่อนการระบาดรุนแรง

จากตัวอย่างเหล่านี้ AI ช่วยขยายขอบเขตการทำงานของนักวิชาการเกษตรและเจ้าหน้าที่ส่งเสริมการเกษตรที่มีจำกัด ตามรายงานอุตสาหกรรม แอปพลิเคชัน AI ส่วนใหญ่ในบางพื้นที่ของแอฟริกามุ่งเน้นด้านเกษตรกรรมและความมั่นคงทางอาหาร

ด้วยการเปลี่ยนข้อมูลเป็นคำแนะนำที่นำไปปฏิบัติได้ ไม่ว่าจะผ่านแอป กับดักอัจฉริยะ หรือเครือข่ายเซ็นเซอร์ AI ช่วยให้เกษตรกรตัดสินใจ “ถูกต้องในเวลาที่เหมาะสม” เพื่อควบคุมศัตรูพืช

ความท้าทายและทิศทางในอนาคต

แม้จะมีศักยภาพสูง การทำนายศัตรูพืชด้วย AI ยังเผชิญกับอุปสรรค ข้อมูลท้องถิ่นคุณภาพสูงเป็นสิ่งจำเป็น: ตามที่ FAO ระบุ เกษตรกรต้องเข้าถึงเครือข่ายเซ็นเซอร์ที่ดี การเชื่อมต่อ และการฝึกอบรมเพื่อให้เครื่องมือเหล่านี้ใช้งานได้

ในหลายภูมิภาค การเข้าถึงสมาร์ทโฟนที่จำกัด อินเทอร์เน็ตไม่เสถียร และการขาดบันทึกในอดีตยังเป็นอุปสรรค นอกจากนี้ ผู้เชี่ยวชาญเตือนว่าโมเดล AI อาจไม่ครอบคลุมบริบทท้องถิ่น เช่น นักวิจัยแอฟริกาคนหนึ่งเตือนว่า ชุดข้อมูลฝึก AI ส่วนใหญ่ไม่รวมความรู้การเกษตรพื้นบ้าน ดังนั้นคำแนะนำที่ขับเคลื่อนด้วย AI เพียงอย่างเดียวอาจมองข้ามวิธีปฏิบัติที่พิสูจน์แล้วในท้องถิ่น

การใช้งานอย่างรับผิดชอบหมายถึงการผสมผสานคำแนะนำจาก AI กับความเชี่ยวชาญของเกษตรกร แทนที่จะปฏิบัติตามอัลกอริทึมอย่างไม่ลืมหูลืมตา

ในอนาคต ความก้าวหน้าต่อเนื่องจะช่วยปรับปรุงการทำนายศัตรูพืช โมเดลการเรียนรู้เชิงลึกใหม่และเทคนิค AI ที่อธิบายได้จะทำให้การพยากรณ์แม่นยำและโปร่งใสมากขึ้น

FAO กำลังพัฒนาโมเดล AI ทางการเกษตรขนาดใหญ่ (เช่น GPT สำหรับการเกษตร) ที่จะรวมข้อมูลทั่วโลกเพื่อให้คำแนะนำปัญหาท้องถิ่นแบบเรียลไทม์ ขณะเดียวกัน ชุมชนป้องกันพืชระหว่างประเทศกำลังฝึกบุคลากรให้ใช้ AI และโดรนในการเฝ้าระวังโรคร้ายแรง (เช่น โรคฟูซาเรียมในกล้วย)

สรุปได้ว่า การทำนายศัตรูพืชและโรคพืชด้วย AI เกี่ยวข้องกับการผสมผสานเทคโนโลยีหลายอย่าง ได้แก่ การมองเห็นด้วยคอมพิวเตอร์เพื่อตรวจสอบอาการ เซ็นเซอร์ IoT เพื่อติดตามสภาพการเจริญเติบโต และการเรียนรู้ของเครื่องจากข้อมูลประวัติและสิ่งแวดล้อมเพื่อทำนายการระบาด

วิธีการเหล่านี้ช่วยให้เกษตรกรมีเครื่องมือแจ้งเตือนและวินิจฉัยล่วงหน้าที่ทรงพลัง ด้วยการผสาน AI เข้ากับการเกษตร ผู้ปลูกสามารถลดความสูญเสียผลผลิต ลดการใช้สารกำจัดศัตรูพืช และทำให้การเกษตรมีความยืดหยุ่นมากขึ้น

ตามคำกล่าวของผู้เชี่ยวชาญ IPPC AI “ช่วยลดการสูญเสียทรัพยากร เพิ่มประสิทธิภาพการจัดการโดยเน้นการดำเนินการเฉพาะพื้นที่ที่สำคัญ” ซึ่งเป็นประโยชน์ทั้งด้านผลผลิตและความยั่งยืน