Штучний інтелект (ШІ) революціонізує сільське господарство, надаючи фермерам сучасні інструменти для виявлення та прогнозування загроз для врожаю. Шкідники та хвороби рослин завдають значних збитків – до 15–40% світового врожаю – тому раннє попередження є надзвичайно важливим.

Сучасні системи ШІ (машинне навчання та глибокі нейронні мережі) можуть аналізувати величезні обсяги даних (зображення, погодні умови, дані датчиків тощо) для виявлення тонких ознак хвороб або прогнозування спалахів. Міжнародні експерти відзначають, що ШІ особливо ефективний у «моніторингу динамічної поведінки шкідників» та використанні даних у реальному часі для цільового втручання там, де це найбільш необхідно.

Коротко кажучи, розумне землеробство тепер використовує ШІ для виявлення та прогнозування проблем із врожаєм, допомагаючи фермерам застосовувати правильні заходи в потрібний час.

Виявлення шкідників і хвороб за допомогою зображень

Фермер із Кенії використовує додаток на смартфоні з ШІ (PlantVillage) для ідентифікації шкідників на листку кукурудзи. Розпізнавання зображень на основі ШІ дозволяє будь-кому діагностувати проблеми рослин за фотографією.

Наприклад, безкоштовний додаток PlantVillage навчений на тисячах зображень здорових і уражених рослин, що дає змогу розпізнавати поширених шкідників, таких як західний кукурудзяний жук на кукурудзі. Фермер просто наводить камеру телефону на пошкоджений листок, і додаток ідентифікує винуватця (через голосового помічника) і навіть пропонує заходи контролю.

Подібні додатки та платформи на основі ШІ (часто з використанням згорткових нейронних мереж) тепер існують у всьому світі: вони можуть виявляти плями на листках, опіки або пошкодження від комах на помідорах, перці, зернових та багатьох інших культурах.

Автоматизуючи візуальну діагностику, ці інструменти допомагають дрібним фермерам «припинити здогадки» і лікувати лише реальні проблеми.

Мережі датчиків і прогнозна аналітика

Теплиця в Кенії, обладнана датчиками ШІ (FarmShield) для моніторингу температури, вологості та вологості ґрунту. Окрім зображень, ШІ використовує дані датчиків у реальному часі для прогнозування ризику шкідників. Ферми та теплиці оснащені IoT-датчиками, які вимірюють температуру, вологість, CO₂, вологість ґрунту тощо.

Спеціалізовані системи (наприклад, FarmShield) безперервно фіксують ці умови та обробляють їх за допомогою моделей машинного навчання. У Кенії, наприклад, фермер використовує «FarmShield» для контролю клімату в теплиці; ШІ рекомендує точний час поливу огірків, щоб запобігти стресу та хворобам.

На більших фермах метеостанції (вітер, дощ, поживні речовини в ґрунті) постачають дані для моделей ШІ, які інтегрують супутникові та дронові знімки. У цукрових плантаціях Індії, наприклад, платформа ШІ поєднує місцеві погодні дані та зображення, надсилаючи щоденні сповіщення – наприклад, «Полийте більше. Обприскайте добривом. Перевірте на шкідників.» – із супутниковими картами, що вказують, де потрібні дії.

Ці системи прогнозної аналітики вивчають закономірності в часових рядах даних, щоб у разі сприятливих умов для спалаху шкідників (висока вологість, теплі ночі тощо) фермери отримували раннє попередження.

Основні вхідні дані та методи ШІ включають:

• Погодні та кліматичні дані: Моделі машинного навчання використовують температуру, вологість, опади та історію вітру для прогнозування спалахів шкідників. Одне дослідження з дуже високою точністю (AUC ~0.985) передбачило шкідників бавовни (джассиди та трипси) на основі погодних змінних. Аналіз Explainable-AI показав, що вологість і сезонність є найсильнішими факторами прогнозу.

• Датчики ґрунту та росту: Безперервні вимірювання (наприклад, вологість ґрунту, вологість листя, CO₂) допомагають ШІ виявляти умови, сприятливі для хвороб. Модель глибокого навчання 2023 року прогнозувала ризики хвороб полуниці, перцю та помідорів виключно на основі даних середовища теплиці.
  Цей підхід, заснований на даних, досяг середнього показника AUROC 0,92, що означає надійне виявлення моменту, коли умови переходять поріг ризику.

• Дистанційне зондування (супутники, дрони): Знімки високої роздільної здатності полів дозволяють ШІ виявляти стрес у рослин раніше, ніж це помітить людське око. Наприклад, супутникові карти можуть показувати ділянки рослинності з меншою зеленістю (що свідчить про стрес); додаток ШІ (Agripilot.ai) використовує такі карти, щоб фермер «поливав, удобрював або обприскував пестицидами лише в конкретних зонах».
  Дрони з камерами можуть сканувати сади або плантації, а алгоритми ШІ аналізують ці аерофотознімки для виявлення хворих рослин (як показано на прикладі бананових і соєвих полів).

• Історичні записи про спалахи: Дані про минулі випадки шкідників, врожайність і втручання використовуються для навчання та перевірки прогнозних моделей. Навчаючись на попередніх сезонах (а також на даних сусідніх ферм через спільні платформи), ШІ з часом покращує свої попередження.

Разом ці потоки даних живлять платформи прогнозної аналітики та інструменти підтримки прийняття рішень. На практиці фермери отримують прості сповіщення або карти (через мобільні додатки чи панелі керування), які вказують де і коли діяти – наприклад, «застосувати фунгіцид наступного тижня» або «перевірити поле А на яйця сарани». Завдяки усуненню невизначеності у часі контролю шкідників, інсайти на основі ШІ допомагають зменшити непотрібне обприскування та підвищити врожайність.

Приклади з практики та інструменти

Фермери по всьому світу вже використовують рішення на основі ШІ для боротьби зі шкідниками та хворобами. В Африці дрібні господарі наводять смартфони на листя рослин і довіряють діагнозу.

У Мачакосі, Кенія, фермер кукурудзи просканував рослину за допомогою PlantVillage, і додаток миттєво виявив західного кукурудзяного жука на листку. Одночасно поруч діє проєкт Virtual Agronomist, який використовує континентальні дані про ґрунт і супутникові знімки для рекомендацій щодо удобрення та контролю шкідників; обидва інструменти навчалися на величезних наборах зображень і польових вимірювань.

В Індії система Agripilot.ai (платформа за підтримки Microsoft) надає фермерам рекомендації, специфічні для їхніх господарств – наприклад, «Перевірте на шкідників північно-західний кут поля» – на основі даних датчиків і супутників.

Навіть комерційні пастки тепер використовують ШІ: автоматизовані феромонні пастки (як Trapview) ловлять комах і за допомогою вбудованих камер та машинного навчання рахує та ідентифікує види шкідників. Ці розумні пастки можуть прогнозувати спалахи, виявляючи зростання чисельності шкідників у реальному часі, що дозволяє цілеспрямовано втручатися до початку масових заражень.

У цих прикладах ШІ ефективно розширює можливості обмеженої кількості агрономів і служб підтримки. За даними галузевих звітів, більшість застосувань ШІ в окремих регіонах Африки припадає на сільське господарство та продовольчу безпеку.

Перетворюючи дані на практичні поради – через додатки, розумні пастки або мережі датчиків – ШІ допомагає фермерам приймати «саме правильне рішення в потрібний час» для контролю шкідників.

Виклики та перспективи

Незважаючи на перспективи, прогнозування шкідників на основі ШІ стикається з певними труднощами. Вкрай важливі якісні локальні дані: як зазначає ФАО, фермерам потрібен доступ до надійних мереж датчиків, зв’язку та навчання для ефективного використання цих інструментів.

У багатьох регіонах обмежений доступ до смартфонів, нестабільний інтернет і відсутність історичних записів залишаються перешкодами. Крім того, експерти застерігають, що моделі ШІ можуть не враховувати місцевий контекст – наприклад, африканський дослідник попереджає, що більшість навчальних наборів ШІ не включають традиційні знання фермерів, тому поради, засновані виключно на ШІ, можуть ігнорувати перевірені місцеві практики.

Відповідальне використання означає поєднання рекомендацій ШІ з досвідом фермерів, а не сліпе слідування алгоритмам.

У майбутньому подальші досягнення продовжать покращувати прогнозування шкідників. Нові моделі глибокого навчання та методи Explainable-AI зроблять прогнози точнішими та прозорішими.

ФАО навіть працює над великими аграрними моделями ШІ (подібними до GPT для сільського господарства), які інтегруватимуть глобальні дані для консультацій з локальних питань у реальному часі. Тим часом міжнародна спільнота захисту рослин навчає персонал використовувати ШІ та дрони для моніторингу небезпечних хвороб (наприклад, бананової фузаріозної гнилі).

Підсумовуючи, прогнозування шкідників і хвороб рослин за допомогою ШІ передбачає поєднання кількох технологій: комп’ютерного зору для ідентифікації симптомів, IoT-датчиків для відстеження умов росту та машинного навчання на історичних і екологічних даних для прогнозування спалахів.

Ці методи разом дають фермерам потужні інструменти раннього попередження та діагностики. Інтегруючи ШІ в сільське господарство, виробники можуть зменшити втрати врожаю, скоротити використання пестицидів і зробити землеробство більш стійким.

Як зазначає один із експертів Міжнародної конвенції з захисту рослин (IPPC), ШІ «мінімізує марнотратство ресурсів, підвищуючи ефективність управління за рахунок пріоритетності дій лише в критичних зонах» – це виграш і для продуктивності, і для сталого розвитку.