مصنوعی ذہانت (AI) زراعت میں انقلاب لا رہی ہے، کسانوں کو جدید آلات فراہم کر کے فصلوں کے خطرات کو پہچاننے اور ان کا اندازہ لگانے میں مدد دیتی ہے۔ پودوں کے کیڑے اور بیماریاں تباہ کن نقصانات کا باعث بنتی ہیں – عالمی فصل کی پیداوار کا 15 سے 40 فیصد تک – اس لیے ابتدائی انتباہ بہت ضروری ہے۔

جدید AI نظام (مشین لرننگ اور گہرے نیورل نیٹ ورکس) وسیع ڈیٹا (تصاویر، موسم، سینسر ڈیٹا وغیرہ) کا تجزیہ کر کے بیماری کی باریک علامات کا پتہ لگاتے ہیں یا وباؤں کی پیش گوئی کرتے ہیں۔ بین الاقوامی ماہرین کا کہنا ہے کہ AI "حرکت پذیر کیڑوں کے رویے کی نگرانی" میں مہارت رکھتا ہے اور حقیقی وقت کے ڈیٹا کا استعمال کر کے مداخلت کو ان جگہوں پر مرکوز کرتا ہے جہاں سب سے زیادہ ضرورت ہو۔

مختصراً، ذہین کاشتکاری اب AI کا استعمال کرتی ہے تاکہ فصلوں کے مسائل کو پہچانا اور پیش گوئی کیا جا سکے، جس سے کسان بروقت درست حل لاگو کر سکیں۔

تصویری بنیاد پر کیڑوں اور بیماریوں کی شناخت

کینیا کے ایک کسان نے AI سے چلنے والی اسمارٹ فون ایپ (PlantVillage) کا استعمال کرتے ہوئے مکئی کے پتے پر کیڑوں کی شناخت کی۔ AI پر مبنی تصویری شناخت سے کوئی بھی تصویر کے ذریعے پودوں کے مسائل کی تشخیص کر سکتا ہے۔

مثال کے طور پر، مفت PlantVillage ایپ کو ہزاروں صحت مند اور متاثرہ فصلوں کی تصاویر پر تربیت دی گئی ہے، جس سے یہ مکئی پر عام کیڑوں جیسے فال آرمی ورم کو پہچان سکتی ہے۔ کسان صرف فون کیمرہ کو خراب شدہ پتے کی طرف رکھتا ہے، اور ایپ آواز کے ذریعے مجرم کی نشاندہی کرتی ہے اور کنٹرول کے اقدامات بھی تجویز کرتی ہے۔

اسی طرح کی AI ایپس اور پلیٹ فارمز (اکثر convolutional neural networks استعمال کرتے ہیں) دنیا بھر میں موجود ہیں: یہ ٹماٹر، مرچ، اناج اور دیگر فصلوں پر پتے کے دھبے، بلیٹ یا کیڑوں کے نقصان کو پہچان سکتے ہیں۔

بصری تشخیص کو خودکار بنا کر، یہ آلات چھوٹے کسانوں کو "اندازہ لگانے" سے بچاتے ہیں اور صرف حقیقی مسائل کا علاج کرتے ہیں۔

سینسر نیٹ ورکس اور پیش گوئی تجزیات

کینیا میں ایک گرین ہاؤس جس میں AI سینسرز (FarmShield) نصب ہیں تاکہ درجہ حرارت، نمی اور مٹی کی نمی کی نگرانی کی جا سکے۔ تصویروں کے علاوہ، AI حقیقی وقت کے سینسر ڈیٹا کا استعمال کر کے کیڑوں کے خطرے کی پیش گوئی کرتا ہے۔ کھیتوں اور گرین ہاؤسز میں IoT سینسرز نصب ہوتے ہیں جو درجہ حرارت، نمی، CO₂، مٹی کی نمی وغیرہ کی پیمائش کرتے ہیں۔

خصوصی نظام (جیسے FarmShield) ان حالات کو مسلسل ریکارڈ کرتے ہیں اور مشین لرننگ ماڈلز کے ذریعے تجزیہ کرتے ہیں۔ مثال کے طور پر، کینیا میں ایک کسان "FarmShield" استعمال کرتا ہے تاکہ گرین ہاؤس کے ماحول کی نگرانی کرے؛ AI بالکل بتاتا ہے کہ کھیرے کو کب پانی دینا ہے تاکہ دباؤ اور بیماری سے بچا جا سکے۔

بڑے کھیتوں میں، موسم کے اسٹیشنز (ہوا، بارش، مٹی کے غذائی اجزاء) AI ماڈلز کو ڈیٹا فراہم کرتے ہیں جو سیٹلائٹ اور ڈرون کے ڈیٹا کو بھی شامل کرتے ہیں۔ بھارت کے گنے کے کھیتوں میں، ایک AI پلیٹ فارم مقامی موسمیاتی ڈیٹا اور تصاویر کو یکجا کر کے روزانہ الرٹس بھیجتا ہے – مثلاً "زیادہ پانی دیں۔ کھاد چھڑکیں۔ کیڑوں کی نگرانی کریں۔" – اور سیٹلائٹ نقشے بتاتے ہیں کہ کہاں کارروائی کی ضرورت ہے۔

یہ پیش گوئی تجزیاتی نظام وقت کے سلسلے کے ڈیٹا سے نمونے سیکھتے ہیں تاکہ جب حالات کیڑوں کے پھوٹنے کے لیے سازگار ہوں (زیادہ نمی، گرم راتیں وغیرہ)، تو کسانوں کو ابتدائی انتباہ ملے۔

اہم AI ان پٹ اور طریقے شامل ہیں:

• موسم اور آب و ہوا کا ڈیٹا: مشین لرننگ ماڈلز درجہ حرارت، نمی، بارش اور ہوا کی تاریخ کا استعمال کر کے کیڑوں کے پھوٹنے کی پیش گوئی کرتے ہیں۔ ایک تحقیق نے کپاس کے کیڑوں (جیسے جیسڈز اور تھرپس) کی پیش گوئی بہت زیادہ درستگی (AUC ~0.985) کے ساتھ کی۔ Explainable-AI تجزیہ نے دکھایا کہ نمی اور موسمی وقت سب سے مضبوط پیش گوئی کرنے والے عوامل ہیں۔

• مٹی اور نشوونما کے سینسرز: مسلسل پیمائشیں (جیسے مٹی کی نمی، پتوں کی نمی، CO₂) AI کو بیماری کے لیے سازگار حالات کا پتہ لگانے میں مدد دیتی ہیں۔ 2023 میں ایک گہری تعلیم کا ماڈل صرف گرین ہاؤس کے ماحول کے ڈیٹا سے اسٹرابیری، مرچ اور ٹماٹر کی بیماریوں کے خطرے کے اسکور کی پیش گوئی کر سکا۔
  یہ ڈیٹا پر مبنی طریقہ کار اوسطاً 0.92 AUROC تک پہنچا، یعنی یہ قابل اعتماد طریقے سے بتاتا ہے کہ کب حالات خطرے کی حد سے تجاوز کر گئے ہیں۔

• ریموٹ سینسنگ (سیٹلائٹس، ڈرونز): کھیتوں کی اعلیٰ معیار کی تصاویر AI کو انسان کی آنکھ سے پہلے دباؤ میں مبتلا پودوں کی شناخت کرنے دیتی ہیں۔ مثال کے طور پر، سیٹلائٹ نقشے ایسے پودوں کے دھبے دکھاتے ہیں جو کم سبز ہیں (دباؤ کی نشاندہی کرتے ہیں)؛ ایک AI ایپ (Agripilot.ai) ایسے نقشے استعمال کرتی ہے تاکہ کسان "صرف مخصوص علاقوں میں پانی دے، کھاد ڈالے یا کیڑے مار دوا چھڑکے۔"
  کیمرے سے لیس ڈرون باغات یا کھیتوں کو اسکین کر سکتے ہیں، اور AI الگورتھمز ان فضائی تصاویر کا تجزیہ کر کے بیمار پودوں کی نشاندہی کرتے ہیں (جیسا کہ کیلے اور سویابین کے کھیتوں میں دکھایا گیا ہے)۔

• تاریخی وبائی ریکارڈز: کیڑوں کی موجودگی، فصل کی پیداوار اور مداخلت کے ماضی کے ڈیٹا کو پیش گوئی ماڈلز کی تربیت اور تصدیق کے لیے استعمال کیا جاتا ہے۔ پچھلے موسموں سے سیکھ کر (اور یہاں تک کہ قریبی کھیتوں سے مشترکہ پلیٹ فارمز کے ذریعے)، AI وقت کے ساتھ اپنی انتباہات کو بہتر بنا سکتا ہے۔

یہ تمام ڈیٹا سلسلے پیش گوئی تجزیاتی پلیٹ فارمز اور فیصلہ سازی کے آلات کو فراہم کرتے ہیں۔ عملی طور پر، کسانوں کو سادہ الرٹس یا نقشے (موبائل ایپس یا ڈیش بورڈز کے ذریعے) ملتے ہیں جو انہیں بتاتے ہیں کہ کہاں اور کب کارروائی کرنی ہے – مثلاً "اگلے ہفتے فنگسائڈ لگائیں" یا "کھیت A میں ٹڈی دل کے انڈے چیک کریں"۔ کیڑوں کے کنٹرول کے وقت کا اندازہ لگانے میں AI کی مدد سے غیر ضروری چھڑکاؤ کم ہوتا ہے اور پیداوار میں اضافہ ہوتا ہے۔

حقیقی دنیا کی مثالیں اور آلات

دنیا بھر کے کسان پہلے ہی کیڑوں اور بیماریوں سے لڑنے کے لیے AI حل استعمال کر رہے ہیں۔ افریقہ میں، چھوٹے کسان اسمارٹ فونز کو فصلوں کے پتوں کی طرف کرتے ہیں اور تشخیص پر اعتماد کرتے ہیں۔

کینیا کے ماچاکوس میں، ایک مکئی کا کسان PlantVillage کے ذریعے اپنے پودے کو اسکین کرتا ہے اور ایپ فوراً فال آرمی ورم کی نشاندہی کرتی ہے۔ اسی دوران، ایک قریبی منصوبہ (Virtual Agronomist) پورے براعظم کے مٹی اور سیٹلائٹ ڈیٹا کا استعمال کر کے کھاد ڈالنے اور کیڑوں کے انتظام کے مشورے دیتا ہے؛ دونوں آلات کو بڑی تعداد میں تصاویر اور کھیت کے پیمائش کے ڈیٹا پر تربیت دی گئی ہے۔

بھارت میں، Agripilot.ai نظام (جو مائیکروسافٹ کی حمایت یافتہ ہے) کسانوں کو کھیت کی مخصوص سفارشات فراہم کرتا ہے – مثلاً "کھیت کے شمال مغربی کونے میں کیڑوں کی نگرانی کریں" – سینسر اور سیٹلائٹ ڈیٹا کی بنیاد پر۔

یہاں تک کہ تجارتی جال بھی اب AI استعمال کرتے ہیں: خودکار فیرومون جال (جیسے Trapview) کیڑوں کو پکڑتے ہیں اور کیمروں اور مشین لرننگ کے ذریعے کیڑوں کی تعداد اور اقسام گنتے اور شناخت کرتے ہیں۔ یہ ذہین جال حقیقی وقت میں کیڑوں کی تعداد میں اضافے کا پتہ لگا کر وباؤں کی پیش گوئی کرتے ہیں، جس سے حملے سے پہلے ہدف شدہ مداخلت ممکن ہوتی ہے۔

ان مثالوں میں، AI مؤثر طریقے سے کم دستیاب زرعی ماہرین اور توسیعی خدمات کی پہنچ کو بڑھاتا ہے۔ صنعت کی رپورٹس کے مطابق، افریقہ کے کچھ حصوں میں AI کی زیادہ تر درخواستیں زراعت اور خوراک کی سلامتی میں رہی ہیں۔

ڈیٹا کو قابل عمل مشوروں میں تبدیل کر کے – چاہے ایپس، ذہین جال، یا سینسر نیٹ ورکس کے ذریعے – AI کسانوں کو "بالکل صحیح وقت پر درست فیصلہ" کرنے میں مدد دے رہا ہے۔

چیلنجز اور مستقبل کے رجحانات

اپنی صلاحیتوں کے باوجود، AI پر مبنی کیڑوں کی پیش گوئی کو بھی مشکلات کا سامنا ہے۔ اعلیٰ معیار کا مقامی ڈیٹا ناگزیر ہے: جیسا کہ FAO بتاتا ہے، کسانوں کو ان آلات کے کام کرنے کے لیے اچھے سینسر نیٹ ورکس، کنیکٹیویٹی اور تربیت کی ضرورت ہے۔

بہت سے علاقوں میں، محدود اسمارٹ فون کی دستیابی، غیر مستحکم انٹرنیٹ اور تاریخی ریکارڈز کی کمی رکاوٹیں ہیں۔ مزید برآں، ماہرین خبردار کرتے ہیں کہ AI ماڈلز مقامی سیاق و سباق کو نظر انداز کر سکتے ہیں – مثال کے طور پر، ایک افریقی محقق کہتا ہے کہ زیادہ تر AI تربیتی سیٹوں میں مقامی زرعی علم شامل نہیں ہوتا، اس لیے صرف AI پر مبنی مشورے تجربہ شدہ مقامی طریقوں کو نظر انداز کر سکتے ہیں۔

ذمہ دارانہ استعمال کا مطلب ہے کہ AI کی سفارشات کو کسان کی مہارت کے ساتھ ملایا جائے نہ کہ اندھا دھند الگورتھمز کی پیروی کی جائے۔

آگے دیکھتے ہوئے، جاری ترقی کی بدولت کیڑوں کی پیش گوئی میں مزید بہتری آئے گی۔ نئے گہرے سیکھنے کے ماڈلز اور Explainable-AI تکنیکیں پیش گوئی کو زیادہ درست اور شفاف بنائیں گی۔

FAO بڑے زرعی AI ماڈلز (جیسے کھیتی کے لیے GPTs) پر کام کر رہا ہے جو عالمی ڈیٹا کو یکجا کر کے مقامی مسائل پر حقیقی وقت میں مشورہ دیں گے۔ اسی دوران، بین الاقوامی پودوں کے تحفظ کی کمیونٹی AI اور ڈرونز کو مہلک بیماریوں (مثلاً کیلے کی فوزیریم) کی نگرانی کے لیے تربیت دے رہی ہے۔

خلاصہ یہ کہ، AI کے ذریعے پودوں کے کیڑوں اور بیماریوں کی پیش گوئی میں متعدد ٹیکنالوجیز کو یکجا کیا جاتا ہے: علامات کی شناخت کے لیے کمپیوٹر وژن، بڑھتے ہوئے حالات کی نگرانی کے لیے IoT سینسرز، اور وباؤں کی پیش گوئی کے لیے تاریخی/ماحولیاتی ڈیٹا پر مشین لرننگ۔

یہ طریقے مل کر کسانوں کو طاقتور ابتدائی انتباہ اور تشخیصی آلات فراہم کرتے ہیں۔ AI کو زراعت میں شامل کر کے، کاشتکار فصل کے نقصانات کو کم کر سکتے ہیں، کیڑے مار ادویات کے استعمال کو گھٹا سکتے ہیں اور کاشتکاری کو زیادہ مضبوط بنا سکتے ہیں۔

جیسا کہ ایک IPPC ماہر نے کہا، AI "وسائل کے ضیاع کو کم کرتا ہے، انتظام کی کارکردگی کو بہتر بناتا ہے اور صرف اہم علاقوں میں کارروائی کو ترجیح دیتا ہے" – جو پیداوار اور پائیداری دونوں کے لیے فائدہ مند ہے۔