Среди целей устойчивого развития - ликвидация голода и сокращение отсутствия продовольственной безопасности. Для достижения этих целей необходимо внести глубокие изменения в мировой продовольственный и сельскохозяйственный сектор. С этой целью автоматизация в сельском хозяйстве играет ключевую роль в увеличении производства для удовлетворения растущего спроса на продукты питания из-за продолжающегося роста населения. С развитием технологий и вычислительной мощности возникла целая область компьютерных наук, именуемая искусственным интеллектом. Это создало многочисленные возможности, которые в значительной степени способствуют автоматизации процесса в сельском хозяйстве. Искусственный интеллект - это наука и техника, позволяющая заставить компьютеры вести себя так, как мы до недавнего времени считали необходимым человеческий интеллект. Искусственный интеллект включает такие области, как Интернет вещей (IoT), машинное обучение, компьютерное зрение и искусственные нейронные сети (ИНС).

Машинное обучение - это наука, которая позволяет компьютерным программам учиться и совершенствоваться на собственном опыте без явного программирования. Машинное обучение реализуется путем обучения компьютерных моделей данными из прошлого опыта, которые затем используются для принятия решений и прогнозов. Алгоритмы машинного обучения подразделяются на две основные категории: обучение с учителем (регрессия, классификация) и обучение без учителя (кластеризация). В управляемом машинном обучении модель обучается с использованием помеченного набора данных. Помеченный набор данных - это набор как с входными, так и с выходными параметрами. Во время обучения алгоритм ищет в данных закономерности, которые коррелируют с желаемыми выходными данными. После обучения модель может делать прогнозы или решения на основе предыдущих данных обучения на новых тестовых данных. В неконтролируемом машинном обучении алгоритм использует немаркированные данные для самостоятельного извлечения функций и скрытых закономерностей. Машинное обучение может сыграть ключевую роль в управлении урожаем. Как неотъемлемая часть точного земледелия, прогноз урожайности важен для составления карты урожайности, оценки урожайности, согласования предложения сельскохозяйственных культур со спросом и управления урожаем для повышения урожайности. В исследовании Pantazi et al. (2016) , авторы использовали онлайн-данные о многослойных почвах и спутниковые снимки характеристик роста сельскохозяйственных культур для точного прогнозирования урожайности пшеницы. В другом исследовании, проведенном Chlingaryan, Sukkarieh, and Whelan (2018), авторы использовали системы дистанционного зондирования и методы машинного обучения для своевременного и точного определения таких факторов, как свойства почвы, погода и топография, с целью повышения урожайности и качества сельскохозяйственных культур, в то же время снижение затрат.

Искусственные нейронные сети, вдохновленные концепцией биологического мозга, состоят из многоуровневых сетей узлов обработки, состоящих из модулей ввода и вывода. Искусственные нейронные сети были внедрены в сельскохозяйственный сектор из-за их преимуществ по сравнению с традиционными системами, поскольку их можно обучать, снабжая их входными данными, на которых ИНС учится для получения желаемого результата. Архитектура искусственной нейронной сети состоит из трех слоев:

  1. Уровень ввода, на котором данные вводятся в систему.
  2. Скрытый слой, на котором происходит обучение.
  3. Выходной слой, на котором дается прогноз или решение.

Специалисты смогли эффективно использовать ИНС для обнаружения сорняков и болезней, а также для управления урожаем. Объединив использование экспертных систем и ИНС, они также смогли предсказать уровень питания сельскохозяйственных культур. Еще одна область применения ИНС - сушка сельскохозяйственных продуктов перед хранением. Topuz (2010) успешно использовал искусственные нейронные сети для прогнозирования характеристик сушки таких продуктов, как фасоль, нут и лесной орех. Искусственная нейронная сеть была обучена с использованием данных из трех продуктов с использованием алгоритма обратного распространения, который содержит двойные входные и одиночные выходные параметры.

Компьютерное зрение - это область исследований, цель которой - научить компьютеры понимать и интерпретировать визуальный мир. Таким образом, компьютер использует изображения и сопоставления для поиска решений проблем. Компьютерное зрение может применяться при модернизации сельского хозяйства для сортировки продукции и выявления болезней растений. Примером может служить автоматизация сортировки фруктов, которая может повысить эффективность и уменьшить количество ошибок в процессе. Аракери и Лакшмана (2016) представили систему с использованием компьютерного зрения для анализа изображений помидоров, чтобы определить, является ли помидор дефектным или исправным, спелым или незрелым. Это значительно снизит затраты на рабочую силу при одновременном повышении эффективности и точности процесса. Другой пример - использование дронов, оснащенных камерами с возможностями компьютерного зрения, для обнаружения ранних признаков болезней растений на фермах. Затем фермеры могут вовремя принять необходимые меры для предотвращения потерь урожая из-за болезней.

Интернет вещей (IoT) - это система взаимосвязанных устройств через сеть для передачи данных без вмешательства человека. IoT применяется в сельском хозяйстве в таких областях, как управление водными ресурсами, что является ключевым фактором успеха в сельском хозяйстве. Применяя Интернет вещей для автоматизации ирригационных систем, фермеры могут обеспечить рациональное использование воды. Интернет вещей использует модели машинного обучения, такие как машина опорных векторов (SVM) и регрессия опорных векторов (SVR), для классификации и количественного прогнозирования типа почвы, типа сельскохозяйственных культур и количества поливов, необходимых для сельскохозяйственных культур. Аракери и Лакшмана (2016) предложили интеллектуальную систему орошения фермы с использованием нескольких методов машинного обучения и беспроводных сенсорных сетей для мониторинга и обеспечения пригодности орошения для различных типов сельскохозяйственных культур.

Заключение

Применение искусственного интеллекта революционизирует сельское хозяйство и открывает более инновационные возможности для увеличения производства и качества продуктов питания. Это также привело к повышению эффективности и сокращению производственных потерь, что повысило прибыль фермеров.

Ссылки

Аракери, Мегха П. и Лакшмана. 2016. «Система оценки фруктов на основе компьютерного зрения для оценки качества помидоров в сельском хозяйстве», Procedure Computer Science, 79: 426–33.

Члингарян, Анна, Салах Суккари и Бретт Уилан. 2018. «Подходы машинного обучения для прогнозирования урожайности и оценки состояния азота в точном земледелии: обзор», Компьютеры и электроника в сельском хозяйстве, 151: 61–69.

Пантази, X. E., Д. Мошу, Т. Александридис, Р. Л. Веттон и А. М. Муазен. 2016. «Прогнозирование урожайности пшеницы с использованием машинного обучения и передовых методов зондирования», Компьютеры и электроника в сельском хозяйстве, 121: 57–65.

Топуз, Аднан. 2010. «Прогнозирование содержания влаги в сельскохозяйственных продуктах с помощью искусственных нейронных сетей», Advances in Engineering Software, 41: 464–70.