Hoe zorgt AI/ML voor een revolutie in de moderne landbouwpraktijken om de productiviteit en duurzaamheid te verbeteren?

De combinatie van kunstmatige intelligentie (AI) en het internet der dingen (IoT) heeft de landbouw echt veranderd. Het brengt veel voordelen met zich mee waardoor boeren hun werk beter kunnen doen. Het leuke is precisielandbouw, waarbij AI en IoT samenwerken om de landbouw efficiënter te maken. Met AI- en IoT-apparaten kunnen boeren bijvoorbeeld de bodemgesteldheid controleren, de gezondheid van gewassen monitoren en het weer in realtime volgen. Dit helpt boeren slimmere keuzes te maken over de manier waarop ze hun gewassen verbouwen en hulpbronnen gebruiken, wat leidt tot betere oogsten.

Gebruik van AI/ML in de landbouw

De transformerende impact van AI en ML is zichtbaar in de landbouw, van nauwkeurige opbrengstvoorspelling tot vroege detectie van gewasziekten, waardoor boeren slimme landbouwtechnieken krijgen die de gewaskwaliteit en duurzaamheid optimaliseren. Laten we het verkennen:

1. Opbrengstvoorspelling:

Er werden verschillende machine learning-modellen gebruikt om de schatting van de gewasopbrengst te ondersteunen met behulp van teledetectiegegevens. Het meest toegepaste ML-algoritme is Artificial Neural Networks en het deep learning-model is Convolutional Neural Networks (CNN). De betere prestaties van andere ML-modellen zoals Bayesiaanse regularisatie BP (back propagation) neuraal netwerk, Support Vector Regressie (SVR), Extreme Learning Regressie (ELR), Random Forest Regressie (RFR) en Partial Least Squares Regressie (PLSR) werden ook waargenomen voor het schatten van de gewasopbrengst met behulp van UAV- en teledetectiegegevens via satelliet.

Vegetatie-indices zoals Red edge, chlorofylinhoudindex van het bladerdak, red edge chlorofylindex, chlorofylabsorptieratio-index, groen genormaliseerde verschilvegetatie-index, groene spectrale band en chlorofylvegetatie-index behoorden tot de meest geschikte variabelen bij het voorspellen van de gewasopbrengst met behulp van ML-modellen. Tijdige voorspelling van de gewasopbrengst in meerdere fasen met ML-modellen met behulp van een beperkt aantal trainingsgegevens is van cruciaal belang bij gewasbeheer.

2. Detectie van plagen en ziekten:

Vroegtijdige detectie van gewasziekten is van cruciaal belang om mogelijke verliezen in de gewasopbrengst te voorkomen. Voor het nauwkeurig inschatten van gewasziekten zijn moderne data-analysetechnieken nodig, zoals machinaal leren en deep learning. De figuur toont de belangrijke deep learning- en machine learning-technieken die worden toegepast op UAV-gegevens voor het identificeren van gewasziekten.

MLR-modellen identificeren met succes het maïsdwergmozaïekvirus en de tarwemeeldauwziekte op basis van hyperspectrale metingen, het Kiwifruit Decline Syndrome op basis van multispectrale UAV-gegevens, enz. Enkele van de belangrijkste deep learning- en machine learning-modellen voor de identificatie van gewasziekten met behulp van UAV-datasets. Deze onderzoeken faciliteren slimme landbouw waardoor boeren de besmette gewassen nauwkeurig kunnen identificeren. Dit maakt een verminderde toepassing van pesticiden en chemicaliën mogelijk, terwijl de goede gewaskwaliteit behouden blijft.

3. Onkruiddetectie:

Onkruid wordt beschouwd als een schadelijke landbouwplaag voor de gewassen, die hun opbrengst en productiviteit beïnvloedt. De ML/DL-technieken lieten superieure prestaties zien bij de vroege identificatie van onkruid op landbouwbedrijven. De RGB-beelden die vaak zijn gemaakt met drones, robots en digitale camera’s, worden verwerkt met behulp van DL/ML-algoritmen voor het identificeren van het onkruid. In het geval van ML liet SVM betere prestaties zien met een hoogste nauwkeurigheid van 99% vergeleken met andere ML-algoritmen bij het identificeren van onkruid. Ook CNN met zijn varianten toonde superieure prestaties met de hoogste nauwkeurigheid van 99%. De laagste prestatie werd getoond door VGGNet.

4. Bodemgezondheidsbeheer:

Digitale bodemkartering en slimme voorspelling van bodemvoedingsstoffen zijn belangrijk voor het behoud van een gezonde bodem om een ​​duurzame voedselproductie te realiseren. Nu is ML een intelligent voorspellingssysteem voor bodemvoedingsstoffen geworden. Bij een vergelijkende review van verschillende ML’s werd waargenomen dat Random Forest (RF) en deep learning beter presteerden dan andere conventionele ML-modellen voor het voorspellen van bodemvoedingsstoffen.

5. Beheer van de gewaskwaliteit:

Sensingtechnologieën en ML-modellen spelen een cruciale rol bij het beheren van de kwaliteit van de gewassen door de N- en chlorofylstatus in planten te beoordelen. In tegenstelling tot de afgelopen decennia waarin de eenvoudige parametrische regressie-algoritmen met smalbandvegetatie-indices werden gebruikt, werd een toenemende trend waargenomen in machinaal leren en de hybride versie ervan door het integreren van stralingsoverdrachtsmodellen.

Bovendien werd de rol van het bladeiwitgehalte bij het schatten van de N-status met behulp van het SWIR-spectrale gebied van hyperspectrale gegevens ook onderzocht met behulp van hybride, fysiek gebaseerde modellen. Belangrijke gewaseigenschappen zoals de bladoppervlakte-index (LAI), het bladchlorofylgehalte (LCC) en het bladchlorofylgehalte (CCC) zijn ook belangrijk voor het monitoren van de gewaskwaliteit. De recente trend in het gebruik van hybride modellen, waarbij het stralingsoverdrachtsmodel voornamelijk werd gekoppeld aan Gaussiaanse procesregressie, toonde een snel en nauwkeurig ophalen van deze parameters aan.

6. Slimme irrigatie:

Er werd een laag van op machine learning gebaseerde irrigatiearchitectuur voorgesteld, waarbij gegevens uit meerdere bronnen, zoals UAV- en satellietgegevens, bodem- en weerinformatie, werden opgeslagen in een cloudserver geïntegreerd met een ML-model om voorspellingen, beslissingen en aanbevelingen te doen over het plannen van slimme irrigaties. Om nauwkeurig en slim beheer van irrigatiepraktijken in velden te bereiken, raden we het gebruik van machinale leermodellen aan, zoals leren onder toezicht, leren zonder toezicht, versterkend leren en federatieve leermodellen.

7. Veebeheer:

Het veebeheer omvat kritische ziektedetectie, vaccinatie, productiebeheer, tracking en gezondheidsmonitoring. Op basis van een uitgebreid onderzoek zijn de meest gebruikte ML-modellen voor de identificatie van vee de support vector machine (SVM), de k-dichtstbijzijnde buur (KNN) en het kunstmatige neurale netwerk (ANN). Op basis van evaluatiestatistieken laten SVM, KNN, ANN en kwadratische discriminantanalyse (QDA) de hoogste nauwkeurigheid zien van meer dan 99% bij de identificatie van vee. De identificatie van vee met een nauwkeurigheid van meer dan 99% werd ook bereikt met behulp van DL-modellen zoals ResNet, Inception, DenseNet en het neurale architectuurzoeknetwerk (NasNet).

Over het geheel genomen stellen AI en ML boeren in staat beter geïnformeerde beslissingen te nemen en betere resultaten op hun boerderijen te bereiken, wat resulteert in aanzienlijke verbeteringen in de landbouwpraktijken.

(Informatie afkomstig uit ICAR-rapport 2024 over een revolutie in de landbouw: de digitale transformatie van de landbouw)