بناء نظام زراعي ذكي من خلال دمج نماذج الذكاء الاصطناعي الثنائية والبيانات الميدانية

تعد رقمنة الزراعة أحد التطورات التكنولوجية التي يمكن أن تساعد في تحسين طريقة إدارة الأراضي والمحاصيل. يسمح استخدام أجهزة الاستشعار وإنترنت الأشياء وقواعد البيانات ولوحات المعلومات والذكاء الاصطناعي بجمع البيانات الزراعية وتحليلها بطريقة أكثر تنظيماً.

أحد النماذج التي يمكن استخدامها في المراحل الأولى من تطوير نظام زراعي ذكي هو التصنيف الثنائي. وينتج النموذج فئتين من القرارات بناءً على البيانات الواردة.

يمكن استخدام النهج الثنائي كأساس لأن النتائج بسيطة وسهلة نسبيًا لترجمتها إلى عمل. يمكن للنظام تحديد ما إذا كانت الحالة طبيعية أو تتطلب الاهتمام، دون الحاجة إلى استخدام التصنيفات المعقدة بشكل مباشر.

بنية النظام

يمكن أن يتكون نظام الزراعة الثنائي القائم على الذكاء الاصطناعي من عدة مكونات رئيسية. العنصر الأول هو مصدر البيانات. يمكن أن تأتي البيانات من أجهزة استشعار التربة، أو أجهزة استشعار الطقس، أو الكاميرات، أو أجهزة إنترنت الأشياء، أو المدخلات اليدوية من المزارعين.

العنصر الثاني هو تخزين البيانات. يمكن تخزين جميع المعلومات التي تم جمعها في قاعدة بيانات بحيث يمكن استخدامها للتحليل والتدريب النموذجي.

المكون الثالث هو نموذج الذكاء الاصطناعي. يتلقى النموذج البيانات المعالجة وينتج تنبؤات ثنائية.

المكون الأخير هو واجهة المستخدم. يمكن عرض نتائج التنبؤ عبر لوحة التحكم حتى يتمكن المزارعون من رؤية ظروف الأرض بسهولة أكبر.

جمع البيانات الميدانية

تعد البيانات الميدانية جزءًا مهمًا من النظام. ويجب أن يتم جمع البيانات بشكل متسق حتى تتوفر المعلومات الكافية لعملية التعلم.

على سبيل المثال، يمكن لأجهزة الاستشعار جمع بيانات رطوبة التربة كل بضع دقائق أو ساعات. ويتم بعد ذلك إرسال البيانات إلى الخادم.

بالإضافة إلى بيانات الاستشعار، يمكن للمزارعين إدخال معلومات مثل أنشطة الري والتسميد والتغيرات في ظروف النبات ونتائج المراقبة.

يمكن أن يوفر مزيج من البيانات التلقائية والبيانات اليدوية صورة أكثر اكتمالًا عن ظروف الأرض.

تطبيق التصنيف الثنائي

يمكن استخدام النماذج لأغراض مختلفة. أحد الأمثلة هو تحديد ما إذا كانت المنطقة تتطلب التفتيش أم لا.

يمكن أن تشير القيمة 0 إلى حالة طبيعية، بينما تشير القيمة 1 إلى حالة تتطلب الاهتمام.

مثال آخر هو الحاجة إلى الري. يمكن أن تعني القيمة 0 أنه لا يحتاج إلى الري، في حين أن القيمة 1 تعني أنه يحتاج إلى الري.

يجب تعديل تحديد التسمية وفقًا لأهداف النظام. يجب أن يكون للنموذج هدف واضح حتى يمكن تصميم مجموعة البيانات وعملية التقييم بشكل مناسب.

المرحلة التجريبية

يجب إجراء التجارب على مراحل. في المرحلة الأولى، يمكن استخدام النظام فقط لجمع البيانات.

المرحلة الثانية هي إنشاء مجموعة بيانات وتدريب النموذج. وبعد ذلك يتم اختبار النموذج باستخدام بيانات جديدة.

المرحلة الثالثة هي ربط النموذج بلوحة القيادة. يمكن للمستخدمين رؤية نتائج التنبؤ مباشرة.

في المراحل المبكرة، يجب استخدام نتائج التنبؤ كتوصيات فقط. ويواصل المزارعون إجراء عمليات التفتيش الميداني قبل اتخاذ أي إجراء.

إذا أظهر النظام أداءً مناسبًا، فمن الممكن التفكير في التشغيل الآلي.على سبيل المثال، يمكن للنظام إرسال إشعارات عندما يكتشف النموذج حالات معينة.

تقييم النظام

لا يتم إجراء التقييم على نموذج الذكاء الاصطناعي فحسب، بل على النظام بأكمله أيضًا.

من جانب النموذج، يمكن للتقييم استخدام الدقة والإحكام والاستدعاء ودرجة F1. يمكن أن توفر هذه المقاييس معلومات حول قدرة النموذج على تنفيذ التصنيف.

من جانب النظام، يمكن أن يشمل التقييم استقرار المستشعر، وسرعة نقل البيانات، وتوافر لوحة المعلومات، وسهولة الاستخدام.

من جانب المستخدم، يمكن إجراء التقييم عن طريق طلب مدخلات من المزارعين. تعتبر هذه المعلومات مهمة لأن النظام الذي يتمتع بأداء فني جيد ليس بالضرورة سهل الاستخدام في الأنشطة اليومية.

مزيد من التطوير

يمكن أن تكون النماذج الثنائية الأساس لتطوير أنظمة أكثر تعقيدًا. وبمجرد توفر المزيد من البيانات، يمكن تطوير النظام إلى تصنيف متعدد الفئات.

بالإضافة إلى ذلك، فإن التكامل مع رؤية الكمبيوتر يمكن أن يمكّن النظام من تحليل صور النباتات. ويمكن أيضًا إضافة بيانات الطقس حتى يحصل النظام على معلومات بيئية أكثر اكتمالاً.

يسمح استخدام تقنية إنترنت الأشياء بجمع البيانات تلقائيًا. ويمكن للذكاء الاصطناعي بعد ذلك معالجة البيانات بشكل دوري.

في المرحلة التالية، يمكن تطوير النظام ليصبح منصة لدعم القرار تجمع بين مصادر المعلومات المختلفة في لوحة تحكم واحدة.

دور البشر في أنظمة الذكاء الاصطناعي

على الرغم من أننا نستخدم الذكاء الاصطناعي، لا يزال للبشر دور مهم. يعمل الذكاء الاصطناعي بناءً على الأنماط المستفادة من البيانات، لذلك لا يزال هناك احتمالية لإنتاج الأخطاء.

يتمتع المزارعون بالخبرة والمعرفة بالظروف الميدانية التي لا يمكن تمثيلها دائمًا في مجموعات البيانات.

لذلك، فإن النهج الأكثر ملاءمة هو جعل الذكاء الاصطناعي أداة لدعم القرار. يمكن أن تكون نتائج التنبؤ بمثابة معلومات إضافية للمزارعين قبل تحديد الإجراء.

الاستنتاج

يمكن أن يكون دمج نماذج الذكاء الاصطناعي الثنائية مع البيانات الميدانية خطوة واحدة في بناء نظام زراعي ذكي. ويسمح هذا النهج بجمع مجموعة واسعة من البيانات الزراعية ومعالجتها وترجمتها إلى قرارات بسيطة.

يمكن بدء التجارب على نطاق صغير من خلال جمع البيانات والتدريب النموذجي والاختبار والتقييم. بمجرد أن يُظهر النظام النتائج المناسبة، يمكن توسيع النشر باستخدام أجهزة استشعار إضافية وإنترنت الأشياء ولوحات المعلومات والأتمتة.

لا يتم تحديد نجاح النظام من خلال خوارزمية الذكاء الاصطناعي فقط. تعد جودة البيانات، والظروف الميدانية، والمعدات المستخدمة، ومشاركة المزارعين من العوامل المهمة أيضًا.

مع تنفيذ التطوير على مراحل، يمكن أن يصبح الذكاء الاصطناعي الثنائي أحد مكونات التحول نحو الزراعة القائمة على البيانات والتي تكون أكثر قابلية للقياس وأكثر كفاءة وتكيفًا مع الظروف البيئية المتغيرة.