Сенсоры, дроны и программное обеспечение для точного земледелия, особенно искусственный интеллект и машинное обучение, быстро внедряются в сельском хозяйстве для повышения эффективности, производства и устойчивости. Эти технологии могут использоваться для мониторинга и улучшения различных аспектов сельскохозяйственного и животноводческого производства, таких как орошение, удобрение, борьба с вредителями и здоровье животных. Кроме того, с помощью анализа данных и прогнозного моделирования они могут способствовать улучшению принятия решений. Цифровые технологии также могут помочь повысить безопасность пищевых продуктов и прослеживаемость, одновременно сокращая отходы и потребление ресурсов. В глобальном масштабе использование цифровых технологий в сельском хозяйстве имеет потенциал для повышения экономической жизнеспособности сельскохозяйственных операций и содействия глобальному продовольственному снабжению. Однако существуют проблемы, связанные с низкой цифровой грамотностью, доступностью инфраструктуры, подключением к интернету и низким уровнем осведомленности среди всех заинтересованных сторон сельского хозяйства. Более того, существует немного работ, которые дают обзор всех компонентов цифровых технологий. Таким образом, настоящий обзорный документ обсудил компоненты цифровых сельскохозяйственных технологий, доступные в аграрном секторе.
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, ЦИФРОВЫЕ ТЕХНОЛОГИИ, МАШИННОЕ ОБУЧЕНИЕ, ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ, СЕЛЬСКОЕ ХОЗЯЙСТВО
Hema Lingireddy , Kotte Bhargava , Abhishek E. , Barla Madhusudhan , C. Banu Teja and B. Guru Sri
ICAR- National Dairy Research Institute, Karnal (Haryana), India
ICAR- Indian Agricultural Research Institute (New Delhi), India
Mahatma Phule Krishi Vidyapeeth, Rahuri (Maharashtra), India
Sensors, drones, and precision farming software especially artificial intelligence and machine learning are rapidly being used in agriculture to increase efficiency, production, and sustainability. These technologies may be used to monitor and improve various aspects of agricultural and livestock production, such as irrigation, fertilization, pest control, and animal health. Additionally, via the use of data analysis and predictive modelling, they may help with improved decision making. Digital technology may also assist to increase food safety and traceability while decreasing waste and resource consumption. Globally, the use of digital technology in agriculture has the potential to increase the economic viability of agricultural operations and contribute to the global food supply. However, poor digital literacy, infrastructure availability, internet connectivity, and low level of awareness among all the agriculture stake holders. Moreover, there are few papers which have given an overview of all the digital technology components. So, the present review paper has discussed the digital agricultural technology components available in agriculture sector.
ARTIFICIAL INTELLIGENCE, DIGITAL TECHNOLOGY, MACHINE LEARNING, SOFTWARE, AGRICULTURE
«Если сельское хозяйство будет продолжать кормить мир, оно должно стать более похожим на производство» - Джеффри Карр, The Economist.
Цифровое сельское хозяйство - это практика использования цифровых инструментов для сбора, хранения, анализа и обмена данными вдоль сельскохозяйственной цепочки создания стоимости. Согласно Project Breakthrough Организации Объединенных Наций, «цифровое сельское хозяйство» - это использование передовых технологий в единой системе для помощи фермерам и другим участникам отрасли в увеличении урожайности сельскохозяйственных культур.
Использование технологий цифрового земледелия имеет потенциал для значительного повышения производительности сельского хозяйства, сохранения ресурсов и рентабельности. В следующих разделах подробно объясняются эти компоненты цифровых технологий.
Автономно управляемые роботы, оснащенные как локальными, так и глобальными сенсорами, могут повысить производительность сельскохозяйственных операций. Два таких примера - полевой робот X Machines X-100 и John Deere iTEC Pro, последний из которых использует Глобальную навигационную спутниковую систему для регулирования своего направления. Роботы могут использоваться для различных сельскохозяйственных операций, таких как разведка посевов, орошение, пересадка, борьба с вредителями и сорняками, опрыскивание, сбор урожая, обрезка, доение, сортировка, фенотипирование и т.д. Хотя большинство из них в настоящее время находятся в форме прототипов, они имеют потенциал для повышения точности в сельскохозяйственных операциях, если они будут дальше развиты и внедрены в больших масштабах.
Другие применения автоматизации включают автоматическую посадку, отбор качественных семян, установку защиты от вредителей для предотвращения повреждения урожая, автоматическую обработку и т.д.
Платформы дистанционного зондирования: Спутниковое дистанционное зондирование стало неотъемлемой частью эволюции умного земледелия, поскольку полевые данные стали readily доступны с искусственных спутников. Важными источниками сельскохозяйственных данных являются европейская спутниковая система Sentinel 2, индийские спутники Cartosat и INSAT, американские спутники Landsat и другие спутниковые системы. Недавние достижения в методах обработки изображений и новые поколения спутников позволили реализовать несколько сельскохозяйственных приложений, таких как мониторинг сельскохозяйственных культур в реальном времени, определение потребностей в орошении и т.д.
Авиационные системы: Беспилотные летательные аппараты помогли улучшить плохое пространственное и временное разрешение спутниковых систем. Использование БПЛА разнообразно и включает мониторинг сельскохозяйственных культур, распыление химикатов и даже их фенотипирование. Однако дроны не могут летать при сильных порывах ветра и не могут нести столько сенсоров, сколько могли бы, из-за их ограниченной грузоподъемности. Кроме того, обычно сложно выполнить постобработку данных и мозаичное совмещение изображений. С активными сенсорами такие факторы окружающей среды, как яркий солнечный свет или тусклое освещение, больше не являются проблемой, а при обработке в реальном времени алгоритмы машинного обучения могут использоваться в реальных приложениях, таких как распыление гербицидов после обнаружения.
Воплощенные цифровые технологии используют один или несколько технологических методов для повышения эффективности обработки материалов, труда и т.д. Технологии, такие как глобальные позиционирующие спутники (GPS), географические информационные системы (ГИС), сенсоры, системы поддержки принятия решений и оборудование для точного земледелия, все попадают в эту категорию. Для сельскохозяйственных целей точное земледелие использует как проксимальное зондирование (такое как сенсоры нитратов в почве), так и дистанционное зондирование (например, спутниковые изображения). В то время как точное орошение использует сенсоры и другие технологии для оптимизации количества воды, применяемой к сельскохозяйственным культурам. Машинное обучение и другие методы используются для анализа данных, собранных с сенсоров и других источников, для принятия решений о методах ведения сельского хозяйства.
Географические информационные системы (ГИС) на основе систем поддержки принятия решений обычно используются для этой цели, и они могут включать данные из моделей имитации сельскохозяйственных культур для определения оптимального уровня вводимых ресурсов, которые должны быть применены к данной части поля для максимальной урожайности. Тип почвы, уровень питательных веществ, влажность почвы, pH, плодородие, карты интенсивности сорняков и вредителей и другие основные карты - все это часть системы ГИС. Эти карты и данные затем используются в сочетании с другими средствами принятия решений для применения предписанных доз удобрений или пестицидов.
Точное животноводство стало возможным благодаря прикреплению сенсоров к скоту или к аппаратуре в хлеву, используемой в животноводстве. Например, температуру в хлеву или модели движения животных можно управлять автоматически с помощью сенсоров и машин. Современные достижения в оборудовании для точного земледелия: методы точного земледелия теперь могут использоваться в растениеводстве и животноводстве благодаря дронам и другим передовым технологиям.
Поскольку количество данных, доступных менеджерам в поле, растет, создание автоматизированного метода извлечения операционной информации из данных имеет решающее значение. Существует несколько потенциальных способов, где аналитика больших данных могла бы улучшить сельскохозяйственную практику, включая внедрение методов, основанных на точном земледелии, на уровне поля, развитие эффективной цепочки поставок пищевых продуктов и механизацию всей операции для максимизации прибыли.
Проблемы сбора, хранения и обработки массивных данных из многих источников являются серьезным препятствием для новых селекционных учреждений. Hadoop, MapReduce, Hive, базы данных NoSQL/NewSQL, методы интеграции данных, методы в памяти и облачные технологии - это лишь несколько примеров технологий, услуг и инструментов больших данных, которые возникли для решения проблем, представленных огромным объемом онлайн-данных, данных социальных сетей, IoT и данных Machine-to-Machine. Поскольку облако заботится о своих собственных серверах и базах данных, исследователи могут сосредоточить свое внимание там, где это необходимо: на анализе и добыче данных. Проблемы с реализацией больших данных и облачных вычислений включают зависимость от сети, проблемы задержки и снижение контроля над безопасностью и соответствием.
Интернет вещей в сельском хозяйстве - это передовой подход, который предлагает надежные и эффективные решения для модернизации многочисленных отраслей. Решения на основе IoT разрабатываются для обеспечения автономного управления и мониторинга сельскохозяйственных систем с минимальным вмешательством человека. Развитие беспроводных сенсорных сетей сделало возможным сбор информации с сенсоров и передачу ее на главные серверы. Собранная информация затем беспроводным способом передается в центральный узел для анализа и применения к управлению фермой. Эти данные имеют применение в управлении орошением, прогнозировании урожая, мониторинге здоровья скота и идентификации заболеваний.
Сенсоры и устройства, подключенные к Интернету вещей, могут быть установлены в сельскохозяйственных условиях, включая теплицы, поля и хлева, для мониторинга условий окружающей среды в реальном времени. Фермеры могут использовать алгоритмы машинного обучения для прогнозирования производства сельскохозяйственных культур путем сбора данных об условиях окружающей среды, таких как температура, влажность, влажность почвы и качество воздуха. Будет возможна оптимизация графиков посадки и сбора урожая и выбор подходящих культур для различных мест. С использованием Интернета вещей (IoT) фермеры могут увеличить свою прибыль за счет повышения эффективности, производительности и долговечности своих операций.
Облачные вычисления - это передача компьютерных услуг, таких как хранение, обработка, сети, аналитика и интеллект, через Интернет (облако), в отличие от локальных серверов или персональных устройств. Позволяя фермерам получать доступ и анализировать данные о своих культурах и скоте из любого места с подключением к Интернету, облачные вычисления помогают повысить эффективность, производство и устойчивость в сельскохозяйственном бизнесе. Способность облачных вычислений хранить и обрабатывать большие объемы данных является большим преимуществом для сельскохозяйственного сектора.
Использование аналитических и интеллектуальных инструментов для получения информации из данных - еще одно преимущество облачных вычислений в сельском хозяйстве. Алгоритмы машинного обучения могут помочь фермерам улучшить управление фермой, анализируя данные, такие как урожайность сельскохозяйственных культур, влажность почвы и здоровье животных. Используя облачные вычисления, фермеры имеют доступ к многочисленным полезным приложениям и программам, которые могут помочь в планировании, бюджетировании и прогнозировании. В целом, облачные вычисления меняют правила игры в сельскохозяйственном секторе, поскольку они дают фермерам беспрецедентное удобство и мобильность в сборе и анализе данных.
Информационно-коммуникационные технологии являются одним из ключевых элементов умного земледелия. Эти технологии имеют возможность быть внедренными на многих этапах вдоль цепочки создания стоимости сельскохозяйственной продукции, включая производство, обработку, распределение и маркетинг. Это может использоваться в сочетании с сенсорами, Интернетом вещей (IoT) для мониторинга и контроля различных аспектов сельскохозяйственных операций. Кроме того, информационно-коммуникационные технологии (ИКТ) также могут использоваться для увеличения коммуникации и сотрудничества между фермерами, агробизнесом и другими игроками в сельскохозяйственной цепочке создания стоимости.
Использование ИКТ предоставляет фермерам лучшее понимание многочисленных аспектов сельскохозяйственных операций и позволяет им поддерживать идеальные условия с минимальными усилиями и высокой отдачей, что приводит к агробизнесу, который является более эффективным, высокопроизводительным, экономически жизнеспособным и успешным. Использование таких приложений также может помочь фермерам продавать свои товары потребителям. ИКТ могут помочь фермерам оптимизировать свои операции и адаптироваться к меняющимся рыночным условиям, способствуя более точному и основанному на данных принятию решений.
Технология блокчейн может изменить сельскохозяйственную отрасль, делая транзакции и управление цепочками поставок более безопасными и открытыми. Следующие примеры того, как технология блокчейн может использоваться в сельскохозяйственном секторе: Во-первых, безопасность пищевых продуктов, технология блокчейн может использоваться для отслеживания происхождения пищевых продуктов, где они были, и их качества. Безопасность, подлинность и качество продукта могут быть улучшены этим методом, и любые другие проблемы, которые возникают, могут быть отслежены до первоначального источника.
В целом, технология блокчейн имеет потенциал сделать транзакции и управление цепочками поставок в сельскохозяйственном секторе гораздо более прозрачными, эффективными и безопасными, таким образом повышая надежность среди анонимных лиц. Это также способствует решению трудности отслеживания предметов в обширной цепочке поставок, вызванной сложностью агропродовольственной системы. В результате технология предлагает ответы на проблемы с качеством и безопасностью пищевых продуктов, которые представляют большой интерес для потребителей, правительства и т.д.
Предпосылка, на которой покоится ИИ, заключается в том, что человеческий интеллект может быть описан таким образом, что он может быть легко имитирован машиной и использован для выполнения широкого спектра задач, от самых простых до самых сложных. Искусственный интеллект, который может учиться, рассуждать и воспринимать, был бы полезен для достижения этих целей.
Примеры включают системы распознавания образов на автономных транспортных средствах и рекомендательные системы, которые предлагают вещи, которые вам могут понравиться, основываясь на том, что вы покупали в прошлом. Искусственный интеллект оказывает глубокое влияние на все секторы бизнеса. Каждая отрасль ищет сложные машины для автоматизации определенных процессов. Сельскохозяйственная отрасль является одной из старейших и наиболее важных экономических отраслей в мире. Введение технологий на основе ИИ позволило фермерам повысить производительность при сокращении вводимых ресурсов, повысить качество продукции и сократить время вывода своих товаров на рынок.
Сборка генома, итеративный вывод регуляторных сетей генов и идентификация истинных SNP у полиплоидных растений являются некоторыми из приложений исследований в геномике с использованием машинного обучения. Открытие сельскохозяйственных особенностей зависит от твердого понимания функции и структуры генов растений, чему способствует полная сборка и аннотация генома.
Область вывода отношений между регуляторными элементами и генами - это та, которая показывает много обещаний. Это может использоваться для поиска возможных улучшений для сельскохозяйственного производства. Для того, чтобы накормить estimated девять миллиардов людей, которые будут жить на планете в 2050 году, сельскохозяйственное производство должно вырасти на 70%. В целом, аналитика больших данных может использовать методы машинного обучения.
В заключение, использование технологий цифрового земледелия имеет потенциал для значительного повышения эффективности, производства и устойчивости сельскохозяйственного сектора. Фермеры могут лучше улучшать свои практики и урожайность с помощью таких технологий, как устройства глобальной системы позиционирования (GPS), сенсоры, аналитика данных, дистанционное зондирование, системы поддержки принятия решений, автоматизация и роботы. В дополнение к снижению затрат, эти технологии могут повысить сельскохозяйственные урожаи, что делает их crucial ресурсом для фермеров во всем мире. Однако стоит отметить, что внедрение технологий цифрового земледелия не без своих трудностей, включая потенциальную потребность в новых методах образования и поддержки, а также беспокойство о безопасности личных данных и конфиденциальности. В сумме, технологии цифрового земледелия имеют большой потенциал как средство борьбы с трудностями в сельскохозяйственной отрасли и обеспечения процветающего и экологически чистого будущего для фермеров.
Будущие перспективы цифровых технологий в сельском хозяйстве очень promising. Цифровые технологии, такие как дроны, сенсоры и спутниковые изображения, могут помочь фермерам monitor реальные ситуации, применение удобрений, пестицидов и воды более точно. Это уменьшает отходы и увеличивает урожай. Использование аналитики больших данных в сельском хозяйстве поможет фермерам принимать более обоснованные решения о погодных условиях, управлении сельскохозяйственными культурами и контроле вредителей и заболеваний. Интернет вещей и технологии автоматизации полезны для фермеров, делая автоматизацию задач и мониторинг привычек роста сельскохозяйственных культур без вмешательства человека. Это сэкономит больше времени экспертов и уменьшит использование ресурсов.
Отсутствует.