هوش مصنوعی درکشاورزی

آبیاری هوشمند را اول روی یک قطعه و در یک فصل می‌آزماییم و داده خاک، هوا، محصول و آبیاری را کنار هم می‌گذاریم. پیش از گسترش، مصرف آب، سلامت محصول و عملکرد را با وضع فعلی مزرعه مقایسه می‌کنیم و می‌بینیم بهره‌بردار چند بار برنامه را تغییر داده است.

تحلیل تصویر می‌تواند نشانه‌های ظاهری بیماری را در عکس پیدا کند تا کارشناس گیاه‌پزشکی بررسی کند؛ به شرط آنکه برای محصول و بیماری مورد نظر، با دستگاه عکاسی شما و در شرایط منطقه‌تان آموزش دیده و آزموده شده باشد. خروجی آن یک هشدار اولیه است، نه تشخیص قطعی.

مدل پیش‌بینی برداشت را روی داده‌های مزرعه، آب‌وهوا، محصول و برداشت سال‌های گذشته می‌آزماییم. اینکه پیش‌بینی چه مدت پیش از برداشت قابل‌اتکاست و چقدر خطا دارد، به داده‌های منطقه شما بستگی دارد؛ برای همین، عدد را با بازه خطایش گزارش می‌کنیم.

در یک اجرای آزمایشی، سامانه با داده خاک، تصاویر و محصول، مزرعه را به چند ناحیه تقسیم می‌کند و برای هر ناحیه پیشنهاد می‌دهد. کارشناس کشاورزی توصیه‌ها را تأیید می‌کند و مصرف کود و سم و واکنش محصول را با یک قطعه شاهد مقایسه می‌کنیم.

بستگی دارد به دستگاهی که انتخاب می‌کنید، اندازه مدل، روش به‌روزرسانی و اینکه داده‌ها هر چند وقت باید همگام شوند. پیش از هر قولی درباره در دسترس بودن سامانه، در مرحله کشف نیاز روشن می‌کنیم کدام بخش‌ها بدون اینترنت روی خود دستگاه کار می‌کنند و کدام به اتصال نیاز دارند.