ખાદ્ય સુરક્ષા અને આર્થિક પ્રોત્સાહનના કારણોસર, ખેડૂતો સતત તેમના માર્કેટેબલ પાકની ઉપજને મહત્તમ કરવાનો પ્રયાસ કરે છે. જેમ જેમ છોડ અસંગત રીતે વધે છે, લણણી સમયે, વ્યક્તિગત પાકની ગુણવત્તા અને કદમાં અનિવાર્યપણે ભિન્નતા હશે. તેથી, શ્રેષ્ઠ લણણીનો સમય શોધવો એ ખેડૂતો માટે પ્રાથમિકતા છે.
ડ્રોન અને આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કરવાનો એક નવો અભિગમ આ અંદાજને કાળજીપૂર્વક અને સચોટ રીતે દર્શાવે છે. વ્યક્તિગત પાકોનું વિશ્લેષણ તેમની સંભવિત વૃદ્ધિ લાક્ષણિકતાઓનું મૂલ્યાંકન કરવા.
કેટલીક આશાવાદી વિજ્ઞાન સાહિત્ય વાર્તાઓ અછત પછીના ભવિષ્ય વિશે વાત કરે છે, જ્યાં માનવ જરૂરિયાતો પૂરી કરવામાં આવે છે અને મશીનો દ્વારા સખત મજૂરી પૂરી પાડવામાં આવે છે. એવી કેટલીક રીતો છે જેમાં આ દ્રષ્ટિ વર્તમાન તકનીકી પ્રગતિના કેટલાક ઘટકોની આગાહી કરવા માટે દેખાય છે. આવો જ એક ક્ષેત્ર કૃષિ સંશોધનમાં છે, જ્યાં ઓટોમેશન અસર કરી રહ્યું છે.
પ્રથમ વખત, ટોક્યો યુનિવર્સિટીના સંશોધકો સહિતના સંશોધકોએ પાકની ઉપજમાં સુધારો કરવા માટે મોટા પ્રમાણમાં સ્વયંસંચાલિત પ્રણાલીનું નિદર્શન કર્યું છે, જેનાથી ઘણાને ફાયદો થઈ શકે છે અને ભવિષ્યની સિસ્ટમો માટે માર્ગ મોકળો કરવામાં મદદ મળી શકે છે જે એક દિવસ સીધો પાક લણણી કરી શકે છે.
"આ વિચાર પ્રમાણમાં સરળ છે, પરંતુ ડિઝાઇન, અમલીકરણ અને અમલ અસાધારણ રીતે જટિલ છે," ફીલ્ડ ફેનોમિક્સની લેબોરેટરીના એસોસિયેટ પ્રોફેસર વેઇ ગુઓએ જણાવ્યું હતું.
“જો ખેડૂતોને પાકના ખેતરોમાં કાપણી કરવાનો આદર્શ સમય ખબર હોય, તો તેઓ કચરો ઘટાડી શકે છે, જે તેમના માટે, ગ્રાહકો અને પર્યાવરણ માટે સારું છે. પરંતુ મહત્તમ લણણીના સમયની આગાહી કરવી સરળ નથી અને આદર્શ રીતે દરેક છોડના વિગતવાર જ્ઞાનની જરૂર છે; જો લોકો તેને એકત્રિત કરવા માટે કામે લાગ્યા હોય તો આવા ડેટા ખર્ચ અને સમય નિષેધાત્મક હશે. આ તે છે જ્યાં ડ્રોન આવે છે.
ગુઓ કમ્પ્યુટર વિજ્ઞાન અને કૃષિ વિજ્ઞાન બંનેમાં પૃષ્ઠભૂમિ ધરાવે છે, તેથી અત્યાધુનિક હાર્ડવેર અને સોફ્ટવેર કૃષિને મદદ કરી શકે તેવા માર્ગો શોધવા માટે આદર્શ રીતે અનુકૂળ છે. તેમણે અને તેમની ટીમે દર્શાવ્યું છે કે વિશિષ્ટ સૉફ્ટવેર સાથેના કેટલાક ઓછા ખર્ચે ડ્રોન યુવાન છોડની છબી અને વિશ્લેષણ કરી શકે છે - આ અભ્યાસના કિસ્સામાં બ્રોકોલી - અને તેમની અપેક્ષિત વૃદ્ધિની લાક્ષણિકતાઓની ચોક્કસ આગાહી કરી શકે છે.
ડ્રોન ઇમેજિંગ પ્રક્રિયાને ઘણી વખત હાથ ધરે છે અને માનવીય ક્રિયાપ્રતિક્રિયા વિના આમ કરે છે, એટલે કે સિસ્ટમને મજૂર ખર્ચના સંદર્ભમાં ઓછી જરૂર પડે છે.
"કેટલાકને એ જાણીને આશ્ચર્ય થશે કે શ્રેષ્ઠ સમય પહેલા કે પછી એક દિવસ જેટલો ઓછો સમય ખેતરમાં લણણી કરવાથી ખેડૂત માટે તે ક્ષેત્રની સંભવિત આવકમાં 3.7% થી 20.4% જેટલો ઘટાડો થઈ શકે છે," ગુઓએ કહ્યું.
"પરંતુ અમારી સિસ્ટમ સાથે, ડ્રોન ક્ષેત્રના દરેક છોડને ઓળખે છે અને સૂચિબદ્ધ કરે છે, અને તેમનો ઇમેજિંગ ડેટા એક મોડેલ ફીડ કરે છે જે ખેડૂતો માટે સરળ-થી-સમજી શકાય તેવા દ્રશ્ય ડેટા ઉત્પન્ન કરવા માટે ઊંડા શિક્ષણનો ઉપયોગ કરે છે. ડ્રોન અને કોમ્પ્યુટરના વર્તમાન પ્રમાણમાં ઓછા ખર્ચને જોતાં, આ સિસ્ટમનું વ્યાપારી સંસ્કરણ ઘણા ખેડૂતોની પહોંચમાં હોવું જોઈએ.
ટીમનો મુખ્ય પડકાર ઇમેજ એનાલિસિસ અને ડીપ લર્નિંગ પાસાઓમાં હતો. ઇમેજ ડેટા પોતે એકત્ર કરવો એ પ્રમાણમાં તુચ્છ છે, પરંતુ જે રીતે છોડ પવનમાં ફરે છે અને સમય અને ઋતુઓ સાથે પ્રકાશ કેવી રીતે બદલાય છે તે જોતાં, ઇમેજ ડેટામાં ઘણી બધી વિવિધતા હોય છે જેની ભરપાઈ કરવી મશીનોને ઘણી વાર મુશ્કેલ લાગે છે.
તેથી, તેમની સિસ્ટમને તાલીમ આપતી વખતે, ટીમે ડ્રોન જોઈ શકે તેવી છબીઓના વિવિધ પાસાઓને લેબલ કરવામાં ઘણો સમય રોકવો પડ્યો, જેથી સિસ્ટમને તે યોગ્ય રીતે શું જોઈ રહ્યું હતું તે ઓળખવામાં મદદ કરી શકે. વિશાળ ડેટા થ્રુપુટ પણ પડકારજનક હતું — ઇમેજ ડેટા ઘણીવાર ટ્રિલિયન પિક્સેલનો હતો, જે હાઇ-એન્ડ સ્માર્ટફોન કૅમેરા કરતાં પણ હજારો ગણો મોટો હતો.
"મને એવી વધુ રીતો શોધવાની પ્રેરણા મળી છે કે જેનાથી છોડની ફેનોટાઇપિંગ (છોડની વૃદ્ધિના લક્ષણોનું માપન) પ્રયોગશાળામાંથી ક્ષેત્ર સુધી જઈ શકે છે જેથી આપણે જે મુખ્ય સમસ્યાઓનો સામનો કરીએ છીએ તેનો ઉકેલ લાવવામાં મદદ મળી શકે," ગુઓએ કહ્યું.
સોર્સ:ટોક્યો યુનિવર્સિટી