Ülevaade
As global population rises — mostly in the developing countries — and demand for food increases, the food supply challenge is renewed for the agricultural sector. At the same time, the agriculture sector grapples with internal problems such as insufficient farm yield, inefficient production methods and pests and weeds. While many methods are being applied to optimize output, the application of Artificial Intelligence (AI) in agriculture represents a paradigm change in optimizing resources and supplying food. AI can potentially help in data collection, yield protection from diseases and pest and yodel production. AI technologies is already being applied though not on a large scale and uniformly. AI rakendamine seisab silmitsi ka teatud väljakutsetega, mis on kättesaadavad põllumajandussektorile ainulaadse andmeside kättesaadavuse ja ühenduvuse jaoks,,en,Põllumajandussektori probleemide lahendamiseks on oluline kiire ja asjakohane andmete kogumine,,en,Turule tulevad paljud erinevad andmete kogumise tehnoloogiad,,en,muutuva kiirusega istutusseadmed annavad täpset "nii istutatud" informatsiooni kui ka saagikuse jälgijad esitavad saagikoristusi,,en,Sellised andmed on kasulikud ennustavate algoritmide loomiseks,,en,Kahjurite ja taimehaiguste avastamine,,en,Kahjurid ja haigused võivad saagikust hävitada,,en,AI-tehnoloogia abil saab taimekahjusid ja haigusi kiiremini ja täpsemalt tuvastada kui väljaõppinud inimene,,en,Üks selline tehnoloogia on olnud Ressoni pildituvastusalgoritm,,en,Monsanto kasvu ettevõtmised,,en,MGV,,sq.
Data collection
Fast and relevant data collection is important in helping the agriculture sector meet the challenges. Many different data collection technologies are coming to the market. For example, the high-speed variable rate planting equipment provides accurate “as planted” information and yield monitors provide harvest data. Such data are useful in building predictive algorithms.
Pest and plant disease detection
Pests and diseases can destroy yield. AI technologies can detect plant pests and diseases more quickly and accurately than a trained human being. One such technology has been the image recognition algorithm by Resson, a Monsanto Growth Ventures (MGV) Kanada ja San Jose kontorites asuv portfelliettevõtja,,en,Saagikuse prognoos,,en,AI-d kasutatakse täpsete saagikuse prognooside väljatöötamiseks,,en,Sellised firmad nagu Orbital Insights,,en,Descartes Labs,,en,Gro Intelligence,,en,ja Tellus Labs on töötanud välja satelliidifotodel põhinevad saagise prognoosimisalgoritmid,,en,ilmateade,,en,ja ajaloolise saagikuse andmed,,en,Nad väidavad, et ennustused on täpsemad kui Ameerika Ühendriikide põllumajandusministeerium,,en,USDA,,en,aruanded,,en,Globaalne kohaldatavus,,en,Sama tehnoloogiaga võib kasutada ka kogu maa-ala, olenemata põllumajandusettevõttest,,en,kliima- või muud tingimused,,en,AI tehnoloogia kohandub vastavalt ainulaadsetele piirkondlikele tingimustele,,en,kaldevahemiku,,no,San Diego-alune käivitus,,en,leidis, et taimede loendamise algoritm ei sobi kokku Lõuna-Aafrika talu tingimustega,,en,ta kohandas oma tehnoloogiat vastavalt,,en,Saagikuse paranemine,,en.
Yield prediction
AI is used to develop accurate yield predictions. Companies such as Orbital Insights, Descartes Labs, Gro Intelligence, and Tellus Labs have been developing yield prediction algorithms based on satellite imagery, weather information, and historical yield data. They claim the predictions are more accurate then United States Department of Agriculture (USDA) reports.
Global applicability
The same AI technology can be potentially applied across the globe irrespective of farm, soil, climatic or other conditions. AI technology adapts based on unique regional conditions. For example, Slantrange, a San Diego-based start-up, found its plant counting algorithm incompatible with the South African farm conditions. So, it adapted its technology accordingly.
Yield Improvement
AI võib aidata kaasa saagikuse paranemisele, pakkudes tooteid uute seemnete väljatöötamiseks,,en,väetised,,en,või põllukultuuride kaitse,,en,saagikuse parandamise tooted võivad olla eelistatud mõne muu põllumajanduse AI toote puhul, näiteks andmete kogumisega, kuna andmete kogumine on AI-d juba pikka aega olnud,,en,isegi ilma AI-deta ja tootluse paranemisega tooted on rohkem rahalisi väärtusi,,en,Tõenäoliselt kulub mõnda aega, enne kui AI on põllumajanduses ulatuslik,,en,AI peab enne seda lahendama probleeme,,en,AI suurim panus tõenäoliselt optimeerib ressursse,,en,Kaushik on erialane kirglik tehniline kirjanik ja tarkvaraarhitekt,,en,Ta on huvitatud Big Data'ist,,en,Masin õppe ja ettevõtte rakenduste arendamine,,en,Põllumajandus,,en, fertilizers, or crop protection. In fact, yield improvement products may be preferred over some other agricultural AI products such as data collection because data collection has AI been going on for a long time, even without AI and yield improvement products have more financial value.
Järeldus
Probably it is going to take a while before AI is embraced in agriculture on a large scale. AI needs to sort out the challenges before that. The biggest contribution of AI will most probably be optimizing resources.
Author Bio: Kaushik is a passionate technical writer and a software architect by profession. He is interested in Big Data, AI, Machine Learning and Enterprise Application Development.