AI og jordbruk,,en,Hva er fremskrittene,,en,Som global befolkning stiger,,en,hovedsakelig i utviklingslandene,,en,og etterspørselen etter mat øker,,en,Utfordringen for matforsyning fornyes for landbrukssektoren,,en,landbrukssektoren griper med interne problemer som utilstrekkelig gårdutbytte,,en,ineffektive produksjonsmetoder og skadedyr og ugress,,en,Mens mange metoder blir brukt for å optimalisere produksjonen,,en,anvendelsen av kunstig intelligens,,en,i landbruket representerer et paradigmeskifte i å optimalisere ressurser og levere mat,,en,AI kan potensielt hjelpe til med datainnsamling,,en,gir beskyttelse mot sykdommer og skadedyr og yodelproduksjon,,en,AI-teknologiene brukes allerede, men ikke i stor skala og ensartet,,en – What are the advances?
Oversikt
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. Anvendelsen av AI står også overfor visse utfordringer i form av datatilgjengelighet og tilkobling som er unike for landbrukssektoren,,en,Rask og relevant datainnsamling er viktig for å hjelpe landbrukssektoren til å møte utfordringene,,en,Mange forskjellige datainnsamlingsteknologier kommer til markedet,,en,Høyspredningsutstyret med høy hastighet gir nøyaktig "som plantet" informasjon og gir monitorer gir høstdata,,en,Slike data er nyttige i å bygge prediktive algoritmer,,en,Bekjempelse av skadedyr og plante sykdom,,en,Skadedyr og sykdommer kan ødelegge utbyttet,,en,AI teknologier kan oppdage plante skadedyr og sykdommer raskere og mer nøyaktig enn et trent menneske,,en,En slik teknologi har vært bildegenkjenningsalgoritmen av Resson,,en,en Monsanto Growth Ventures,,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) porteføljeselskap med kontorer i Canada og San Jose,,en,Avkastningsprognose,,en,AI brukes til å utvikle nøyaktige avkastningsspådommer,,en,Bedrifter som Orbital Insights,,en,Descartes Labs,,en,Gro Intelligence,,en,og Tellus Labs har utviklet avkastningsalgoritmer basert på satellittbilder,,en,værinformasjon,,en,og historiske avkastningsdata,,en,De hevder at spådommene er mer nøyaktige enn USAs Department of Agriculture,,en,USDA,,en,rapporter,,en,Global anvendelighet,,en,Den samme AI-teknologien kan potensielt brukes over hele kloden uavhengig av gård,,en,klimatiske eller andre forhold,,en,AI-teknologien tilpasser seg på grunnlag av unike regionale forhold,,en,Slantrange,,no,en San Diego-basert oppstart,,en,fant sin plantetallingsalgoritme inkompatibel med de sydafrikanske bondeforholdene,,en,det tilpasset sin teknologi tilsvarende,,en,Yield Improvement,,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 kan bidra til forbedring av avkastningen ved å tilby produkter for utvikling av nye frø,,en,gjødsel,,en,eller beskjærebeskyttelse,,en,Utbytteforbedringsprodukter kan være foretrukket over noen andre landbruksprodukter av AI som datainnsamling fordi datainnsamling har AI pågått i lang tid,,en,selv uten AI og gir forbedringsprodukter har mer økonomisk verdi,,en,Sannsynligvis vil det ta en stund før AI er omfavnet i landbruket i stor skala,,en,AI trenger å sortere ut utfordringene før det,,en,Det største bidraget fra AI vil mest sannsynlig være å optimalisere ressursene,,en,Kaushik er en lidenskapelig teknisk forfatter og en programvarearkitekt av yrke,,en,Han er interessert i Big Data,,en,Maskinlæring og Enterprise Application Development,,en,Jordbruk,,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.
Konklusjon
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.
