செயற்கை நுண்ணறிவு (AI) என்பது 2024 இன் சலசலப்பான சொற்றொடர். அந்த கலாச்சார வெளிச்சத்திலிருந்து வெகு தொலைவில் இருந்தாலும், விவசாயம், உயிரியல் மற்றும் தொழில்நுட்ப பின்னணியில் உள்ள விஞ்ஞானிகளும் இந்த வழிமுறைகள் மற்றும் மாதிரிகள் தரவுத்தொகுப்புகளை நன்கு புரிந்துகொள்வதற்கான வழிகளைக் கண்டறிய ஒத்துழைப்பதால், AI க்கு திரும்புகின்றனர். காலநிலை மாற்றத்தால் பாதிக்கப்படும் உலகத்தை கணிக்கவும்.
சமீபத்தில் வெளியான ஒரு தாளில் தாவர அறிவியலில் எல்லைகள், பர்டூ யுனிவர்சிட்டி ஜியோமாடிக்ஸ் பிஎச்டி வேட்பாளர் கிளாடியா அவில்ஸ் டோலிடோ, அவரது ஆசிரிய ஆலோசகர்கள் மற்றும் இணை ஆசிரியர்களான மெல்பா க்ராஃபோர்ட் மற்றும் மிட்ச் டுயின்ஸ்ட்ரா ஆகியோருடன் பணிபுரிந்து, தொடர்ச்சியான நரம்பியல் நெட்வொர்க்கின் திறனை நிரூபித்தார் — நீண்ட கால நினைவாற்றலைப் பயன்படுத்தி தரவைச் செயலாக்க கணினிகளுக்கு கற்பிக்கும் ஒரு மாதிரி — பல ரிமோட் சென்சிங் தொழில்நுட்பங்கள் மற்றும் சுற்றுச்சூழல் மற்றும் மரபணு தரவுகளிலிருந்து மக்காச்சோள விளைச்சலைக் கணிக்க.
தாவரத்தின் குணாதிசயங்கள் ஆய்வு செய்யப்பட்டு வகைப்படுத்தப்படும் தாவர பினோடைப்பிங், உழைப்பு மிகுந்த பணியாக இருக்கலாம். டேப் அளவீடு மூலம் தாவர உயரத்தை அளவிடுவது, கனரக கையடக்க கருவிகளைப் பயன்படுத்தி பல அலைநீளங்களில் பிரதிபலித்த ஒளியை அளவிடுவது மற்றும் இரசாயன பகுப்பாய்வுக்காக தனிப்பட்ட தாவரங்களை இழுத்து உலர்த்துவது அனைத்தும் உழைப்பு மிகுந்த மற்றும் விலையுயர்ந்த முயற்சிகள். ரிமோட் சென்சிங் அல்லது இந்த தரவுப் புள்ளிகளை க்ரூவ் செய்யப்படாத வான்வழி வாகனங்கள் (UAVகள்) மற்றும் செயற்கைக்கோள்களைப் பயன்படுத்தி தொலைவில் இருந்து சேகரிப்பது, அத்தகைய புலம் மற்றும் தாவரத் தகவல்களை அணுகக்கூடியதாக ஆக்குகிறது.
வேளாண் ஆராய்ச்சியில் சிறந்து விளங்கும் விக்கர்ஷாம் தலைவரும், வேளாண்மைத் துறையின் தாவர வளர்ப்பு மற்றும் மரபியல் பேராசிரியரும், பர்டூஸ் இன்ஸ்டிடியூட் ஃபார் பிளான்ட் சயின்சஸின் அறிவியல் இயக்குனருமான டுயின்ஸ்ட்ரா, “இந்த ஆய்வு UAV- அடிப்படையிலான தரவு கையகப்படுத்தல் மற்றும் செயலாக்கத்தில் எவ்வாறு இணைந்துள்ளது என்பதை எடுத்துக்காட்டுகிறது. ஆழ்ந்த கற்றல் நெட்வொர்க்குகள் மக்காச்சோளம் போன்ற உணவுப் பயிர்களில் சிக்கலான பண்புகளை கணிக்க பங்களிக்க முடியும்.”
Crawford, Nancy Uridil மற்றும் Francis Bossu சிறந்த சிவில் இன்ஜினியரிங் பேராசிரியரும், வேளாண்மை பேராசிரியரும், அவில்ஸ் டோலிடோ மற்றும் புலத்தில் மற்றும் தொலைநிலை உணர்திறன் மூலம் பினோடைபிக் தரவுகளை சேகரித்த மற்றவர்களுக்கு பெருமை அளிக்கிறது. இந்த ஒத்துழைப்பு மற்றும் இதே போன்ற ஆய்வுகளின் கீழ், ரிமோட் சென்சிங் அடிப்படையிலான பினோடைப்பிங் ஒரே நேரத்தில் தொழிலாளர் தேவைகளைக் குறைத்து, மனித உணர்வுகளால் மட்டும் கண்டறிய முடியாத தாவரங்கள் பற்றிய புதுமையான தகவல்களைச் சேகரிக்கிறது.
காணக்கூடிய நிறமாலைக்கு வெளியே ஒளி அலைநீளங்களின் விரிவான பிரதிபலிப்பு அளவீடுகளைச் செய்யும் ஹைப்பர்ஸ்பெக்ட்ரல் கேமராக்கள், இப்போது ரோபோக்கள் மற்றும் UAV களில் வைக்கப்படலாம். ஒளி கண்டறிதல் மற்றும் ரேங்கிங் (LiDAR) கருவிகள் லேசர் பருப்புகளை வெளியிடுகின்றன மற்றும் தாவரங்களின் வடிவியல் கட்டமைப்பின் “புள்ளி மேகங்கள்” எனப்படும் வரைபடங்களை உருவாக்க சென்சாரில் பிரதிபலிக்கும் நேரத்தை அளவிடுகின்றன.
“தாவரங்கள் தங்களுக்கு ஒரு கதையைச் சொல்கின்றன,” க்ராஃபோர்ட் கூறினார். “அவர்கள் மன அழுத்தத்திற்கு உள்ளானால் அவர்கள் எதிர்வினையாற்றுவார்கள். அவர்கள் வினைபுரிந்தால், நீங்கள் பண்புகள், சுற்றுச்சூழல் உள்ளீடுகள், உர பயன்பாடுகள், நீர்ப்பாசனம் அல்லது பூச்சிகள் போன்ற மேலாண்மை நடைமுறைகளுடன் தொடர்புபடுத்தலாம்.”
பொறியியலாளர்களாக, Aviles Toledo மற்றும் Crawford ஆகியோர் துயின்ஸ்ட்ரா போன்ற தாவர வளர்ப்பாளர்களால் உருவாக்கப்பட்ட பல்வேறு கலப்பினங்களின் மகசூல் உட்பட, பல்வேறு விளைவுகளின் புள்ளிவிவர சாத்தியக்கூறுகளை கணிக்க, பாரிய தரவுத்தொகுப்புகளைப் பெற்று, அவற்றில் உள்ள வடிவங்களை பகுப்பாய்வு செய்யும் வழிமுறைகளை உருவாக்குகின்றனர். இந்த வழிமுறைகள் ஆரோக்கியமான மற்றும் அழுத்தமான பயிர்களை எந்த விவசாயி அல்லது சாரணர் ஒரு வித்தியாசத்தைக் கண்டறிவதற்கு முன்பே வகைப்படுத்துகின்றன, மேலும் அவை வெவ்வேறு மேலாண்மை நடைமுறைகளின் செயல்திறனைப் பற்றிய தகவலை வழங்குகின்றன.
Tuinstra ஆய்வுக்கு ஒரு உயிரியல் மனநிலையைக் கொண்டுவருகிறது. தாவர வளர்ப்பாளர்கள் குறிப்பிட்ட பயிர் பண்புகளை கட்டுப்படுத்தும் மரபணுக்களை அடையாளம் காண தரவுகளைப் பயன்படுத்துகின்றனர்.
“பல வருட பெரிய சதி-அளவிலான சோதனைகளில் விளைச்சலின் கதைக்கு தாவர மரபியல் சேர்க்கும் முதல் AI மாதிரிகளில் இதுவும் ஒன்றாகும்” என்று டுயின்ஸ்ட்ரா கூறினார். “இப்போது, தாவர வளர்ப்பாளர்கள் வெவ்வேறு நிலைமைகளுக்கு வெவ்வேறு குணாதிசயங்கள் எவ்வாறு பிரதிபலிக்கின்றன என்பதைப் பார்க்க முடியும், இது எதிர்காலத்தில் அதிக மீள்தன்மை கொண்ட வகைகளுக்கான பண்புகளைத் தேர்ந்தெடுக்க உதவும். விவசாயிகள் தங்கள் பிராந்தியத்தில் எந்த ரகங்கள் சிறப்பாகச் செயல்படக்கூடும் என்பதைப் பார்க்கவும் இதைப் பயன்படுத்தலாம்.”
சோளத்திலிருந்து ரிமோட் சென்சிங் ஹைப்பர்ஸ்பெக்ட்ரல் மற்றும் LiDAR தரவு, பிரபலமான சோள வகைகளின் மரபணு குறிப்பான்கள் மற்றும் வானிலை நிலையங்களில் இருந்து சுற்றுச்சூழல் தரவு ஆகியவை இந்த நரம்பியல் வலையமைப்பை உருவாக்க ஒருங்கிணைக்கப்பட்டன. இந்த ஆழமான கற்றல் மாதிரியானது AI இன் துணைக்குழு ஆகும், இது தரவுகளின் இடஞ்சார்ந்த மற்றும் தற்காலிக வடிவங்களில் இருந்து கற்றுக்கொண்டு எதிர்காலத்தைப் பற்றிய கணிப்புகளைச் செய்கிறது. ஒரு இடம் அல்லது காலப்பகுதியில் பயிற்சி பெற்றவுடன், நெட்வொர்க்கை மற்றொரு புவியியல் இருப்பிடம் அல்லது நேரத்தில் வரையறுக்கப்பட்ட பயிற்சி தரவுகளுடன் புதுப்பிக்க முடியும், இதனால் குறிப்பு தரவுகளின் தேவையை கட்டுப்படுத்துகிறது.
க்ராஃபோர்ட் கூறினார், “முன்பு, நாங்கள் கிளாசிக்கல் இயந்திர கற்றலைப் பயன்படுத்தினோம், புள்ளிவிவரங்கள் மற்றும் கணிதத்தில் கவனம் செலுத்தினோம். எங்களிடம் கணக்கீட்டு சக்தி இல்லாததால், எங்களால் உண்மையில் நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்த முடியவில்லை.”
நரம்பியல் நெட்வொர்க்குகள் கோழி கம்பியின் தோற்றத்தைக் கொண்டுள்ளன, இணைப்புகள் இணைக்கும் புள்ளிகளுடன் இறுதியில் மற்ற எல்லா புள்ளிகளுடனும் தொடர்பு கொள்கின்றன. அவில்ஸ் டோலிடோ இந்த மாதிரியை நீண்ட குறுகிய கால நினைவாற்றலுடன் மாற்றியமைத்தது, இது எதிர்கால விளைவுகளை முன்னறிவிப்பதால் தற்போதைய தரவுகளுடன் கணினியின் “மனதில்” கடந்த காலத் தரவை தொடர்ந்து முன்னணியில் வைக்க அனுமதிக்கிறது. நீண்ட குறுகிய கால நினைவாற்றல் மாதிரி, கவனம் செலுத்தும் பொறிமுறைகளால் அதிகரிக்கப்பட்டது, பூக்கும் தன்மை உட்பட வளர்ச்சி சுழற்சியில் உடலியல் ரீதியாக முக்கியமான நேரங்களுக்கும் கவனத்தை ஈர்க்கிறது.
ரிமோட் சென்சிங் மற்றும் வானிலை தரவு இந்த புதிய கட்டமைப்பில் இணைக்கப்பட்டிருந்தாலும், “ஒருங்கிணைந்த புள்ளிவிவர அம்சங்களை” பிரித்தெடுக்க மரபணு தரவு இன்னும் செயலாக்கப்படுகிறது என்று க்ராஃபோர்ட் கூறினார். Tuinstra உடன் பணிபுரியும், Crawford இன் நீண்ட கால இலக்கு, நரம்பியல் நெட்வொர்க்கில் மரபணு குறிப்பான்களை மிகவும் அர்த்தமுள்ளதாக இணைத்து, அவற்றின் தரவுத்தொகுப்பில் மிகவும் சிக்கலான பண்புகளைச் சேர்ப்பதாகும். இதை நிறைவேற்றுவது தொழிலாளர் செலவுகளைக் குறைக்கும் அதே வேளையில், விவசாயிகளுக்கு அவர்களின் பயிர்கள் மற்றும் நிலத்திற்கான சிறந்த முடிவுகளை எடுப்பதற்கான தகவலை மிகவும் திறம்பட வழங்கும்.