AI ຊ່ວຍໃນການກວດຫາພະຍາດພືດແນວໃດ?

ຖ້າເຈົ້າປູກຫຍັງເພື່ອລ້ຽງຊີບ, ເຈົ້າຮູ້ໄດ້ວ່າຮູ້ສຶກທ້ອງອືດເມື່ອມີເກັດໃບແປກໆປະກົດຂຶ້ນຫຼັງຈາກຝົນອາທິດໜຶ່ງ. ມັນເປັນຄວາມກົດດັນທາງໂພຊະນາການ, ເຊື້ອໄວຣັສ, ຫຼືພຽງແຕ່ຕາຂອງເຈົ້າເປັນຕາຕົກໃຈອີກເທື່ອຫນຶ່ງ? AI ໄດ້ຮັບຄວາມແປກປະຫລາດໃນການຕອບຄໍາຖາມນັ້ນໄວ. ແລະ kicker ແມ່ນນີ້: ດີກວ່າ, ການກວດຫາພະຍາດພືດກ່ອນຫນ້ານີ້ຫມາຍຄວາມວ່າການສູນເສຍຫນ້ອຍ, ການສີດພົ່ນທີ່ສະຫລາດກວ່າ, ແລະຄືນທີ່ສະຫງົບລົງ. ບໍ່ສົມບູນແບບ, ແຕ່ເປັນເລື່ອງແປກທີ່ໃກ້ຊິດ. 🌱✨

ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:

🔗 AI ເຮັດວຽກແນວໃດ
ເຂົ້າໃຈແນວຄວາມຄິດຫຼັກ AI, ສູດການຄິດໄລ່, ແລະການປະຕິບັດຕົວຈິງຢ່າງຈະແຈ້ງ.

🔗 ວິທີການສຶກສາ AI
ຍຸດທະສາດການປະຕິບັດແລະຊັບພະຍາກອນເພື່ອຮຽນຮູ້ AI ມີປະສິດທິພາບແລະສອດຄ່ອງ.

🔗 ວິທີການລວມ AI ເຂົ້າໃນທຸລະກິດຂອງທ່ານ
ຄໍາແນະນໍາເທື່ອລະຂັ້ນຕອນເພື່ອປະສົມປະສານເຄື່ອງມື AI ໃນທົ່ວການດໍາເນີນທຸລະກິດ.

🔗 ວິທີການເລີ່ມຕົ້ນບໍລິສັດ AI
ຂັ້ນຕອນພື້ນຖານສໍາລັບການເປີດຕົວ, ກວດສອບ, ແລະຂະຫຍາຍການເລີ່ມຕົ້ນ AI.

✅ ກວດຫາພະຍາດພືດ AI

ໃນເວລາທີ່ຄົນອື່ນໆເວົ້າວ່າ AI ກໍາລັງເຮັດໃຫ້ການກວດຫາພະຍາດພືດທີ່ດີກວ່າ, ສະບັບທີ່ເປັນປະໂຫຍດມັກຈະມີສ່ວນປະກອບເຫຼົ່ານີ້:

• ຕົ້ນ, ບໍ່ພຽງແຕ່ຖືກຕ້ອງເທົ່ານັ້ນ : ການຈັບອາການອ່ອນເພຍກ່ອນທີ່ຕາຂອງມະນຸດຫຼືການສໍາຫຼວດພື້ນຖານສັງເກດເຫັນພວກມັນ. ລະບົບ Multispectral/hyperspectral ສາມາດຮັບເອົາຄວາມກົດດັນ "ລາຍນິ້ວມື" ກ່ອນທີ່ບາດແຜຈະປາກົດ [3].

• ປະຕິບັດໄດ້ : ຂັ້ນຕອນຕໍ່ໄປທີ່ຈະແຈ້ງ, ບໍ່ແມ່ນປ້າຍທີ່ບໍ່ຊັດເຈນ. ຄິດວ່າ: scout block A, ສົ່ງຕົວຢ່າງ, ຖື off spraying ຈົນກ່ວາການຢືນຢັນ.

• ແຮງສຽດສີຕໍ່າ : ໂທລະສັບໃນກະເປົ໋າແບບງ່າຍໆ ຫຼື drone-one ຄັ້ງຕໍ່ອາທິດງ່າຍ. ແບດເຕີຣີ, ແບນວິດ, ແລະເກີບໃສ່ພື້ນດິນທັງຫມົດແມ່ນນັບ.

• ອະທິບາຍໄດ້ພຽງພໍ : ແຜນທີ່ຄວາມຮ້ອນ (ເຊັ່ນ: Grad-CAM) ຫຼືບັນທຶກແບບຈໍາລອງສັ້ນເພື່ອໃຫ້ນັກກະສິກອນສາມາດກວດສອບການໂທ [2].

• ທົນທານຕໍ່ທໍາມະຊາດ : ແນວພັນທີ່ແຕກຕ່າງກັນ, ເຮັດໃຫ້ມີແສງ, ຂີ້ຝຸ່ນ, ມຸມ, ການຕິດເຊື້ອປະສົມ. ທົ່ງນາທີ່ແທ້ຈິງແມ່ນ messy.

• ປະສົມປະສານກັບຄວາມເປັນຈິງ : ສຽບໃສ່ແອັບ scouting ຂອງທ່ານ, ຂັ້ນຕອນການເຮັດວຽກຂອງຫ້ອງທົດລອງ, ຫຼືປື້ມບັນທຶກການປູກຝັງໂດຍບໍ່ມີທໍ່ທໍ່.

ການປະສົມນັ້ນເຮັດໃຫ້ AI ມີຄວາມຮູ້ສຶກຄືກັບການຫລອກລວງຂອງຫ້ອງທົດລອງ ແລະຄືກັບຊາວກະສິກອນທີ່ເພິ່ງພາອາໄສໄດ້ຫຼາຍຂຶ້ນ. 🚜

ຄໍາຕອບສັ້ນໆ: AI ຊ່ວຍແນວໃດ, ໃນຄໍາທໍາມະດາ

AI ເລັ່ງການກວດຫາພະຍາດພືດໂດຍການປ່ຽນຮູບພາບ, ສະເປກຕຣາ, ແລະບາງຄັ້ງໂມເລກຸນໃຫ້ເປັນຄໍາຕອບທີ່ໄວ ແລະເປັນໄປໄດ້. ກ້ອງຖ່າຍຮູບໂທລະສັບ, drones, ດາວທຽມ, ແລະຊຸດພາກສະຫນາມຟີດແບບຈໍາລອງທີ່ສະແດງເຖິງຄວາມຜິດປົກກະຕິຫຼືເຊື້ອພະຍາດສະເພາະ. ການແຈ້ງເຕືອນກ່ອນຫນ້ານີ້ຊ່ວຍຫຼຸດຜ່ອນການສູນເສຍທີ່ຫຼີກລ້ຽງໄດ້ - ບູລິມະສິດສີຂຽວໃນໂຄງການປົກປ້ອງພືດແລະຄວາມປອດໄພດ້ານສະບຽງອາຫານ [1].

ຊັ້ນ: ຈາກໃບໄປສູ່ພູມສັນຖານ 🧅

ລະດັບໃບ

• ຖ່າຍຮູບ, ຮັບປ້າຍ: blight vs. rust vs. ຄວາມເສຍຫາຍ mite. CNNs ທີ່ມີນ້ໍາຫນັກເບົາແລະເຄື່ອງປ່ຽນວິໄສທັດໃນປັດຈຸບັນດໍາເນີນການຢູ່ໃນອຸປະກອນ, ແລະຜູ້ອະທິບາຍເຊັ່ນ Grad-CAM ສະແດງໃຫ້ເຫັນສິ່ງທີ່ຕົວແບບ "ເບິ່ງຢູ່", ສ້າງຄວາມໄວ້ວາງໃຈໂດຍບໍ່ມີການ vibe ກ່ອງດໍາ [2].

ຕັນ ຫຼືລະດັບພາກສະຫນາມ

• Drones ກວາດແຖວດ້ວຍກ້ອງ RGB ຫຼືຫຼາຍແວ່ນຕາ. ຕົວແບບຊອກຫາຮູບແບບຄວາມກົດດັນທີ່ເຈົ້າບໍ່ເຄີຍເຫັນຈາກພື້ນດິນ. Hyperspectral ເພີ່ມຫຼາຍຮ້ອຍແຖບແຄບ, ຈັບການປ່ຽນແປງທາງຊີວະເຄມີ ກ່ອນ ອາການທີ່ສັງເກດເຫັນ - ບັນທຶກໄດ້ດີໃນທົ່ວການປູກພືດພິເສດແລະແຖວໃນເວລາທີ່ທໍ່ໄດ້ຖືກປັບຢ່າງຖືກຕ້ອງ [3].

ກະ​ສິ​ກໍາ​ກັບ​ພາກ​ພື້ນ​

• ມຸມເບິ່ງດາວທຽມແບບຫຍາບຄາຍ ແລະເຄືອຂ່າຍທີ່ໃຫ້ຄຳປຶກສາຊ່ວຍຕິດຕາມເສັ້ນທາງ ແລະເວລາ. ດາວພາກເຫນືອຢູ່ທີ່ນີ້ແມ່ນຄືກັນ: ກ່ອນຫນ້ານີ້, ການປະຕິບັດເປົ້າຫມາຍຢູ່ໃນກອບສຸຂະພາບຂອງພືດ, ບໍ່ແມ່ນປະຕິກິລິຍາຂອງຜ້າຫົ່ມ [1].

ກ່ອງເຄື່ອງມື: ເຕັກນິກ AI ຫຼັກໃນການຍົກໜັກ 🧰

• ຕາຫນ່າງ neural convolutional & vision transformers ອ່ານຮູບຮ່າງ lesion / ສີ / ໂຄງສ້າງ; ຄູ່ກັບການອະທິບາຍ (ຕົວຢ່າງ, Grad-CAM), ພວກເຂົາເຈົ້າເຮັດໃຫ້ການຄາດຄະເນສາມາດກວດສອບໄດ້ສໍາລັບ agronomists [2].

• ການກວດຫາຄວາມຜິດກະຕິໝາຍວ່າ “ແຜ່ນທີ່ແປກປະຫຼາດ” ເຖິງແມ່ນເມື່ອປ້າຍກຳກັບພະຍາດອັນດຽວບໍ່ແນ່ນອນສຳລັບການຈັດລຳດັບຄວາມສຳຄັນຂອງການຕິດຕາມ.

• ການຮຽນຮູ້ແບບສະເປກ ໃນຂໍ້ມູນຫຼາຍສະເປກຕຣາ / ຈໍພາບສູງຈະກວດພົບລາຍນິ້ວມືຂອງຄວາມກົດດັນທາງເຄມີທີ່ນຳໜ້າອາການທີ່ເຫັນໄດ້ [3].

• Molecular AI pipelining : ການວິເຄາະພາກສະໜາມເຊັ່ນ LAMP ຫຼື CRISPR ຜະລິດການອ່ານງ່າຍໆໃນນາທີ; ແອັບຈະແນະນຳຂັ້ນຕອນຕໍ່ໄປ, ຮວມເອົາຄວາມສະເພາະຂອງຫ້ອງທົດລອງປຽກເຂົ້າກັບຄວາມໄວຂອງຊອບແວ [4][5].

ການກວດສອບຄວາມເປັນຈິງ: ແບບຈໍາລອງແມ່ນສະຫລາດ, ແຕ່ສາມາດເຮັດຜິດຢ່າງຫມັ້ນໃຈຖ້າທ່ານປ່ຽນແນວພັນ, ແສງສະຫວ່າງ, ຫຼືຂັ້ນຕອນ. Retraining ແລະ calibration ທ້ອງຖິ່ນແມ່ນບໍ່ດີທີ່ຈະມີ; ພວກມັນເປັນອົກຊີ [2][3].

ຕາຕະລາງປຽບທຽບ: ທາງເລືອກພາກປະຕິບັດໃນການກວດຫາພະຍາດພືດ 📋

ຕາຕະລາງ messy ເລັກນ້ອຍກ່ຽວກັບຈຸດປະສົງ, ເນື່ອງຈາກວ່າການຈັດຊື້ທີ່ແທ້ຈິງແມ່ນ messy ເກີນໄປ.

Deep Dive 1: ໂທລະສັບໃນກະເປົ໋າ, agronomy ໃນວິນາທີ 📱

• ມັນເຮັດແນວໃດ : ເຈົ້າກອບເປັນໃບ; ຮູບແບບດັ່ງກ່າວຊີ້ໃຫ້ເຫັນເຖິງພະຍາດທີ່ເປັນໄປໄດ້ແລະຂັ້ນຕອນຕໍ່ໄປ. ປະຈຸບັນແບບຈຳລອງທີ່ມີນ້ຳໜັກເບົາເປັນປະລິມານເຮັດໃຫ້ການນຳໃຊ້ອອບໄລນ໌ເປັນໄປໄດ້ໃນຊົນນະບົດ [2].

• ຈຸດແຂງ : ສະດວກບ້າບ້າ, ບໍ່ມີຮາດແວພິເສດ, ເປັນປະໂຫຍດສໍາລັບການຝຶກອົບຮົມນັກສືບ ແລະຜູ້ປູກ.

• Gotchas : ປະສິດທິພາບສາມາດຫຼຸດລົງໃນອາການອ່ອນໆຫຼືຕົ້ນ, cultivars ຜິດປົກກະຕິ, ຫຼືການຕິດເຊື້ອປະສົມ. ປະຕິບັດມັນເປັນການໄຕ່ສວນ, ບໍ່ແມ່ນຄໍາຕັດສິນ - ໃຊ້ມັນເພື່ອຊີ້ນໍາການສໍາຫຼວດແລະການເກັບຕົວຢ່າງ [2].

Field vignette (ຕົວຢ່າງ): ທ່ານ snap ສາມໃບໃນ Block A. ແອັບຯທຸງ "ຄວາມເປັນໄປໄດ້ຂອງສອກສູງ" ແລະເນັ້ນໃສ່ກຸ່ມ pustule. ເຈົ້າເຮັດເຄື່ອງຫມາຍໃສ່ເຂັມ, ຍ່າງແຖວ, ແລະຕັດສິນໃຈທີ່ຈະດຶງການທົດສອບໂມເລກຸນກ່ອນທີ່ຈະປະຕິບັດການສີດພົ່ນ. ສິບນາທີຕໍ່ມາ, ທ່ານມີຄໍາຕອບແມ່ນ / ບໍ່ແມ່ນ ແລະແຜນການ.

Deep Dive 2: drones ແລະ hyperspectral ທີ່ເຫັນກ່ອນທີ່ທ່ານຈະເຮັດ🛰️🛩️

• ມັນເຮັດຫຍັງ : ຖ້ຽວບິນລາຍອາທິດ ຫຼືຕາມຄວາມຕ້ອງການຈະບັນທຶກຮູບພາບທີ່ອຸດົມສົມບູນ. ໂມເດວໝາຍວ່າເສັ້ນໂຄ້ງສະທ້ອນທີ່ຜິດປົກກະຕິທີ່ສອດຄ່ອງກັບເຊື້ອພະຍາດ ຫຼືການເກີດຄວາມກົດດັນຂອງສານຊີວະພາບ.

• ຈຸດ​ແຂງ ​: ແຈ້ງ​ການ​ຕົ້ນ​, ການ​ຄຸ້ມ​ຄອງ​ທີ່​ກວ້າງ​ຂວາງ​, ທ່າ​ອ່ຽງ​ຈຸດ​ປະ​ສົງ​ໃນ​ໄລ​ຍະ​.

• Gotchas : ແຜງການປັບທຽບ, ມຸມແສງຕາເວັນ, ຂະຫນາດໄຟລ໌, ແລະຕົວແບບ drift ເມື່ອແນວພັນຫຼືການຈັດການມີການປ່ຽນແປງ.

• ຫຼັກຖານ : ການກວດສອບລະບົບລາຍງານປະສິດທິພາບການຈັດປະເພດທີ່ເຂັ້ມແຂງໃນທົ່ວການປູກພືດເມື່ອການປຸງແຕ່ງກ່ອນ, ການປັບທຽບ, ແລະການກວດສອບຖືກຕ້ອງ [3].

Deep Dive 3: ການຢືນຢັນໂມເລກຸນໃນພາກສະຫນາມ 🧪

ບາງຄັ້ງທ່ານຕ້ອງການແມ່ນ/ບໍ່ສໍາລັບເຊື້ອພະຍາດສະເພາະ. ນັ້ນແມ່ນບ່ອນທີ່ຊຸດໂມເລກຸນຈັບຄູ່ກັບແອັບຯ AI ເພື່ອສະຫນັບສະຫນູນການຕັດສິນໃຈ.

• LAMP : ໄວ, ການຂະຫຍາຍ isothermal ດ້ວຍການອ່ານ colorimetric / fluorescent; ປະຕິບັດໄດ້ສໍາລັບການກວດສອບຢູ່ບ່ອນຢູ່ໃນການເຝົ້າລະວັງສຸຂະພາບພືດ ແລະສະພາບການສຸຂານາໄມພືດ [4].

• ການວິນິດໄສ CRISPR : ການກວດຫາໂຄງການໂດຍໃຊ້ enzymes Cas ຊ່ວຍໃຫ້ມີຄວາມລະອຽດອ່ອນຫຼາຍ, ການທົດສອບສະເພາະດ້ວຍການໄຫຼອອກທາງຂ້າງແບບງ່າຍດາຍ ຫຼື fluorescence ເຄື່ອນຍ້າຍຈາກຫ້ອງທົດລອງໄປສູ່ຊຸດພາກສະຫນາມໃນກະສິກໍາ [5].

ການຈັບຄູ່ສິ່ງເຫຼົ່ານີ້ກັບແອັບຯປິດວົງ: ສົງໃສວ່າຖືກທຸງໂດຍຮູບພາບ, ຢືນຢັນໂດຍການທົດສອບໄວ, ການຕັດສິນໃຈດໍາເນີນການໂດຍບໍ່ມີການຂັບລົດຍາວ.

ຂັ້ນຕອນການເຮັດວຽກ AI: ຈາກ pixels ໄປຫາແຜນການ

1. ເກັບ​ກໍາ ​: ຮູບ​ພາບ​ໃບ​, ບິນ drone​, ຜ່ານ​ດາວ​ທຽມ​.

2. Preprocess : ການ​ແກ້​ໄຂ​ສີ​, georeferencing​, ການ​ຕັ້ງ​ຄ່າ spectral [3​]​.

3. Infer : ແບບຈໍາລອງຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງພະຍາດຫຼືຄະແນນຜິດປົກກະຕິ [2][3].

4. ອະທິບາຍ : ແຜນທີ່ຄວາມຮ້ອນ/ລັກສະນະຄວາມສໍາຄັນເພື່ອໃຫ້ມະນຸດສາມາດກວດສອບໄດ້ (ເຊັ່ນ: Grad-CAM) [2].

5. ຕັດສິນໃຈ : ກະຕຸ້ນການຊອກຄົ້ນຫາ, ດໍາເນີນການທົດສອບ LAMP/CRISPR, ຫຼືກໍານົດເວລາສີດ [4][5].

6. ປິດວົງການ : ບັນທຶກຜົນໄດ້ຮັບ, ຝຶກຝົນຄືນໃຫມ່, ແລະກໍານົດຂອບເຂດສໍາລັບແນວພັນແລະລະດູການຂອງທ່ານ [2][3].

ດ້ວຍຄວາມຊື່ສັດ, ຂັ້ນຕອນທີ 6 ແມ່ນບ່ອນທີ່ຜົນກໍາໄລປະສົມຢູ່. ທຸກໆຜົນໄດ້ຮັບທີ່ກວດສອບແລ້ວເຮັດໃຫ້ການເຕືອນຕໍ່ໄປສະຫລາດກວ່າ.

ເປັນຫຍັງມັນຈຶ່ງສຳຄັນ: ຜົນຜະລິດ, ວັດສະດຸປ້ອນ, ແລະ ຄວາມສ່ຽງ📈

ກ່ອນຫນ້ານີ້, ການກວດຫາທີ່ຊັດເຈນກວ່າຈະຊ່ວຍປົກປ້ອງຜົນຜະລິດໃນຂະນະທີ່ການຕັດເປົ້າຫມາຍຂອງສິ່ງເສດເຫຼືອສໍາລັບການຜະລິດພືດແລະຄວາມພະຍາຍາມປົກປ້ອງໃນທົ່ວໂລກ [1]. ເຖິງແມ່ນວ່າການໂກນຫນວດຂອງການສູນເສຍທີ່ຫຼີກລ່ຽງໄດ້ດ້ວຍເປົ້າຫມາຍ, ການກະທໍາທີ່ມີຂໍ້ມູນແມ່ນເປັນເລື່ອງໃຫຍ່ສໍາລັບຄວາມຫມັ້ນຄົງດ້ານສະບຽງອາຫານແລະຂອບກະສິກໍາ.

ໂຫມດຄວາມລົ້ມເຫລວທົ່ວໄປ, ດັ່ງນັ້ນທ່ານຈະບໍ່ແປກໃຈ🙃

• Domain shift : cultivar ໃຫມ່, ກ້ອງຖ່າຍຮູບໃຫມ່, ຫຼືຂັ້ນຕອນການຂະຫຍາຍຕົວທີ່ແຕກຕ່າງກັນ; ຄວາມໝັ້ນໃຈແບບຈໍາລອງສາມາດເຂົ້າໃຈຜິດໄດ້ [2].

• ລັກສະນະຄ້າຍຄື : ການຂາດສານອາຫານທຽບກັບເຊື້ອລາ - ການອະທິບາຍການນໍາໃຊ້ + ຄວາມຈິງພື້ນຖານເພື່ອຫຼີກເວັ້ນການເຮັດໃຫ້ຕາຂອງເຈົ້າເກີນໄປ [2].

• ອາການບໍ່ຮຸນແຮງ/ປະສົມ : ສັນຍານເບື້ອງຕົ້ນອ່ອນໆມີສຽງດັງ; ຈັບຄູ່ຕົວແບບຮູບພາບທີ່ມີການກວດຫາຄວາມຜິດປົກກະຕິ ແລະການກວດຢືນຢັນ [2][4][5].

• ການລອຍຂໍ້ມູນ : ຫຼັງຈາກສີດພົ່ນ ຫຼືຄື້ນຄວາມຮ້ອນ, ການປ່ຽນແປງການສະທ້ອນຍ້ອນເຫດຜົນທີ່ບໍ່ກ່ຽວຂ້ອງກັບພະຍາດ; recalibrate ກ່ອນທີ່ທ່ານຈະ panic [3].

• ຊ່ອງຫວ່າງການຢືນຢັນ : ບໍ່ມີເສັ້ນທາງທີ່ໄວໄປຫາການຕັດສິນໃຈໃນການທົດສອບພາກສະຫນາມ - ນີ້ແມ່ນບ່ອນທີ່ LAMP / CRISPR slot ໃນ [4][5].

ປື້ມຄູ່ມືການຈັດຕັ້ງປະຕິບັດ: ໄດ້ຮັບມູນຄ່າໄວ 🗺️

• ເລີ່ມຕົ້ນງ່າຍໆ : ການຕິດຕາມທາງໂທລະສັບສຳລັບໜຶ່ງ ຫຼືສອງພະຍາດບຸລິມະສິດ; ເປີດໃຊ້ການວາງຊ້ອນການອະທິບາຍ [2].

• ການບິນມີຈຸດປະສົງ : ເປັນ drone ແລ່ນສອງອາທິດໃນທ່ອນໄມ້ທີ່ມີຄຸນຄ່າສູງ beats ການບິນ hero ເປັນບາງຄັ້ງຄາວ; ຮັກສາການປັບຕົວແບບປົກກະຕິຂອງເຈົ້າໃຫ້ແໜ້ນ [3].

• ເພີ່ມການທົດສອບການຢືນຢັນ : ເກັບຮັກສາຊຸດ LAMP ສອງສາມອັນຫຼືຈັດແຈງການເຂົ້າເຖິງຢ່າງໄວວາກັບການວິເຄາະໂດຍອີງໃສ່ CRISPR ສໍາລັບການໂທທີ່ມີສະເຕກສູງ [4][5].

• ປະ​ສົມ​ປະ​ສານ​ກັບ​ປະ​ຕິ​ທິນ agronomy ຂອງ​ທ່ານ ​: ປ່ອງ​ຢ້ຽມ​ຄວາມ​ສ່ຽງ​ຂອງ​ພະ​ຍາດ​, ຊົນ​ລະ​ປະ​ທານ​, ແລະ​ຈໍາ​ກັດ​ການ​ສີດ​ພົ່ນ​.

• ການວັດແທກຜົນໄດ້ຮັບ : ການສີດຜ້າຫົ່ມຫນ້ອຍລົງ, ການແຊກແຊງໄວ, ອັດຕາການສູນເສຍຕ່ໍາ, ຜູ້ກວດສອບທີ່ມີຄວາມສຸກ.

• ແຜນ​ການ​ສໍາ​ລັບ​ການ retraining ​: ລະ​ດູ​ການ​ໃຫມ່​, retraining​. ແນວພັນໃຫມ່, ການຝຶກອົບຮົມ. ມັນເປັນເລື່ອງປົກກະຕິ - ແລະມັນຈ່າຍ [2][3].

ຄຳສັບສັ້ນໆກ່ຽວກັບຄວາມເຊື່ອຖື, ຄວາມໂປ່ງໃສ ແລະຂໍ້ຈຳກັດ 🔍

• ຄໍາອະທິບາຍ ຊ່ວຍໃຫ້ agronomists ຍອມຮັບຫຼືທ້າທາຍການຄາດຄະເນ, ທີ່ມີສຸຂະພາບດີ; ການປະເມີນຜົນທີ່ທັນສະໄຫມເບິ່ງເກີນກວ່າຄວາມຖືກຕ້ອງທີ່ຈະຖາມ ວ່າລັກສະນະໃດທີ່ຕົວແບບອີງໃສ່ [2].

• Stewardship : ເປົ້າຫມາຍແມ່ນຄໍາຮ້ອງສະຫມັກທີ່ບໍ່ຈໍາເປັນຫນ້ອຍ, ບໍ່ແມ່ນຫຼາຍ.

• ຈັນຍາບັນຂອງຂໍ້ມູນ : ຮູບພາບພາກສະຫນາມແລະແຜນທີ່ຜົນຜະລິດແມ່ນມີຄຸນຄ່າ. ຕົກລົງກ່ຽວກັບການເປັນເຈົ້າຂອງແລະນໍາໃຊ້ຕໍ່ຫນ້າ.

• ຄວາມເປັນຈິງທີ່ເຢັນ : ບາງຄັ້ງການຕັດສິນໃຈທີ່ດີທີ່ສຸດແມ່ນ scout ຫຼາຍ, ບໍ່ແມ່ນການສີດຫຼາຍ.

ຂໍ້ສັງເກດສຸດທ້າຍ: ດົນເກີນໄປ, ຂ້ອຍບໍ່ໄດ້ອ່ານມັນ ✂️

AI ບໍ່ໄດ້ທົດແທນການປູກຝັງ. ມັນຍົກລະດັບມັນ. ສໍາລັບການກວດຫາພະຍາດພືດ, ຮູບແບບທີ່ຊະນະແມ່ນງ່າຍດາຍ: ການທົດລອງໂທລະສັບໄວ, drone ເປັນໄລຍະຜ່ານທາງຕັນທີ່ລະອຽດອ່ອນ, ແລະການທົດສອບໂມເລກຸນໃນເວລາທີ່ການໂທກໍ່ສໍາຄັນ. ຜູກມັດນັ້ນໃສ່ປະຕິທິນປູກຝັງຂອງເຈົ້າ, ແລະເຈົ້າມີລະບົບທີ່ອ່ອນນຸ້ມ, ທົນທານຕໍ່ບັນຫາກ່ອນທີ່ມັນຈະອອກດອກ. ເຈົ້າຍັງຈະກວດເບິ່ງສອງຄັ້ງ, ແລະບາງຄັ້ງຄາວຈະກັບຄືນ, ແລະນັ້ນກໍ່ດີ. ພືດແມ່ນສິ່ງມີຊີວິດ. ພວກເຮົາຄືກັນ. 🌿🙂

ເອກະສານອ້າງອີງ

1. FAO – ການ​ຜະ​ລິດ​ແລະ​ການ​ປົກ​ປັກ​ຮັກ​ສາ​ພືດ (ພາບ​ລວມ​ຂອງ​ບູ​ລິ​ມະ​ສິດ​ສຸ​ຂະ​ພາບ​ພືດ​ແລະ​ໂຄງ​ການ​)​. ເຊື່ອມຕໍ່

2. Kondaveeti, HK, et al. “ການປະເມີນແບບຈຳລອງການຮຽນຮູ້ແບບເລິກເຊິ່ງໂດຍໃຊ້ AI ທີ່ສາມາດອະທິບາຍໄດ້ …” ບົດລາຍງານວິທະຍາສາດ (ທຳມະຊາດ), 2025. Link

3. Ram, BG, et al. "ການທົບທວນລະບົບຂອງຮູບພາບ hyperspectral ໃນການກະສິກໍາຄວາມແມ່ນຍໍາ." ຄອມພິວເຕີ ແລະເອເລັກໂທຣນິກໃນການກະເສດ , 2024. Link

4. Aglietti, C., et al. "ປະຕິກິລິຍາຂອງໂຄມໄຟໃນການເຝົ້າລະວັງພະຍາດພືດ." ຊີວິດ (MDPI), 2024. ການເຊື່ອມຕໍ່

5. Tanny, T., et al. "ການວິນິດໄສຕາມ CRISPR/Cas-Based ໃນຄໍາຮ້ອງສະຫມັກກະສິກໍາ." ວາລະສານຂອງເຄມີສາດກະສິກໍາ ແລະອາຫານ (ACS), 2023. Link