ד"ר נמרוד טלמון
מרצה בכיר וחוקר במחלקה להנדסת תעשייה וניהול באוניברסיטת בן גוריון. הוא קיבל את הדוקטורט שלו מהאוניברסיטה הטכנית של ברלין ולפני שהצטרף לאוניברסיטת בן גוריון היה עמית מחקר במדעי המחשב במחלקה למתמטיקה במכון ויצמן למדע. במחקר שלו, נמרוד חוקר אלגוריתמים יעילים להחלטות משותפות וחלוקה הוגנת של משאבים באמצעות כלים מאופטימיזציה מתמטית ובינה מלאכותית. לנמרוד מספר ארדוש 3, מספר סבת׳ 7, ומספר בייקון 6.
איל ברימן
מסטרנט במחלקה להנדסת תעשייה וניהול באוניברסיטת בן גוריון. במחקר שלו, איל חוקר אלגוריתמים ומודלים לשיתופי פעולה דמוקרטיים. מספר ארדוש 4, מספר סבת' 3, מספר בייקון 3.
בינה מלאכותית, או AI, היא תחום במדעי המחשב שמטרתו ליצור מכונות אינטליגנטיות המסוגלות לבצע משימות הדורשות יכולות קוגניטיביות גבוהות, לעתים דמויות אדם. מערכות אלו משתמשות בניתוח נתונים ובאלגוריתמים שונים כדי ללמוד, לפתור בעיות ולקבל החלטות, עם פוטנציאל להסתגל ולהשתפר לאורך זמן. יישומי הבינה המלאכותית מגוונים, ומשתרעים על תעשיות כמו בריאות, פיננסים, תחבורה ועוד. אכן, הנוכחות של בינה מלאכותית בחיינו הולכת ועולה והשפעתה מורגשת בתחומים רבים. בפרט, במהלך העשורים האחרונים, ההתקדמות בתחום הבינה המלאכותית חוללה מהפכה בתעשיות שונות, ויכולות חדשות נמצאות בחיינו כגון רכבים אוטונומיים, עוזרים וירטואליים ומחוללי טקסטים ותמונות.
בשנים האחרונות, השילוב של בינה מלאכותית בחקלאות עבר כברת דרך, והפך את שיטות החקלאות המסורתיות ליעילות, מדויקות וברות קיימא יותר. השילוב של טכנולוגיות שונות כמו חיישנים מתקדמים, האינטרנט של הדברים (IoT), עיבוד תמונה, מל"טים ורובוטיקה ממלאים תפקיד מכריע במהפכה בחקלאות החכמה הן בהיבטי התכנון (תוכניות שתילה, פריסת מערכות השקיה, תוכנית קצירה) , והן בהיבטי הביצוע עצמו (קטיף/קצירה, השקיה דישון וכו). במאמר זה נדגים מספר שימושים בולטים של בינה מלאכותית בחקלאות, בפרט: חיישנים, IOT, עיבוד תמונה ושימוש ברובוטיקה ובמל"טים, וננסה להסביר בקצרה על דרך הפעולה של האלגוריתמים השונים שמאפשרים את היכולות החישוביות האלו.
שימוש וניתוח מידע מחיישנים מתקדמים
חיישנים מתקדמים נפרשים על פני שדות חקלאיים כדי לאסוף נתונים בזמן אמת על גורמים סביבתיים שונים. חיישנים אלו יכולים למדוד את רמות הלחות בקרקע, טמפרטורה, לחות באוויר, תכולת חומרי הזנה ופרמטרים רלוונטיים אחרים. על ידי ניטור רציף של התנאים, החקלאים יכולים לקבל החלטות מושכלות לגבי הזמן האופטימלי לקטיף/קציר, לגבי הזמן והכמות המתאימה להשקייה ודישון ועוד החלטות חשובות רבות.
איך זה עובד? באופן עקרוני, האלגוריתמים המפותחים מקבלים כקלט רציף כל הזמן את הנתונים מהחיישנים. באמצעות ניתוח סטטיסטי של נתוני עבר והתאמתן לתוצר הסופי האלגוריתמים מסוגלים לשערך את התוצר הסופי שייצא בהתאם לתנאים הנוכחיים. כך, אלגוריתמים אחרים יכולים להציע שיפורים ושינויים בניהול החקלאי בכדי להביא למקסימום את התוצרת ולשפר את התנאים החקלאיים.
קישוריות חישובית והאינטרנט של הדברים (Internet of Things)
הרעיון המרכזי כאן הוא לאפשר ולהשתמש בתקשורת בין הרבה מכשירים במערכות חקלאיות שונות ומורכבות. בפרט, נפרשות רשתות תקשורת שבהן רכיבים חקלאיים שונים, כגון חיישנים, רחפנים ומכונות חקלאיות, מקושרים כל הזמן. רשתות אלו מאפשרות לרכיבים האלו לשתף מידע זה עם זה באופן רציף וגם עם החקלאים, מרחוק. פלטפורמות חישוביות מפותחות על גבי רשתות אלו ומאפשרות לנתח את הנתונים שנאספים ממקורות שונים, ולספק תובנות חשובות לחקלאות מדויקת אשר יסייעו בקבלת החלטות.
עיבוד תמונה וראייה ממוחשבת
טכנולוגיות של עיבוד תמונה, כגון אלגוריתמים של ראייה ממוחשבת ולמידת מכונה, משמשות כדי לזהות ולהעריך את בריאות היבול, בשלות היבול ומוכנותו לקציר/קטיף. אופן הפעולה מתבסס על התהליך הבא:
- מצלמות המותקנות על טרקטורים, מל"טים או אפילו לוויינים מצלמות תמונות וסרטונים של השדות ושל היבולים החקלאיים.
- לאחר מכן, התמונות והסרטונים הללו מנותחים כדי לזהות חריגות, מחלות או נגיעות מזיקים. ניתוחים אלו עוזרים לחקלאים למקד אזורים ספציפיים לטיפול ולייעל את אסטרטגיית הקטיף שלהם. טכניקות אלו חשובות גם כדי להעריך תכונות ואיכויות של אזור הגידול ובכך לתת תחזיות טובות יותר אודות טיב הגידולים
מבחינה אלגוריתמית, יכולות אלו מתבססים עקרונית גם על ניתוחים סטטיסטיים של דאטה מהעבר: בפשטות, בכדי לאמן אלגוריתם שיוכל לזהות מחלה בצמח מסוים מספיק להראות לאלגוריתם הרבה תמונות של צמחים הנגועים במחלה ולרשום לאלגוריתמים שתמונות אלו מתאימות לצמחים נגועים, ובו בזמן להראות לאלגוריתם הרבה תמונות של צמחים לא נגועים ולרשום לאלגוריתמים שתמונות אלו מתאימות לצמחים לא נגועים. האלגוריתם מסוגל לבצע ניתוחים סטטיסטיים על מנת להיות מסוגל למצוא פרטים סטטיסטיים שונים שחשובים עבור ההחלטה האם תמונה מסויימת מתאימה לצמח נגוע במחלה או לצמח לא נגוע במחלה.
מטוסים ללא טייס (מל"טים)
מל"טים הם כלים רבי עוצמה בחקלאות המודרנית. מצוידים במצלמות וחיישנים ברזולוציה גבוהה, רחפנים יכולים לבצע סקירה אווירית של שדות עצומים תוך פרק זמן קצר. הם מספקים נתונים חשובים על בריאות וצרכי היבול, (עקה, יובש, מחלות וטפילים) דפוסי צמיחה ורמות בגרות. בנוסף, מל"טים יכולים לשמש גם לריסוס חומרי הדברה או דשנים בצורה מדויקת, להפחית פסולת ולמזער את ההשפעה הסביבתית.
רובוטיקה
רובוטיקה חוללה שינוי בענף הקטיף. מכונות קטיף אוטומטיות, כמו רובוטים לקטיף פירות, יכולות לאסוף ביעילות תוצרת בשלה מבלי לפגוע בצמחים. רובוטים אלה משתמשים בראייה ממוחשבת ובזרועות רובוטיות עם אחיזות עדינות כדי לזהות ולקטוף בעדינות את הפירות או הירקות בשלב הנכון של הבשלה, לשפר את התשואה הכוללת ולהפחית את עלויות העבודה. רובוטיקה גם חוללה מהפכה בתהליך שתילת הגידולים, תוך שיפור היעילות והדיוק. מכונות שתילה אוטומטיות, המכונה לרוב רובוטים לשתילת זרעים, פותחו כדי לייעל את תהליך השתילה.
רובוטים אלו מצוידים בטכנולוגיית ראייה ממוחשבת מתקדמת, המאפשרת להם להעריך את איכות הקרקע ולזהות נקודות אופטימליות לשתילת זרעים. באמצעות מידע זה, רובוטים אלו יכולים לקבוע את העומק והמרווח הנכונים עבור כל זרע, תוך הבטחת תנאי צמיחה אופטימליים לגידולים. רמת דיוק זו בשתילה מביאה לניצול טוב יותר של המשאבים ולשיפור איכות היבול. רובוטים לשתילת זרעים אינם מוגבלים לשדות חקלאיים מסורתיים. הם משמשים גם בחקלאות אנכית ובחקלאות בסביבה מבוקרת, שם הם יכולים לשתול זרעים ביעילות במגשים מוערמים או במערכות הידרופוניות. יתר על כן, רובוטים אלה עובדים לעתים קרובות בשיתוף פעולה, ונעים בדפוסים מסונכרנים כדי לכסות שטחים גדולים במהירות. על ידי הפחתת ההסתמכות על עבודת כפיים, חקלאים יכולים לחסוך זמן וכסף תוך שמירה על דיוק שתילה גבוה. בענף המים זה שנים רבות שיש פיתוחים בלתי פוסקים אשר גם מהווים.
למידה מונחית של תמונות בחקלאות
למידה מונחת היא ענף בלמידת מכונה אשר נועד לזהות דפוסים ולבצע תחזיות על סמך נתוני אימון מקוטלגים. המודל (המכונה/מחשב) מאומן עם צמדי קלט-פלט, כאשר הקלט מייצג את התכונות לפי-הן נרצה לבצע קלסיפיקציה, והפלט הוא היעד או התווית המתאימים שאנו רוצים שהמודל יחזה. המטרה של למידה מפוקחת היא לפתח פונקציית מיפוי שיכולה לחזות את הפלט עבור נתונים חדשים שעבורם איננו יודעים את התווית המתאימה, על סמך נתוני האימון מהעבר. שימוש מרכזי של למידה מונחת הוא בשילוב של בינה מלאכותית בחקלאות.
באמצעות מערכי נתונים עצומים (Big Data) של תמונות מתויגות, טכניקה זו מאפשרת פיתוח של מודלים מתוחכמים המסוגלים לזהות ולסווג במדויק אלמנטים חקלאיים שונים, כגון: יבולים, מזיקים, מחלות ותנאי קרקע. באמצעות פריסת רחפנים, לוויינים וחיישנים מבוססי קרקע, תמונות ברזולוציה גבוהה מוכנסות למודל הלמידה המונחה ובכך מאפשרות למידה טובה ומדויקת יותר. מודלים אלו מספקים המלצות המבוססות על תחזיות מדויקות המסיעות לחקלאים באופטימיזציה של תפוקת היבול, זיהוי סימנים מוקדמים של מחלות צמחים וניהול יעיל של משאבים כמו מים ודשנים. טכנולוגיה זו לא רק מגבירה את הפריון החקלאי, אלא גם מקדמת שיטות ברות קיימא על ידי צמצום השימוש בכימיקלים ומשאבים, ובסופו של דבר סוללת את הדרך לעתיד בריא ובטוח יותר.
References:
Sharma, Robin. "Artificial intelligence in agriculture: a review." 2021 5th International Conference on Intelligent Computing and Control Systems (ICICCS). IEEE, 2021.
Javaid, Mohd, et al. "Understanding the potential applications of Artificial Intelligence in Agriculture Sector." Advanced Agrochem 2.1 (2023): 15-30.
Veroustraete, Frank. "The rise of the drones in agriculture." EC agriculture 2.2 (2015): 325-327.
Vibhute, Anup, and Shrikant K. Bodhe. "Applications of image processing in agriculture: a survey." International Journal of Computer Applications 52.2 (2012): 34-40.
Kumar, Y. Jeevan Nagendra, et al. "Supervised machine learning approach for crop yield prediction in agriculture sector." 2020 5th International Conference on Communication and Electronics Systems (ICCES). IEEE, 2020.
Ullo, Silvia Liberata, and Ganesh Ram Sinha. "Advances in IoT and smart sensors for remote sensing and agriculture applications." Remote Sensing 13.13 (2021): 2585.
Billingsley, John, Arto Visala, and Mark Dunn. "Robotics in agriculture and forestry." (2008): 1065-1077.
Lytridis, Chris, et al. "An overview of cooperative robotics in agriculture." Agronomy 11.9 (2021): 1818.
Dharmaraj, V., and C. Vijayanand. "Artificial intelligence (AI) in agriculture." International Journal of Current Microbiology and Applied Sciences 7.12 (2018): 2122-2128.
Bannerjee, Gouravmoy, et al. "Artificial intelligence in agriculture: A literature survey." International Journal of Scientific Research in Computer Science Applications and Management Studies 7.3 (2018): 1-6.