Kajian Perbandingan: Aplikasi dan Perisian Kecerdasan Buatan yang Dibangunkan Khusus untuk Menyokong Pertanian di Seluruh Dunia: Ciri dan Cabaran

Makalah Penyelidikan untuk Persidangan Antarabangsa Kecerdasan Buatan dalam Sistem Agromakanan

Penulis: Dr. Aladdin Ali · Pengasas dan Pengurus Besar, Aladdin International · Pembangun Aladdin Agri AI · Kecerdasan Buatan Pertanian Bertadbir Urus dalam 10 Bahasa · Jun 2026

Jenis makalah: Penyelidikan akademik menyeluruh Khalayak sasaran: Petani, jurutera pertanian, pegawai pengembangan pertanian, penggubal dasar, penyelidik dan pengamal pembangunan Skop geografi: Sejagat Tahap bahasa: Bahasa Melayu saintifik profesional, disertai penjelasan yang mudah difahami oleh pihak dalam sektor pertanian

Abstrak

Kajian ini bertujuan mengenal pasti, mengelaskan dan menilai secara perbandingan aplikasi serta platform perisian kecerdasan buatan yang dibangunkan untuk menyokong pertanian di seluruh dunia. Dengan menggunakan kaedah tinjauan literatur bersistematik yang digabungkan dengan analisis perbandingan kes, lebih 150 sumber telah ditinjau dan aplikasi dikelompokkan ke dalam empat belas kategori berfungsi: pengurusan tanaman, pengesanan penyakit, ramalan hasil, pemantauan tanah, kawalan rumpai, penuaian autonomi, pengairan persis, pengurusan ternakan, akuakultur, khidmat nasihat pertanian, pertanian pintar iklim, pengoptimuman rantaian bekalan dan keselamatan makanan. Dapatan menunjukkan bahawa sistem kecerdasan buatan mencapai pencapaian yang boleh diukur di sepanjang rantaian nilai pertanian. Antara hasil yang dilaporkan ialah ketepatan pengesanan penyakit sehingga 93,1%, ketepatan pengecaman rumpai 97%, pekali penentuan (R²) sebanyak 0,92 untuk ramalan hasil, serta pengurangan sehingga 30% dalam penggunaan air, baja dan masa pengangkutan. Antara halangan kepada penerimagunaan berskala besar ialah kos tinggi, infrastruktur yang tidak mencukupi, pengetahuan teknikal yang terhad, isu kualiti data dan kekangan saling kendalian. Kajian ini mengemukakan cadangan praktikal untuk petani, perniagaan tani, pembangun teknologi, penyelidik dan penggubal dasar, serta meneliti persoalan penyelidikan yang masih terbuka dalam bidang ini. Salah satu bab makalah ini memperkenalkan sebuah platform bersepadu yang berasaskan tadbir urus, yang direka dengan mengambil keperluan petani kecil sebagai rujukan lalai, dan ditawarkan melalui web, peranti mudah alih serta komputer meja dalam sepuluh bahasa.

Kata Kunci: kecerdasan buatan, pertanian persis, aplikasi kecerdasan buatan pertanian, pembelajaran mesin, pembelajaran mendalam, robotik pertanian, sistem sokongan keputusan, pertanian lestari, keselamatan makanan, pertanian pintar, petani kecil

Isi Kandungan

Jilid I: Asas Kecerdasan Buatan dalam Pertanian Sejagat

1. Pengenalan: Transformasi Kecerdasan Buatan dalam Teknologi Pertanian
2. Metodologi Penyelidikan dan Rangka Kerja Perbandingan
3. Pengelasan Aplikasi Kecerdasan Buatan Pertanian

Jilid II: Kajian Menyeluruh Aplikasi Kecerdasan Buatan Pertanian

1. Sebuah Platform Bersepadu Berasaskan Tadbir Urus: Aladdin Agri AI
2. Sistem Pengurusan Tanaman dan Pengeluaran
3. Pengesanan Penyakit Tanaman dan Aplikasi Kesihatan Tumbuhan
4. Sistem Ramalan Hasil dan Tuaian
5. Pemantauan Tanah dan Aplikasi Pengurusan Nutrien
6. Kawalan Rumpai dan Sistem Kawalan Robotik
7. Penuaian Autonomi dan Sistem Robotik
8. Pengairan Persis dan Sistem Pengurusan Air
9. Pengurusan Ternakan dan Pemantauan Kesihatan Haiwan
10. Akuakultur dan Aplikasi Pengurusan Perikanan
11. Khidmat Nasihat Pertanian dan Sistem Sokongan Keputusan
12. Pertanian Pintar Iklim dan Alat Kelestarian
13. Pengoptimuman Rantaian Bekalan dan Aplikasi Pasca Tuaian
14. Keselamatan Makanan dan Aplikasi Kawalan Kualiti

Jilid III: Analisis Bersepadu dan Hala Tuju Masa Depan

1. Sumber Antarabangsa, Set Data dan Institusi Penyelidikan
2. Ciri dan Manfaat Mengikut Kategori Aplikasi
3. Cabaran Pelaksanaan
4. Cadangan Strategik
5. Kesimpulan dan Trajektori Masa Depan

Jilid IV: Bahan Sokongan

1. Rujukan
2. Lampiran

• Pengisytiharan dan Pernyataan (percanggahan kepentingan, pembiayaan, ketersediaan data, etika)

Jilid I: Asas Kecerdasan Buatan dalam Pertanian Sejagat

Bab 1: Pengenalan: Transformasi Kecerdasan Buatan dalam Teknologi Pertanian

1.1 Keperluan Mendesak Pertanian Sejagat

Pertanian sejagat berada pada titik genting dan berdepan dengan tekanan yang belum pernah berlaku dari pelbagai arah. Pertubuhan Bangsa-Bangsa Bersatu meramalkan penduduk dunia akan mencapai 10 bilion orang menjelang tahun 2050, yang memerlukan peningkatan pengeluaran makanan sebanyak 70%. Pada masa yang sama, amalan pertanian tradisional yang bergantung pada pembuatan keputusan berasaskan pengalaman, operasi manual yang intensif tenaga kerja dan peruntukan sumber yang tetap, semakin tidak mampan. Amalan ini mengalami kecekapan penggunaan sumber yang rendah, kehilangan pasca tuaian yang tinggi dan keupayaan terhad untuk menyesuaikan diri dengan keadaan ladang yang berubah-ubah.

Perubahan iklim memburukkan lagi tekanan ini, dengan peristiwa cuaca melampau yang semakin kerap dan kuat. Kekurangan air menjejaskan kawasan pertanian di seluruh dunia, manakala kemerosotan tanah mengurangkan keupayaan pengeluaran. Kekurangan tenaga kerja, terutamanya di negara maju, mengenakan kekangan tambahan terhadap pengeluaran. Dalam konteks ini, kecerdasan buatan muncul sebagai pemacu utama bagi pendigitalan dan pemintaran pertanian.

1.2 Kemunculan Kecerdasan Buatan dalam Pertanian

Pada penghujung abad kedua puluh, dengan penyepaduan teknologi termaju seperti sistem kedudukan global (GPS), penderia dan robotik, pembuatan keputusan berasaskan data, pengurusan tanaman yang termaju, penggunaan sumber yang optimum, dan penyepaduan sistem dipacu kecerdasan buatan dalam pengesanan perosak telah membolehkan peralihan kepada pertanian persis. Hari ini, penyepaduan mendalam kecerdasan buatan menjadi pemacu asas bagi pendigitalan dan pemintaran dalam kejuruteraan pertanian dan makanan, kerana ia meningkatkan kecekapan pengeluaran, mengoptimumkan sumber dan meningkatkan kualiti produk.

Kecerdasan buatan mempunyai potensi besar untuk membangunkan teknologi pertanian pintar berketepatan tinggi dan berkos rendah yang dapat memenuhi permintaan yang semakin meningkat terhadap pengeluaran pertanian berhasil tinggi di seluruh dunia. Teknologi kecerdasan buatan dalam pertanian dijangka menjadi antara topik penyelidikan pertanian yang paling penting pada masa kini dan masa depan, kerana ia menyumbang secara bermakna kepada kelestarian melalui pemantauan keadaan di ladang, penambahbaikan sokongan keputusan, perlindungan tanah, penjimatan air, pengehadan pelepasan karbon, pengurangan penggunaan gas rumah hijau, peningkatan produktiviti, pemudahan dan penambahbaikan operasi pertanian, serta pembangunan pelbagai penyelesaian kepada masalah yang masih belum selesai.

1.3 Pertambahan Aplikasi Kecerdasan Buatan

Skop aplikasi kecerdasan buatan dalam pertanian telah berkembang dengan ketara dalam tahun-tahun kebelakangan ini. Daripada pemantauan tanaman dan pengesanan penyakit sehinggalah penuaian autonomi dan pengoptimuman rantaian bekalan, teknologi kecerdasan buatan digunakan di sepanjang rantaian nilai pertanian. Makalah ini mengemukakan kajian menyeluruh dan analisis perbandingan terhadap aplikasi serta platform perisian kecerdasan buatan utama yang dibangunkan khusus untuk kegunaan pertanian di seluruh dunia.

Penyelidikan ini tertumpu pada pengenalpastian, pengelasan dan penilaian ciri, keupayaan serta cabaran pelaksanaan teknologi ini. Analisis ini merangkumi platform pengurusan ladang, sistem pengesanan penyakit, alat ramalan hasil, aplikasi pemantauan tanah, robot kawalan rumpai, sistem penuaian autonomi, teknologi pengairan persis, platform pengurusan ternakan, sistem akuakultur, bot sembang nasihat, alat pintar iklim, sistem pengoptimuman rantaian bekalan dan aplikasi keselamatan makanan.

1.4 Objektif dan Skop

Kajian ini bertujuan untuk:

1. Mengenal pasti aplikasi dan platform perisian kecerdasan buatan utama yang dibangunkan khusus untuk kegunaan pertanian di seluruh dunia.
2. Mengelaskan aplikasi ini mengikut fungsi pertanian dan pendekatan teknikal.
3. Menilai ciri, keupayaan dan penanda aras prestasi sistem utama.
4. Membandingkan teknologi dalam setiap kategori aplikasi.
5. Menganalisis cabaran dan halangan kepada penerimagunaan.
6. Mengemukakan cadangan strategik untuk petani, perniagaan tani dan penggubal dasar.

1.5 Struktur Makalah

Makalah ini disusun dalam empat jilid. Jilid I membina asas kecerdasan buatan dalam pertanian sejagat. Jilid II mengemukakan kajian menyeluruh aplikasi kecerdasan buatan pertanian bagi empat belas kategori berfungsi. Jilid III mengemukakan analisis bersepadu dan hala tuju masa depan. Jilid IV mengandungi bahan sokongan, termasuk rujukan dan lampiran.

Bab 2: Metodologi Penyelidikan dan Rangka Kerja Perbandingan

2.1 Pendekatan Penyelidikan

Kajian ini menggunakan metodologi tinjauan literatur bersistematik yang digabungkan dengan analisis perbandingan kes. Penyelidikan ini melalui empat fasa.

Fasa 1: Pengenalpastian. Carian menyeluruh dalam pangkalan data akademik (Web of Science, Scopus, Google Scholar, IEEE Xplore) dan sumber industri telah dijalankan dengan menggunakan rentetan carian berkaitan aplikasi kecerdasan buatan dalam pertanian, pertanian persis, robotik pertanian, pembelajaran mesin dalam pengurusan tanaman dan topik berkaitan.

Fasa 2: Penyaringan. Tajuk, abstrak dan ringkasan disaring berdasarkan kaitannya dengan aplikasi kecerdasan buatan yang dibangunkan khusus untuk kegunaan pertanian. Produk dalam pembangunan, prototaip penyelidikan dan sistem yang dilaksanakan secara komersial turut disertakan.

Fasa 3: Pemasukan. Himpunan akhir mengandungi lebih 150 dokumen, termasuk makalah yang dinilai rakan setara, spesifikasi teknikal, dokumentasi produk, kajian kes dan laporan industri.

Fasa 4: Sintesis. Bukti diekstrak, dikelaskan mengikut bidang aplikasi dan disintesis melalui kaedah naratif yang sesuai untuk analisis perbandingan.

2.2 Kategori Sumber

Sumber utama merangkumi:

Penyelidikan akademik: Jurnal yang dinilai rakan setara, termasuk Precision Agriculture, Computers and Electronics in Agriculture, Biosystems Engineering, Field Crops Research, serta prosiding persidangan IEEE, ASABE dan persatuan profesional lain.

Sumber industri dan komersial: Dokumentasi produk, laman web syarikat, spesifikasi teknikal, permohonan paten dan laporan industri daripada syarikat teknologi pertanian di seluruh dunia.

Laporan organisasi antarabangsa: Penerbitan Pertubuhan Makanan dan Pertanian Bangsa-Bangsa Bersatu (FAO), Bank Dunia, Institut Penyelidikan Dasar Makanan Antarabangsa (IFPRI), Kumpulan Perundingan Penyelidikan Pertanian Antarabangsa (CGIAR) dan institusi penyelidikan pertanian antarabangsa lain.

Platform sumber terbuka: Repositori GitHub dan dokumentasi projek kecerdasan buatan pertanian sumber terbuka.

2.3 Rangka Kerja Perbandingan

Setiap kategori aplikasi dianalisis melalui satu set dimensi yang konsisten:

• Teknologi teras: Pendekatan kecerdasan buatan dan pembelajaran mesin yang digunakan (rangkaian neural konvolusi, model bahasa besar, pembelajaran pengukuhan, dan lain-lain).
• Ciri utama: Fungsi dan keupayaan teras.
• Penunjuk prestasi: Ketepatan yang dilaporkan, pencapaian kecekapan dan penunjuk kuantitatif lain.
• Konteks penggunaan: Skala, geografi dan asas pengguna sasaran.
• Keupayaan penyepaduan: Saling kendalian dengan sistem lain.
• Struktur kos: Model penetapan harga dan kemampumilikan.
• Cabaran: Halangan dan batasan pelaksanaan.

2.4 Batasan

Kajian ini mengakui beberapa batasan: kepantasan pembangunan kecerdasan buatan bermakna sesetengah sistem berubah dengan cepat; sistem komersial mungkin tidak mendedahkan kesemua spesifikasi teknikalnya secara terbuka; penunjuk prestasi mungkin dilaporkan dalam keadaan ideal yang tidak boleh diulang dalam semua persekitaran.

Bab 3: Pengelasan Aplikasi Kecerdasan Buatan Pertanian

3.1 Taksonomi Kecerdasan Buatan Pertanian

Berdasarkan tinjauan menyeluruh, aplikasi kecerdasan buatan pertanian boleh dikelaskan ke dalam kategori berikut:

Sistem pengurusan tanaman dan pengeluaran:

• Sistem maklumat pengurusan ladang (FMIS)
• Platform pengkomputeran awan pertanian pintar
• Penasihat agronomi berbilang bahasa

Pengesanan penyakit tanaman dan kesihatan tumbuhan:

• Aplikasi pengesanan penyakit berasaskan peranti mudah alih
• Model berbilang mod yang besar untuk diagnosis perosak
• Sistem penglihatan komputer untuk analisis daun

Ramalan hasil dan tuaian:

• Model pembelajaran mesin untuk anggaran hasil
• Sistem pertanian persis berbilang modul
• Analisis zon kestabilan dengan pembelajaran mesin boleh ditafsir

Pemantauan tanah dan pengurusan nutrien:

• Rangkaian penderia Internet Benda untuk parameter tanah
• Analisis kesuburan berasaskan kecerdasan buatan
• Sokongan keputusan untuk pengurusan nutrien bersepadu

Kawalan rumpai dan kawalan robotik:

• Pengesanan rumpai berasaskan pembelajaran mendalam
• Robot pembersih rumpai autonomi (mekanikal dan laser)
• Teknologi semburan persis

Penuaian autonomi dan robotik:

• Robot penuaian buah dan sayur
• Penglihatan kecerdasan buatan untuk pengesanan kematangan
• Pengendalian pasca tuaian automatik

Pengairan persis dan pengurusan air:

• Penjadualan pengairan berasaskan kecerdasan buatan
• Pemantauan kelembapan tanah masa nyata
• Sistem pengairan titis automatik

Pengurusan ternakan:

• Pemantauan audio-visual ayam itik
• Pengesanan kesihatan bersepadu satelit
• Robot pemantauan autonomi
• Penglihatan komputer untuk analisis tingkah laku

Akuakultur dan perikanan:

• Pemantauan kualiti air
• Pengesanan dan pencegahan penyakit
• Pengoptimuman pemberian makan
• Penilaian stok

Khidmat nasihat pertanian dan sokongan keputusan:

• Bot sembang kecerdasan buatan generatif untuk petani
• Sistem penjanaan ditambah perolehan (RAG)
• Platform nasihat berbilang bahasa dan berbilang mod

Pertanian pintar iklim:

• Penjejakan jejak karbon
• Pengukuran karbon tanah
• Pemantauan pelepasan gas rumah hijau
• Perancangan daya tahan iklim

Pengoptimuman rantaian bekalan:

• Logistik rantaian sejuk dengan kecerdasan buatan dan rantaian blok
• Ramalan permintaan
• Pengoptimuman laluan

Keselamatan makanan dan kawalan kualiti:

• Kecerdasan buatan spektrum untuk pengesanan pencemaran
• Penglihatan komputer untuk penggredan kualiti
• Pengesanan patogen masa nyata

3.2 Pendekatan Teknikal

Tinjauan ini mengenal pasti beberapa pendekatan teknikal yang dominan:

Rangkaian neural konvolusi (CNN): Digunakan secara meluas untuk tugas berasaskan imej, termasuk pengesanan penyakit, pengecaman rumpai dan penggredan buah. Rangkaian neural konvolusi mencapai ketepatan tinggi dalam tugas pengecaman corak visual.

Model bahasa besar (LLM) dan kecerdasan buatan generatif: Semakin banyak digunakan dalam khidmat nasihat pertanian, penaakulan diagnostik dan sokongan keputusan. Sistem seperti CropGPT dan FarmerChat menggunakan model bahasa besar untuk sokongan interaktif kepada petani.

Internet Benda (IoT) dan rangkaian penderia: Menyediakan infrastruktur data bagi sistem kecerdasan buatan, yang membolehkan pemantauan masa nyata terhadap tanah, cuaca, kesihatan tanaman dan keadaan haiwan.

Robotik dan sistem autonomi: Menggabungkan kecerdasan buatan dengan tindakan fizikal untuk penanaman, pembersihan rumpai, penuaian dan operasi ladang lain.

Pembelajaran pengukuhan: Digunakan pada sistem kawalan robotik untuk mencapai tingkah laku menyesuaikan diri dalam persekitaran dinamik.

Kecerdasan buatan boleh dijelaskan (XAI): Pendekatan baru muncul yang menjadikan keputusan kecerdasan buatan boleh ditafsir oleh petani dan pakar agronomi, yang membina kepercayaan dan membolehkan pembuatan keputusan yang termaklum.

3.3 Taburan Geografi

Aplikasi kecerdasan buatan pertanian telah muncul di semua wilayah pertanian utama:

Amerika Utara: Mendahului dalam platform pengurusan ladang (Agrotics), peralatan autonomi (John Deere, Blue River Technology) dan sistem nasihat.

Eropah: Kukuh dalam robotik (Nature Robots, Farming Revolution, Terra Oracle AI), perisian pertanian persis (Agricon) dan alat kelestarian (CinSOIL).

Asia: Sektor yang berkembang pesat di India (Cropin, Kisan AI), China (platform pertanian pintar) dan Asia Tenggara.

Selatan Global: Aplikasi baru muncul yang tertumpu pada petani kecil, termasuk FarmerChat daripada Digital Green, projek GAIA dan sistem nasihat berkos rendah.

Jilid II: Kajian Menyeluruh Aplikasi Kecerdasan Buatan Pertanian

Bab 4: Sebuah Platform Bersepadu Berasaskan Tadbir Urus: Aladdin Agri AI

4.1 Skop, Kedudukan dan Falsafah Reka Bentuk

Sebahagian besar daripada aplikasi yang ditinjau dalam bab-bab berikutnya dibangunkan sama ada sebagai alat berfungsi tunggal atau sebagai platform peringkat perusahaan untuk operasi komersial besar. Bab ini meneliti secara terperinci sebuah platform bersepadu yang dibina berpaksikan keutamaan reka bentuk yang tersendiri. Aladdin Agri AI, yang dibangunkan dalam inisiatif yang diterajui oleh penulis manuskrip ini, ialah satu ekosistem kecerdasan buatan yang bertujuan menyediakan panduan pertanian setempat yang disahkan oleh pakar, tanpa menjejaskan hak harta intelek atau kerahsiaan data ladang. Pengisytiharan percanggahan kepentingan berkenaan hubungan penulis dengan platform ini disertakan dalam bahagian Pengisytiharan dan Pernyataan di hujung manuskrip.

Ciri yang paling membezakan platform ini ialah takrifnya tentang pengguna sasaran. Banyak penyelesaian kecerdasan buatan pertanian komersial mengandaikan akses kepada analisis makmal, infrastruktur penderia dan kesambungan jalur lebar. Sebaliknya, Aladdin Agri AI menganggap petani kecil yang tidak memiliki sumber ini sebagai pengguna lalai. Platform ini direka untuk berfungsi dalam sepuluh bahasa dan ditawarkan melalui tiga saluran: web, peranti mudah alih dan komputer meja. Struktur ini bertujuan membawa pengetahuan pakar pertanian kepada petani daripada pelbagai peringkat pendapatan dan keadaan infrastruktur.

4.2 Prinsip Reka Bentuk: Meletakkan Petani Kecil di Tengah

Prinsip nasihat bersumber rendah berada di teras falsafah reka bentuk platform ini. Menurut prinsip ini, petani yang tidak mempunyai akses kepada analisis makmal, air atau daun, yang tiada peralatan dan mempunyai jalur lebar terhad ialah pengguna lalai, bukan kekecualian. Data industri menunjukkan bahawa sebahagian besar petani kecil tidak memiliki sumber ini, sehingga sistem yang hanya bergantung pada data pengukuran ideal akan menyingkirkan majoriti khalayak sasarannya.

Prinsip ini membentuk logik panduan platform secara langsung. Panduan umum dan boleh dilaksanakan dijana daripada apa yang sudah dimiliki petani, yang merangkumi penilaian visual, peringkat pertumbuhan, sentuhan tanah, keadaan pengairan, input terdahulu dan rujukan yang diluluskan, dan panduan ini sentiasa tersedia. Hanya output yang memerlukan dos tepat khusus tapak atau pengiraan jitu sahaja yang disyaratkan kepada satu analisis. Rujukan kepada makmal atau pakar dikemukakan sebagai maklumat yang menambah baik ketepatan, bukan sebagai penolakan atau amaran. Sistem ini tidak menolak sesuatu keupayaan penuh atas alasan data ideal tidak tersedia.

Pendekatan ini diimbangi dengan prinsip bahawa keadaan bersumber rendah tidak sekali-kali menjadi justifikasi bagi kepastian yang dipalsukan atau tidak selamat. Apabila maklumat tidak lengkap, sistem kekal dalam sempadan perkara yang diketahui dan menyatakan ketidakpastian dengan jelas. Pilihan reka bentuk ini ialah ciri teras yang membezakan platform ini daripada alat peringkat perusahaan yang hanya berkhidmat untuk operasi pertanian besar.

4.3 Rangka Kerja Tadbir Urus Lapan Prinsip

Platform ini beroperasi dalam rangka kerja lapan prinsip panduan yang bertujuan mengekalkan panduan pertanian berbantukan kecerdasan buatan supaya selamat, konsisten dan boleh dipertanggungjawabkan.

Prinsip pertama ialah akses kepada nasihat bersumber rendah yang diterangkan di atas. Prinsip kedua ialah penghalaan kecerdasan buatan yang bertadbir urus: setiap panggilan kepada kecerdasan buatan melalui get laluan yang diluluskan, dan lapisan pengguna tidak mempunyai akses langsung kepada pembekal. Prinsip ketiga ialah penyepaduan modul: tiada modul yang diasingkan atau dinyahaktifkan dengan cara yang memutuskan kesinambungan perkhidmatan, kebergantungan aliran kerja atau pemilikan data. Prinsip keempat ialah keselamatan siber tanpa pengunduran: pengesahan keupayaan, penyucian input, pelarian output, pertanyaan selamat dan pengehadan kadar dilaksanakan mengikut tahap risiko, dan pendedahan maklumat pembekal, model, skema atau log dihalang.

Prinsip kelima ialah pengurusan terjemahan dan keutuhan sepuluh bahasa: kesemua sepuluh bahasa disokong, dan bahasa antara muka hadapan diasingkan daripada bahasa pentadbiran. Prinsip keenam ialah pelaksanaan jimat dan disiplin sumber. Prinsip ketujuh ialah pembendungan keupayaan dan bukan penghapusannya: sesuatu keupayaan tidak sekali-kali dihapuskan atau disembunyikan untuk mengelak risiko; hanya tindakan tidak selamat yang dihadkan, manakala perkhidmatan itu sendiri kekal kelihatan dan boleh digunakan. Prinsip kelapan ialah disiplin terhadap halusinasi: tiada fail, fungsi, statistik atau output yang dipalsukan, dan setiap dakwaan boleh dijejaki kembali kepada sumber yang boleh disahkan. Rangka kerja ini dikemukakan sebagai jawapan kepada kesukaran yang dihadapi oleh model kecerdasan buatan am yang tidak bertadbir urus dalam menghasilkan penyelesaian yang selamat dan sesuai dengan konteks setempat dalam bidang pertanian.

4.4 Seni Bina Kecerdasan Teras Tiga Lapisan

Di teras platform ini terdapat satu lapisan kecerdasan yang terdiri daripada tiga komponen yang saling melengkapi.

Enjin pertanyaan, yang dinamakan Aladdin AgroGenie, ialah enjin semantik yang mentafsir dialek setempat, ungkapan harian dan penggunaan bahasa bercampur untuk mengekstrak panduan pertanian yang disahkan daripada soalan pengguna. Ia membolehkan petani bertanya dalam bahasa harian tanpa menggunakan istilah teknikal.

Lapisan bahasa dan nada, yang dinamakan Aladdin Humanizer, menukar data teknikal kepada nasihat yang jelas dan boleh terus dilaksanakan, yang sesuai dengan keadaan ladang. Tujuannya ialah membawa output teknikal yang kering kepada bahasa yang lebih dekat dengan realiti petani.

Get laluan tadbir urus kecerdasan buatan, yang dinamakan AiBridge, menyalurkan kesemua cadangan yang dijana oleh kecerdasan buatan melalui satu lapisan semakan. Fungsinya ialah menghadkan penyerahan output yang tidak disahkan atau salah kepada pengguna serta melindungi keselamatan tanaman. Kesemua panggilan kecerdasan buatan diuruskan melalui get laluan ini, dan tiada laluan untuk akses langsung kepada pembekal atau pelaksanaan model secara autonomi dari lapisan antara muka hadapan.

4.5 Sistem Pembantu Pertanian Berbantukan Kecerdasan Buatan

Platform ini menyediakan panduan melalui tiga watak pakar awam. Watak-watak ini bukan pembekal kecerdasan buatan yang bebas; mereka ialah identiti panduan yang beroperasi dalam rangka kerja tadbir urus yang sama.

Habiba, pembantu pertanian yang mesra, ialah pemandu praktikal dan menenangkan yang ditujukan kepada petani biasa. Dia memberikan panduannya dengan memberi perhatian kepada pengguna dalam keadaan literasi rendah dan bersumber rendah.

Anas, pakar pertanian termaju, menyediakan tafsiran agronomi yang mendalam untuk pengguna profesional. Kedalaman ini disediakan kepada sesiapa yang memerlukannya, tanpa dipaksakan kepada petani biasa.

Namaa, penganalisis data pertanian, mengemukakan data dan maklumat berangka. Ketepatan angka dan data ialah tanggungjawab teras watak ini.

Sistem pembantu ini direka berpaksikan prinsip memberi perhatian kepada risiko ketiadaan tindakan. Apabila kebisuan tadbir urus boleh membawa kepada kehilangan tanaman, contohnya apabila tiada pakar yang tersedia, pada saat genting, atau menjelang kerugian yang hampir, sistem ini menyediakan panduan umum dan boleh dilaksanakan, disertai label keyakinan, rujukan kepada pakar dan rangka kerja yang boleh diperhati. Pendekatan ini bertujuan mengelakkan petani daripada terbiar tanpa sokongan pada saat ketidakpastian.

4.6 Penyampaian Berbilang Saluran: Web, Mudah Alih dan Meja

Platform ini disampaikan dalam tiga bentuk supaya dapat sampai kepada petani dalam segala keadaan. Struktur berbilang saluran ini bertujuan meluaskan perkhidmatan melangkaui pengguna yang mempunyai infrastruktur tahap tinggi, sehingga sampai kepada petani dalam pelbagai keadaan.

Ruang kerja awan peringkat perusahaan, di web, ialah persekitaran kerja berbilang bahasa. Ia menempatkan kad perkhidmatan yang peka peranan dan mengandungi langkah semakan oleh manusia untuk keputusan berisiko tinggi.

Aplikasi mudah alih Habiba ialah aplikasi lapangan yang berfungsi secara luar talian di kawasan berkesambungan rendah. Ia menawarkan diagnosis tanaman segera dan panduan praktikal langkah demi langkah. Keupayaan luar taliannya amat menentukan untuk menjangkau petani kecil di kawasan luar bandar yang akses internetnya terhad.

Enjin meja, SADIK-1.0, ialah enjin analitik yang direka untuk penyelidik dan perniagaan tani, yang menawarkan pemodelan daya maju ekonomi dan ramalan statistik.

Kehadiran ketiga-tiga saluran ini mencerminkan satu pilihan reka bentuk yang membolehkan platform menjangkau bukan sahaja operasi pertanian besar, malah petani kecil yang mempunyai akses internet terhad atau hanya satu peranti mudah alih.

4.7 Kad Perkhidmatan Ruang Kerja

Ruang kerja web terdiri daripada satu set kad perkhidmatan yang peka peranan. Ruang kerja ini mengandungi tujuh belas kad perkhidmatan, yang disusun mengikut peranan pengguna, dan tiada satu pun yang disembunyikan daripada pengguna. Dua belas modul pertanian khusus yang ditonjolkan dengan nama dalam bahan promosi platform diringkaskan dalam jadual di bawah. Kad selebihnya merangkumi perkhidmatan berfungsi seperti perbandingan statistik pertanian, penyediaan kajian kebolehlaksanaan, penyerahan pemerhatian dan rujukan nasihat.

4.8 Bidang Berfungsi Khusus dan Kaedah

Platform ini menangani beberapa fungsi pertanian melalui kaedah yang berbeza. Bahagian ini meringkaskan bidang berfungsi utama dan pendekatan yang digunakan bagi setiap satu.

Diagnosis penyakit tumbuhan. Diagnosis dilakukan melalui aliran pemerhatian berpandu yang dibina atas jawapan petani dan melalui logik diagnosis pembezaan. Sistem ini membezakan punca yang mungkin berdasarkan simptom visual dan menyediakan penilaian yang boleh digunakan tanpa akses kepada makmal. Keyakinan output diagnostik adalah berbatas, dan rujukan kepada pakar disyorkan dalam kes yang tidak pasti.

Pengurusan perosak dan ambang ekonomi. Pengurusan perosak menggunakan pendekatan paras kerosakan ekonomi (EIL) dan ambang ekonomi (ET). Pendekatan ini berasaskan rangka kerja klasik yang diperkenalkan oleh Stern dan rakan-rakannya pada tahun 1959\. Nilai ambang tidak dianggar; sebaliknya dikira daripada input yang diluluskan, seperti ketumpatan tinjauan, kehilangan hasil khusus tanaman, nilai tanaman dan keberkesanan kawalan, dan tertakluk kepada kelulusan pakar agronomi. Apabila sesuatu input yang diperlukan tidak tersedia, hasilnya tidak dipalsukan tetapi ditanda sebagai tidak tersedia. Bidang ini mengutamakan kaedah bukan kimia, selaras dengan prinsip pengurusan perosak bersepadu (IPM).

Statistik pertanian. Fungsi ini menyediakan akses kepada data pemerhatian yang diluluskan melalui satu lapisan carian yang menyokong pertanyaan bahasa tabii. Pengguna boleh menetapkan kriteria seperti tanaman, penunjuk, tahun dan skop dalam bahasa harian, dan sistem hanya memulangkan data yang disahkan, disertai maklumat sumber dan keyakinan.

Kebolehlaksanaan dan analisis ekonomi. Platform ini menawarkan satu fungsi kebolehlaksanaan yang memodelkan kos yang dijangka dan pulangan ekonomi yang berpotensi sebelum penanaman. Fungsi ini berkembang dalam enjin analitik meja kepada pemodelan ekonomi yang lebih mendalam dan ramalan statistik.

Pengurusan air, nutrien dan persekitaran tanaman. Fungsi pengairan pintar, pembajaan persis dan pertanian terlindung menjana cadangan operasi daripada input yang tersedia, seperti kelembapan tanah, mikroiklim dan keperluan tanaman. Dalam fungsi ini juga, output dos tepat disyaratkan kepada satu analisis, manakala panduan umum sentiasa tersedia.

Kelestarian dan pengendalian pasca tuaian. Fungsi kelestarian menilai strategi penggiliran tanaman yang menyokong pemulihan tanah. Fungsi kualiti pasca tuaian menyediakan panduan pengendalian selamat yang mengekalkan nilai tuaian dari ladang ke destinasi.

Tadbir urus istilah dan pengetahuan. Platform ini mengandungi kamus pertanian bertadbir urus yang menyediakan takrif tepat istilah saintifik. Pengembangan asas pengetahuan yang konsisten dalam sepuluh bahasa bergantung pada satu proses import yang bertadbir urus dan pada pendekatan penjanaan ditambah perolehan (RAG). Dalam kesemua proses ini, kandungan disahkan sebelum diterbitkan.

4.9 Analisis Perbandingan dengan Platform Lain

Kebanyakan penyelesaian yang ditinjau dalam manuskrip ini tertumpu pada sesuatu fungsi tertentu atau sesuatu skala pengguna tertentu. Jadual di bawah membandingkan platform Aladdin Agri AI dengan platform mewakili yang dibincangkan dalam bab-bab terdahulu, mengikut dimensi yang berkaitan dengan usaha menjangkau petani kecil. Perbandingan ini berasaskan ciri yang dinyatakan dalam perihalan promosi dan teknikal platform.

Sebagaimana yang ditunjukkan jadual, beberapa platform yang ditinjau turut menawarkan sokongan berbilang bahasa atau mensasarkan petani kecil. Apa yang membezakan Aladdin Agri AI bukanlah satu dakwaan keunggulan yang tunggal, sebaliknya gabungan ciri: penerimaan petani kecil sebagai pengguna lalai, penyatuan fungsi berbilang bidang dalam satu rangka kerja tadbir urus tunggal, penyampaian melalui tiga saluran, rangka kerja yang jelas bagi tadbir urus dan pembendungan halusinasi, serta model akses berkos rendah atau percuma. Perbandingan dengan penyelesaian khusus berasaskan perkakasan, seperti kawalan rumpai robotik, hanya bermakna pada dimensi yang terhad, kerana penyelesaian sedemikian menangani satu kes penggunaan dan struktur kos yang berbeza.

4.10 Model Akses, Kesaksamaan dan Penetapan Harga

Model akses platform ini direka untuk mencerminkan secara langsung matlamatnya menjangkau petani kecil dengan kos rendah. Akses untuk pelajar pertanian ditawarkan secara percuma berkat sokongan penaja. Yuran akses tahunan untuk petani dikekalkan pada tahap simbolik kira-kira dua belas dolar AS, yang mencerminkan prinsip akses mudah dan berkos rendah. Yuran akses kira-kira seratus dolar AS untuk perniagaan tani dan kira-kira seratus dua puluh dolar AS untuk pusat penyelidikan turut dipertimbangkan.

Struktur berperingkat ini menjadikan akses percuma pelajar dan akses berkos rendah petani sebagai mampan, dengan bergantung pada hasil daripada pengguna perusahaan dan penyelidikan serta sumbangan penaja. Model ini bertujuan menjadikan pengetahuan pakar pertanian boleh diakses oleh petani daripada pelbagai peringkat pendapatan, bukan satu keistimewaan. Reka bentuk ini selaras dengan matlamat teras platform supaya tidak terhad kepada operasi pertanian besar.

4.11 Kedudukan dan Batasan

Aladdin Agri AI dibezakan daripada penyelesaian berfungsi tunggal dan platform yang tertumpu pada perusahaan yang ditinjau dalam manuskrip ini melalui reka bentuk yang meletakkan petani kecil di tengah. Ciri tersendiri platform ini ialah penyaluran output kecerdasan buatan melalui satu lapisan semakan, pengekalan kelulusan manusia untuk keputusan berisiko tinggi, penyesuaian perkhidmatan dengan saluran web, mudah alih dan meja, serta ketersediaan panduan umum yang berterusan untuk petani dalam keadaan bersumber rendah.

Perlu ditegaskan bahawa perihalan yang dikemukakan dalam bab ini berasaskan dokumentasi reka bentuk dan rekod pelaksanaan platform. Perihalan berfungsi yang terdapat di sini ialah keupayaan yang didokumenkan pada peringkat reka bentuk dan pembangunan; ia bukan dakwaan muktamad tentang keberkesanan yang berasaskan perbandingan lapangan bebas atau penanda aras prestasi luaran. Cabaran utama yang dihadapi platform bersepadu bertindih dengan halangan saling kendalian, kualiti data, infrastruktur dan penerimagunaan yang dibincangkan dalam Bab 20\. Mengatasi cabaran ini dalam konteks petani kecil akan menentukan tercapainya matlamat reka bentuk platform yang diisytiharkan.

Bab 5: Sistem Pengurusan Tanaman dan Pengeluaran

5.1 Sistem Maklumat Pengurusan Ladang (FMIS)

Sistem maklumat pengurusan ladang membentuk lapisan asas pertanian berasaskan kecerdasan buatan, kerana ia menyepadukan data daripada pelbagai sumber untuk menyokong pembuatan keputusan dalam keseluruhan operasi ladang. Platform FMIS moden menggunakan pembelajaran mesin, pengkomputeran awan, pengimejan satelit dan rangkaian penderia Internet Benda untuk menyediakan kecerdasan ladang yang menyeluruh.

Fungsi teras FMIS ialah mengumpul dan menganalisis data pertanian, kemudian bertindak berdasarkannya. Sistem ini telah berkembang daripada alat penyimpanan rekod yang ringkas kepada platform kecerdasan buatan yang canggih, yang berkeupayaan menjalankan analisis ramalan, pemantauan masa nyata dan cadangan automatik.

5.2 Cropin Cloud: Sebuah Awan Pertanian Pintar

Cropin Cloud merupakan satu mercu tanda penting dalam kecerdasan buatan pertanian dan dikemukakan sebagai platform awan pertanian pintar pertama di dunia. Dibangunkan oleh Cropin, yang memiliki lima belas tahun pengalaman dalam industri pertanian-makanan sejagat, platform ini menyediakan satu set keupayaan menyeluruh yang khusus untuk pertanian, yang direka untuk mempercepat transformasi digital berpaksikan kecerdasan buatan dalam keseluruhan ekosistem pertanian.

Komponen teras:

Cropin Cloud menyepadukan tiga komponen utama:

1. Cropin Apps: Satu portfolio bersepadu aplikasi dan penyelesaian yang boleh disesuaikan, yang menangkap dan mendigitalkan data pertanian, dari ladang ke gudang sehinggalah ke meja makan. Aplikasi ini direka untuk meluaskan transformasi digital kepada pertanian, makanan dan industri berkaitan.

1. Cropin Data Hub: Membawa kuasa data bersatu dengan membolehkan antara muka dengan kesemua sumber data pertanian, dari aplikasi pengurusan ladang di lapangan, peranti Internet Benda, data permesinan daripada sumber pertanian, dron dan maklumat satelit penderiaan jauh sehinggalah data cuaca.

1. Cropin Intelligence: Menawarkan penyelesaian kecerdasan buatan berejen (Agentic AI) yang sangat tersuai dan satu platform kecerdasan pertanian yang dikuasakan kecerdasan buatan generatif, dengan akses kepada 22 model kecerdasan buatan pembelajaran mendalam yang peka konteks, yang menyediakan pengetahuan boleh dilaksanakan dan kecerdasan ramalan.

Model kecerdasan buatan:

Cropin Intelligence menggunakan 22 model kecerdasan buatan yang telah diuji di lapangan, yang merangkumi pengesanan tanaman, anggaran hasil, penjadualan pengairan, ramalan perosak dan penyakit, pengambilan nitrogen, pengesanan tekanan air, anggaran tarikh tuaian, pengesanan perubahan dan penggredan plot. Model ini dibina menggunakan satu grid pengetahuan tanaman yang luas, yang merangkumi lebih 400 tanaman dan lebih 10.000 varieti, yang dilatih atas berjuta-juta titik data dunia nyata.

Ciri utama:

Cropin Cloud menyediakan beberapa lapisan kecerdasan:

• Kecerdasan peringkat petak: Ramalan tepat tentang hasil, peringkat tanaman, kesihatan, tekanan air, perosak dan penyakit.
• Kecerdasan wilayah: Model kecerdasan buatan yang menganalisis data tanah, iklim, satelit dan hasil untuk pengetahuan pertanian yang mendalam.
• Alat kelestarian: Menjejaki jejak karbon, penggunaan air dan kesihatan tanah, yang membantu organisasi menerapkan amalan mesra alam.
• Cropin Sage: Satu platform kecerdasan pertanian masa nyata, yang dikuasakan kecerdasan buatan generatif, untuk membantu pengguna mengemukakan soalan kompleks tentang pengeluaran makanan masa lalu, kini dan masa depan.

Penggunaan:

Cropin Intelligence telah digunakan oleh lebih 250 organisasi daripada sektor awam dan swasta di seluruh dunia. Antara aplikasinya ialah sokongan kepada bank Rabo di India untuk penilaian kredit, pelaksanaan salah satu program insurans tanaman terbesar (PMFBY) di India, yang meliputi 250.000 unit perkampungan, dan bantuan kepada Rainforest Alliance untuk mengenal pasti pokok koko dan meramalkan hasilnya.

5.3 Agrotics: Platform Pertanian Pintar Berasaskan SaaS

Agrotics ialah platform teknologi pertanian berasaskan SaaS, yang direka untuk memperkasakan pengeluar dengan pengetahuan berasaskan data, demi pertanian yang lebih pintar dan lebih lestari. Platform ini memanfaatkan perisian awan, pembelajaran mesin, data raya, pengimejan satelit dan teknologi Internet Benda untuk bertindak sebagai pembantu maya ladang.

Keupayaan teras:

• Pemantauan iklim: Menjejaki data cuaca dan keadaan mikroiklim secara masa nyata.
• Teknologi Internet Benda: Menangkap data lapangan masa nyata melalui penderia pintar.
• Pengurusan perosak dan penyakit: Mengesan risiko secara awal dan mengambil langkah pencegahan.
• Perancangan musim: Menyusun keseluruhan musim pertanian untuk produktiviti maksimum.
• Data ramalan: Menyediakan akses kepada ramalan cuaca hipersetempat.
• Pengimejan satelit: Menyediakan akses kepada imej satelit terkini untuk memantau kesihatan tanaman.
• Amaran dan ramalan pintar: Membolehkan tindakan pada masa yang tepat melalui ramalan dikuasakan kecerdasan buatan.

Pengguna sasaran:

Agrotics direka untuk semua pihak dalam pertanian, termasuk petani, perniagaan tani, perunding dan penyelidik yang ingin membuat keputusan yang lebih baik dengan data pintar.

5.4 Terra Oracle AI: Penasihat Agronomi Berbilang Bahasa

Terra Oracle AI menjawab satu cabaran asas dalam pertanian moden: pengeluar dilambak dengan data tetapi dahagakan jawapan. Sama ada laporan analisis tanah, imej satelit, stesen cuaca, sistem pengairan, laporan tinjauan atau cadangan agronomi, semuanya tiba secara berasingan dan menyebabkan petani terbeban.

Seni bina platform:

Terra Oracle AI menggabungkan dua lapisan teknologi yang dalam proses pematenan: satu penasihat agronomi kecerdasan buatan boleh dijelaskan, dan satu platform pengimbasan tanah yang menggunakan seni bina dwipenderia yang menggabungkan spektroskopi sinaran gama dengan pengesanan optik.

Lapisan penaakulan agronomi:

Platform ini menganalisis beberapa aliran data secara serentak, termasuk sifat tanah, iklim, indeks tumbuhan NDVI, tingkah laku pengairan, topografi, operasi lapangan dan prestasi sejarah tanaman. Apa yang membezakannya ialah lapisan penaakulan agronomi yang dibina atas data.

Ciri utama:

• Amaran agronomi proaktif
• Cadangan khusus untuk setiap ladang
• Penaakulan boleh dijelaskan
• Interaksi perbualan berbilang bahasa kecerdasan buatan

Pembelajaran menyesuaikan diri:

Platform ini direka supaya menjadi khusus untuk setiap ladang dari semasa ke semasa, kerana ia pada hakikatnya mempelajari tingkah laku setiap petak dan operasi. Keupayaan menyesuaikan diri ini merupakan kemajuan bermakna berbanding sistem cadangan statik.

Penggunaan dan ujian:

Teknologi ini telah diuji dalam tanaman ladang luas, tanaman barisan berpengairan, kentang, tomato, timun, bawang, lobak merah, tanaman khas dan aplikasi hortikultur. Projek perintis telah dijalankan di Eropah dan Asia, termasuk India, Perancis, Sepanyol, Slovenia, Romania, Poland, Bulgaria dan Ukraine. Di India, demonstrasi telah dijalankan untuk pengeluaran kentang dan kacang tanah, sambil mempamerkan keupayaan kecerdasan buatan berbilang bahasa yang disesuaikan dengan pengguna setempat.

Pengiktirafan:

Pada tahun 2026, syarikat ini menerima Agritechnica Asia Applied Technology Trophy dalam kategori "Penyelesaian Digital dan Automasi".

5.5 AgriNEXT: Ekosistem Dipacu Kecerdasan Buatan yang Menyepadukan Satelit dan Internet Benda

AgriNEXT merupakan satu ekosistem dipacu kecerdasan buatan yang menyepadukan satelit dan Internet Benda untuk pertanian persis. Dengan menyalurkan data peringkat tanah dan data satelit kepada satu enjin kecerdasan buatan berpusat, AgriNEXT menawarkan pandangan menyeluruh tentang kebun, yang membolehkan pengurusan persis, iaitu keupayaan untuk menyalurkan air, baja dan racun perosak hanya di tempat dan pada masa ia diperlukan.

Kesan terhadap kelestarian:

Dengan mengoptimumkan penggunaan sumber, AgriNEXT membantu perniagaan tani mengurangkan jejak karbon mereka dan beralih kepada amalan lestari. Keupayaan ramalan kecerdasan buatan turut membolehkan ramalan hasil yang lebih tepat, yang membantu syarikat menguruskan rantaian bekalan dan mengurangkan risiko berkaitan turun naik iklim dan penyakit.

5.6 FarmMind: Kecerdasan Buatan Berejen untuk Pengeluar Moden

FarmMind ialah platform serba lengkap yang menggabungkan kecerdasan buatan, sistem maklumat geografi (GIS), tinjauan, ekonomi dan papan pemuka, yang direka untuk menyerahkan kuasa pertanian persis dan kecerdasan buatan terus ke tangan pengeluar. Dikuasakan kecerdasan buatan berejen, platform ini direka untuk pengeluar, perunding dan profesional pertanian moden.

5.7 Analisis Perbandingan Platform Pengurusan Ladang

Bab 6: Pengesanan Penyakit Tanaman dan Aplikasi Kesihatan Tumbuhan

6.1 Kepentingan Pengesanan Awal Penyakit

Penyakit tumbuhan merupakan ancaman bermakna kepada produktiviti pertanian dan jaminan makanan. Pengesanan penyakit tradisional bergantung pada pemeriksaan lapangan secara manual dan pengetahuan pakar, yang memakan masa, intensif tenaga kerja dan selalunya berketepatan terhad. Pengesanan penyakit dipacu kecerdasan buatan menawarkan prospek diagnosis yang pantas, tepat dan boleh diskalakan.

Penyepaduan kecerdasan buatan dalam pertanian menandakan era baharu ketepatan dan kecekapan. Rangkaian neural konvolusi (CNN) membolehkan pengesanan awal penyakit tanaman melalui pengelasan berasaskan imej, yang mengurangkan kehilangan hasil.

6.2 AGMRI: Aplikasi Kecerdasan Tanaman Automatik

AGMRI ialah platform kecerdasan buatan yang menggabungkan pengimejan beresolusi sangat tinggi dengan pembelajaran mesin dan penglihatan komputer untuk menawarkan pandangan terperinci "peringkat barisan", yang lengkap dan tidak terputus, bagi setiap hektar dan setiap petak sepanjang musim. Direka untuk petani, ahli agronomi dan pakar tanaman, AGMRI memberi amaran kepada pengguna tentang apa yang berlaku di petak mereka, yang membolehkan campur tangan awal.

6.3 CropGPT: Model Berbilang Mod yang Besar untuk Diagnosis Perosak dan Penyakit

CropGPT merupakan kemajuan bermakna dalam diagnosis penyakit tanaman dipacu kecerdasan buatan. Pendekatan sedia ada kebanyakannya bergantung pada data satu mod sahaja untuk mendiagnosis tanaman tertentu dan tidak berkeupayaan menawarkan penaakulan diagnostik yang boleh dijelaskan, yang menghadkan kebolehskalaan dan keupayaan generalisasinya. CropGPT mengatasi batasan ini dengan membolehkan diagnosis untuk semua jenis tanaman dan menyediakan penjelasan diagnostik interaktif.

Seni bina:

CropGPT ialah rangka kerja hujung ke hujung yang menyepadukan satu pengekod visual dan satu model bahasa besar. Pengekod visual menggunakan satu modul DynamicFocus yang dicadangkan untuk mengekstrak ciri imej berbilang peringkat, yang merangkumi maklumat sejagat, setempat dan peringkat objek. Model bahasa besar menggabungkan reka bentuk rantaian pemikiran, yang membolehkan diagnosis interaktif langkah demi langkah disertai penaakulan penjelasan.

Set data dan latihan:

Untuk membolehkan penalaan halus yang cekap dan mencapai prestasi mantap pada pelbagai tanaman, satu set data bernama CropInstruct dibina mengikut paradigma automatik dan berkos rendah, yang dengan ketara mengurangkan kekurangan data berbilang mod penyakit tanaman yang berkualiti tinggi. Satu strategi pengayaan pengetahuan pada masa ujian menambah baik prestasi diagnostik tanpa contoh terdahulu, tanpa memerlukan latihan semula, yang mengukuhkan lagi keupayaan generalisasi model kepada pelbagai tanaman yang luas.

Prestasi:

Keputusan eksperimen menunjukkan bahawa CropGPT mencapai ketepatan 0,931 dalam diagnosis (peningkatan sekurang-kurangnya 35,6%), 71,2 BLEU-4 dalam perihalan imej (sekurang-kurangnya 44,4%) dan 85,3 BLEU-4 dalam penaakulan (sekurang-kurangnya 47,3%) pada 79 kategori perosak dan penyakit tanaman, dengan prestasi yang mengatasi model berbilang mod termaju seperti GPT-4o dan model pembelajaran mendalam klasik dalam konteks satu mod. Dalam penilaian tanpa contoh terdahulu, ia mencapai ketepatan 0,795 pada 10 tanaman yang tidak pernah dilihat, dan mengatasi Qwen-VL-Max sebanyak 7,3%.

6.4 TatarAI: Pengesanan Penyakit pada Peranti Mudah Alih dan Pengurusan Kesihatan Tumbuhan

TatarAI membawa pertanian ke era digital dengan menganalisis tumbuhan dan menambah baik hasil menggunakan teknologi dikuasakan kecerdasan buatan, yang direka untuk petani mahupun penanam amatur. Aplikasi ini memudahkan pengurusan diagnosis penyakit, perancangan pembajaan dan penjejakan perkembangan tumbuhan terus daripada telefon mudah alih.

Keupayaan:

• Diagnosis tumbuhan (melalui kamera): Ambil gambar tanaman atau tumbuhan dalaman dan biarkan TatarAI mengesan masalah pada daun, batang, buah atau akar melalui analisis visual kecerdasan buatan.
• Pengesanan dan pengelasan penyakit: Dapatkan perihalan terperinci penyakit yang dikesan, seperti karat gandum, kulapuk bunga matahari atau hawar daun.
• Cadangan rawatan: Terima pelan rawatan kimia atau biologi yang disasarkan, disertai cadangan dos, masa dan tip penggunaan.
• Cadangan pintar berasaskan lokasi: Dapatkan nasihat pengairan dan pembajaan yang disesuaikan dengan tanah, kelembapan dan iklim wilayah.
• Penjejakan pertumbuhan: Pantau kemajuan melalui perbandingan visual, skor kesihatan mingguan dan nota tersimpan.
• Pengurusan berbilang petak: Uruskan beberapa petak dan data setiap tanaman secara berasingan.

Penyesuaian geografi:

Sistem ini menyesuaikan diri dengan keadaan setempat. Ladang gandum di Tekirdağ dan rumah hijau tomato di Antalya memerlukan penjagaan yang berbeza, dan TatarAI mengambil kira hal ini.

Kerahsiaan:

Data pengguna adalah sepenuhnya peribadi. Lokasi hanya digunakan untuk memperibadikan cadangan. Gambar hanya dianalisis untuk tujuan kecerdasan buatan dan tidak sekali-kali dikongsi dengan pihak ketiga.

6.5 Model CNN Mudah Alih untuk Pengesanan Penyakit Daun Jagung

Jagung ialah tanaman berpengeluaran tertinggi di dunia, mengatasi pengeluaran gandum dan beras. Namun begitu, hasilnya kerap dijejaskan oleh pelbagai penyakit daun. Pengenalpastian awal melalui alat yang mudah diakses diperlukan untuk meningkatkan hasil.

Pendekatan teknikal:

Penyelidik membangunkan satu aplikasi mudah alih yang baharu, masa nyata dan mesra pengguna untuk pengesanan dan pengelasan penyakit daun jagung. Model VGG16, AlexNet dan ResNet50 dilaksanakan dan dibandingkan untuk pengesanan penyakit jagung. Sebanyak 4.188 imej hawar, karat biasa, bintik kelabu daun dan daun sihat digunakan untuk melatih setiap model.

Prestasi:

• VGG16 mencapai ketepatan ujian 95%
• AlexNet mencapai ketepatan ujian 91%
• ResNet50 mencapai ketepatan ujian 72%

VGG16 mengatasi model lain dari segi ketepatan dan dilaksanakan dalam satu aplikasi mudah alih untuk menawarkan pengesanan penyakit masa nyata.

Penggunaan aplikasi:

Aplikasi yang dibangunkan akan menambah baik pengesanan awal penyakit dan pembuatan keputusan, serta menyumbang kepada pengurusan tanaman yang lebih baik dan jaminan makanan bagi pegawai pengembangan, pengurus perniagaan tani dan penggubal dasar.

6.6 Rangka Kerja Pembelajaran Mendalam Tiga Peringkat untuk Diagnosis Penyakit Pelbagai Tanaman

Satu rangka kerja tiga peringkat yang bergantung pada pengecaman corak dan pengelasan simptom visual penyakit menawarkan diagnosis yang boleh dipercayai dan boleh diaplikasikan di lapangan. Pendekatan ini menggabungkan perolehan imej melalui kamera telefon pintar dengan satu rantaian pemprosesan berstruktur yang merangkumi pengekstrakan ciri, pengelasan dan penyerahan hasil melalui aplikasi mudah alih yang dibina atas seni bina tiga peringkat.

6.7 Spesifikasi Teknikal dan Penanda Aras Ketepatan

Bab 7: Sistem Ramalan Hasil dan Tuaian

7.1 Kepentingan Ramalan Hasil

Ramalan hasil yang tepat adalah penting untuk perancangan ladang, peruntukan sumber, penyelarasan dengan pasaran dan jaminan makanan. Sistem ramalan hasil dipacu kecerdasan buatan memanfaatkan imej satelit, data cuaca, maklumat tanah dan corak sejarah untuk menghasilkan ramalan yang tepat dan tepat pada masanya.

Rangkaian ingatan jangka pendek dan panjang (LSTM) menyokong pemodelan ramalan untuk ramalan hasil dan penilaian kesihatan tanah, yang menyumbang kepada peruntukan sumber.

7.2 Cropin Intelligence: 22 Model Kecerdasan Buatan yang Diuji di Lapangan

Sebagaimana yang disebut terdahulu, Cropin Intelligence menggunakan 22 model kecerdasan buatan yang telah diuji di lapangan, yang menyediakan pengetahuan ramalan dan preskriptif untuk pertanian. Antaranya ialah:

• Pengesanan tanaman
• Anggaran hasil
• Penjadualan pengairan
• Ramalan perosak dan penyakit
• Pengambilan nitrogen
• Pengesanan tekanan air
• Anggaran tarikh tuaian
• Pengesanan perubahan
• Penggredan plot

Model ini membolehkan pembuatan keputusan dinamik melalui pembelajaran mesin termaju yang dibina atas grid pengetahuan tanaman yang luas.

7.3 Sistem Pertanian Persis Dipacu Kecerdasan Buatan untuk Ramalan Hasil

Satu sistem pertanian persis dipacu kecerdasan buatan membangunkan kaedah pertanian pintar melalui algoritma pembelajaran mesin dan pembelajaran mendalam. Empat modul pintar mengendalikan ramalan hasil tanaman, penjadualan pengairan, cadangan baja dan pengenalpastian penyakit.

Spesifikasi teknikal:

• Ramalan hasil dan penjadualan pengairan menggunakan model Random Forest dan Gradient Boosting
• Pengenalpastian penyakit menggunakan rangkaian neural konvolusi berasaskan MobileNetV2
• Pekali penentuan (R²) sebanyak 0,92 untuk ramalan hasil
• Ketepatan 90% untuk pengelasan penyakit

7.4 Zon Kestabilan Hasil dengan Pembelajaran Mesin Boleh Ditafsir

Satu rangka kerja sejagat yang menyepadukan zon kestabilan hasil (YSZ) dan pembelajaran mesin boleh ditafsir mengukuhkan pembuatan keputusan dalam persekitaran pertanian yang berubah-ubah.

Metodologi:

Rangka kerja ini menganalisis data hasil, tanah dan hujan berbilang tahun untuk membangunkan zon kestabilan hasil, menilai kestabilan temporal hasil, dan menyepadukan pembelajaran mesin (pokok keputusan) bagi menggalakkan tafsiran faktor hasil.

Penemuan:

Satu dinamik temporal yang bermakna telah dikenal pasti dalam interaksi antara tanah dan hasil. Penilaian satu tahun sahaja tidak dapat menangkap kebolehubahan antara tahun yang kritikal bagi faktor hasil. Zon kestabilan hasil telah membatasi dengan berkesan kawasan pengeluaran yang konsisten dari segi ruang, yang membezakan zon stabil berhasil tinggi daripada kawasan tidak stabil, manakala pokok keputusan mengenal pasti faktor utama kebolehubahan hasil.

Sumbangan:

Bersama-sama, alat ini menawarkan pendekatan berasaskan data untuk mengoptimumkan pengeluaran tanaman secara lestari, yang mengisi satu jurang kritikal dalam analitik tanaman.

7.5 Rangka Kerja Internet Benda dan Pembelajaran Mesin untuk Ramalan Tanaman Pintar

Satu rangka kerja yang memanfaatkan rangkaian penderia teragih untuk pemantauan masa nyata di tapak terhadap parameter agronomi kritikal (kelembapan tanah, paras nutrien, mikroiklim, kesihatan tanaman) memperkasakan pihak berkepentingan dengan kecerdasan boleh dilaksanakan untuk peruntukan sumber yang persis, pengairan dan pembajaan yang dioptimumkan, pengesanan awal penyakit dan keputusan pasaran yang termaklum.

7.6 Platform Sumber Terbuka

Beberapa platform sumber terbuka menawarkan keupayaan ramalan hasil dipacu kecerdasan buatan:

AgriPredict AI: Satu platform web dan kecerdasan buatan bersepadu yang direka untuk memperkasakan petani kecil dengan alat pintar berasaskan data untuk ramalan hasil, pemantauan cuaca, analitik ladang dan cadangan boleh dilaksanakan.

Cropl: Satu SDK Python untuk ramalan hasil tanaman, yang dikuasakan imej satelit dan pembelajaran mesin, yang menyediakan akses berprogram kepada ramalan hasil untuk pembangun, aktuari, penanggung insurans dan badan kerajaan.

AgriIntel: Satu platform pertanian pintar yang dikuasakan kecerdasan buatan, dibina dengan timbunan MERN dan perkhidmatan kecerdasan buatan Python, yang menyediakan cadangan berasaskan kecerdasan buatan, pengesanan penyakit tanaman, analisis cuaca, pengetahuan pasaran dan alat pertanian pintar.

7.7 Analisis Perbandingan Alat Ramalan Hasil

Bab 8: Pemantauan Tanah dan Aplikasi Pengurusan Nutrien

8.1 Peranan Penting Kesihatan Tanah

Kesihatan tanah adalah asas kepada produktiviti dan kelestarian pertanian. Kaedah analisis tanah tradisional selalunya mahal, memakan masa dan hanya menyediakan gambaran berkala tentang keadaan tanah. Sistem pemantauan tanah berasaskan kecerdasan buatan menawarkan penilaian berterusan dan masa nyata terhadap parameter tanah, yang membolehkan pengurusan nutrien yang persis.

8.2 Rangka Kerja Analisis Kesuburan Tanah Berasaskan Internet Benda dan Kecerdasan Buatan

Satu rangka kerja baharu berasaskan kecerdasan buatan dan Internet Benda telah dibangunkan untuk analisis kesuburan tanah masa nyata dan cadangan tanaman menyesuaikan diri dalam pertanian pintar. Sistem ini mengandungi satu rangkaian penderia Internet Benda yang mengukur data tanah berbilang dimensi, termasuk paras kelembapan, keasidan (pH), nitrogen, fosforus dan kalium, lalu menghantarnya kepada satu enjin analitik berasaskan kecerdasan buatan.

8.3 Pengaduan Penderia Pintar untuk Analisis Nutrien Tanah Masa Nyata

Satu sistem canggih untuk analisis nutrien tanah masa nyata dan pelarasan tanaman automatik menggunakan pembelajaran pengukuhan dipacu kecerdasan buatan. Keberkesanan sistem dalam mencapai pengesanan tepat nutrien tanah dengan kadar ralat minimum dan menambah baik pembuatan keputusan untuk pelarasan tanaman automatik telah ditunjukkan.

8.4 Model Ramalan Kelembapan Tanah pada Skala Petak

Penderia tanah autonomi dan mampu milik serta teknologi Internet Benda membolehkan pemantauan kelembapan tanah masa nyata, yang menawarkan peluang untuk penentukuran model masa nyata dan pengoptimuman pengairan. Satu kajian menunjukkan penggunaan data penderia kelembapan tanah dalam satu rangka kerja pemodelan songsang Bayesian, yang menawarkan penyelesaian praktikal untuk ramalan kelembapan tanah masa nyata.

8.5 Sistem Sokongan Keputusan untuk Pengurusan Nutrien Bersepadu

Alat digital di tapak yang dipacu kecerdasan buatan sedang dibangunkan untuk pengesanan bahan cemar tanah, tumbuhan dan makanan, dengan penentukuran model melalui algoritma pembelajaran mesin bagi menambah baik kadar ralat. Alat ini disambungkan kepada sistem sokongan keputusan yang dilengkapi mekanisme rantaian blok dan keselamatan siber, yang membolehkan keputusan yang termaklum dan pembuatan keputusan automatik untuk pengurusan perosak bersepadu (IPM) dan pengurusan nutrien bersepadu (INM).

8.6 Pemantauan Kesihatan Tanah untuk Gandum

Inisiatif WHEATWATCHER menyatukan pemantauan kesihatan tanah, penilaian kesihatan tumbuhan dan kebolehkesanan makanan melalui satu sistem pemantauan tanah digital yang menilai faktor pemakanan, kimia dan biologi yang mempengaruhi bijirin gandum, dari pertumbuhannya di ladang sehinggalah pengeluaran tepung.

8.7 Analisis Perbandingan Teknologi Pemantauan Tanah

Bab 9: Kawalan Rumpai dan Sistem Kawalan Robotik

9.1 Cabaran Pengurusan Rumpai

Rumpai bersaing dengan tanaman untuk mendapatkan air, nutrien dan cahaya, yang dengan ketara mengurangkan hasil. Pendekatan tradisional, termasuk penggunaan racun rumpai secara meluas, pembajakan tanah yang intensif dan kerja manual, semakin tidak mampan. Racun rumpai menggalakkan rintangan dan ketoksikan alam sekitar, pembajakan mempercepat hakisan tanah, dan kekurangan tenaga kerja menghadkan kebolehlaksanaan pembersihan rumpai secara manual.

9.2 Pengesanan dan Pembuangan Rumpai Robotik Berasaskan Pembelajaran Q Mendalam

Penyelidikan meneliti penggunaan pembelajaran Q mendalam (DQL) dalam sistem robotik untuk mengenal pasti dan membuang rumpai dalam pengurusan tanaman persis. Penemuan eksperimen menunjukkan keberkesanan sistem, yang mencapai ketepatan 97% untuk pengenalpastian rumpai, pengurangan 75% dalam penggunaan racun rumpai, dan peningkatan 30% dalam kecekapan pembuangan rumpai.

9.3 LaserWeeder daripada Carbon Robotics dan Model Tumbuhan Besar (LPM)

Carbon Robotics telah mengorak satu langkah penting dalam kawalan rumpai dipacu kecerdasan buatan dengan Model Tumbuhan Besar (LPM), iaitu satu model asas untuk pengenalpastian tumbuhan. LaserWeeder dikedudukkan sebagai satu cara untuk mengurangkan dengan ketara atau menghapuskan penggunaan racun rumpai pasca cambah. Menurut syarikat, LaserWeeder boleh menggantikan kesemua penggunaan bahan kimia pasca cambah.

Prestasi:

Keputusan menunjukkan pembuangan rumpai 80-85% tanpa racun rumpai dan pengurangan 70-80% dalam gangguan tanah.

9.4 Robot Pembersih Rumpai Ringan dan Autonomi Berkuasa Solar

Satu robot pembersih rumpai yang ringan, sepenuhnya autonomi dan berkuasa solar menggunakan kecerdasan buatan berasaskan rangkaian neural mendalam untuk mengesan rumpai dalam kalangan tumbuhan yang dikehendaki. Ia dapat memusnahkan rumpai dengan berkesan melalui kaedah sentuhan (mekanikal) dan tanpa sentuhan (alur tenaga), bergantung pada saiz dan jenis rumpai serta keadaan tanah dan cuaca, tanpa menimbulkan sebarang risiko kebakaran.

9.5 EM-GROW: Robot Disokong Ruang Angkasa untuk Ladang Organik

EM-GROW menggabungkan penentududukan berasaskan sistem satelit navigasi sejagat (GNSS) dengan satu sistem pengesanan tumbuhan dipacu kecerdasan buatan. Sistem ini menawarkan satu alternatif yang berkesan, mesra alam dan menjimatkan tenaga kerja berbanding kawalan rumpai secara manual.

9.6 Analisis Perbandingan Sistem Kawalan Rumpai Robotik

Bab 10: Penuaian Autonomi dan Sistem Robotik

10.1 Cabaran Tenaga Kerja dalam Penuaian

Penuaian merupakan salah satu operasi pertanian yang paling intensif tenaga kerja, terutamanya bagi tanaman khas seperti buah dan sayur yang memerlukan pengendalian yang halus. Kekurangan tenaga kerja, kenaikan kos dan keperluan kualiti yang konsisten telah mendorong pembangunan sistem penuaian robotik dipacu kecerdasan buatan.

10.2 Penuai Eternal.ag: Robot Penuaian Tomato Sepenuhnya Autonomi

Penuai Eternal.ag ialah robot penuaian yang sepenuhnya autonomi, direka untuk rumah hijau tomato, yang berfungsi sehingga 22 jam sehari secara konsisten dan beroperasi sebagai sebahagian daripada satu sistem pintar yang dikuasakan kecerdasan buatan untuk memastikan kualiti produk. Robot ini menjawab kekurangan tenaga kerja yang meluas dalam sektor ini sambil menambah baik kecekapan operasi.

10.3 Pemetikan Strawberi dengan Penglihatan Kecerdasan Buatan, Jari Silikon dan Kipas

Satu sistem robotik pemetikan strawberi mempamerkan tahap kehalusan yang membawa automasi selangkah lebih dekat kepada pertimbangan manusia di lapangan. Daripada menganggap setiap objek menyerupai beri sebagai sedia untuk dituai, robot ini dapat memutuskan bila hendak memetik, bila hendak menunggu dan bila hendak menempatkan semula diri untuk pandangan yang lebih baik, satu ciri penting bagi tanaman yang matang sebiji pada satu masa.

10.4 Penuaian Robotik Timun Terlindung

Penuaian timun di persekitaran rumah hijau berdepan cabaran seperti titik potong yang terlindung dan struktur tumbuhan yang bertindih. Satu sistem penuaian robotik yang sepenuhnya bersepadu menggabungkan inovasi persepsi, kawalan dan penggerak hujung untuk menangani masalah ini.

10.5 Penuaian Epal Automatik dan Pemeriksaan Kualiti Pasca Tuaian

Penyelidikan Jabatan Pertanian Amerika Syarikat (USDA) sedang membangunkan teknologi robotik baharu yang mampu milik untuk penuaian epal automatik dan teknologi pengimejan generasi baharu untuk pemeriksaan kualiti buah dan sayur semasa pengendalian pasca tuaian.

10.6 Analisis Perbandingan Robot Penuaian

Bab 11: Pengairan Persis dan Sistem Pengurusan Air

11.1 Cabaran Kekurangan Air

Kekurangan air menjejaskan kawasan pertanian di seluruh dunia, dengan pengairan menyumbang sebahagian besar pengeluaran air tawar. Pengairan persis dipacu kecerdasan buatan mengoptimumkan penggunaan air, yang mengurangkan pembaziran sambil mengekalkan atau menambah baik hasil tanaman.

Model berasaskan kecerdasan buatan dan pemantauan dron boleh meningkatkan hasil tanaman sehingga 20% dan mengurangkan penggunaan air dan baja sebanyak 30%.

11.2 Pengairan Persis Berasaskan Kecerdasan Buatan dengan Interaksi Manusia-Mesin

Penyelidikan makmal GEAR di Institut Teknologi Massachusetts (MIT) menjawab kekangan khusus yang dihadapi petani bersumber terhad. Penyelidik mensintesis keperluan berfungsi bagi satu alat yang dapat memenuhi keperluan kecekapan sambil disepadukan dengan amalan manual semasa, dan mencadangkan satu konsep reka bentuk interaksi manusia-mesin berasaskan penjadualan automatik dan operasi manual (AS-MO).

11.3 Penjadualan Pengairan Pintar dengan Pembelajaran Mesin

Teknik pembelajaran mesin menyokong pengoptimuman pengairan dengan menyepadukan input penderia dengan data cuaca. Sistem pengairan berasaskan kecerdasan buatan mengoptimumkan kecekapan penggunaan air dengan menyepadukan input penderia dengan data cuaca.

11.4 Pengoptimuman Kecekapan Penggunaan Air Masa Nyata

Pengairan pintar, robotik lembut dan sistem autonomi menunjukkan keberkesanannya dalam aplikasi tertentu seperti pencantasan, pembersihan rumpai dan akuaponik. Penyepaduan kecerdasan buatan dengan Internet Benda dan dron menunjukkan potensi yang kuat untuk pengairan pertanian.

11.5 Rangka Kerja Pengairan Automatik Berasaskan Internet Benda

Satu sistem sokongan keputusan pintar untuk pertanian persis menggunakan model pembelajaran mendalam berasaskan rangkaian neural konvolusi untuk penjadualan pengairan, selari dengan ramalan hasil dan pengenalpastian penyakit.

11.6 Analisis Perbandingan Teknologi Pengairan Kecerdasan Buatan

Bab 12: Pengurusan Ternakan dan Pemantauan Kesihatan Haiwan

12.1 Kepentingan Kecerdasan Buatan dalam Penternakan

Pengeluaran ternakan merupakan satu komponen utama pertanian sejagat. Aplikasi kecerdasan buatan dalam pengurusan ternakan tertumpu pada pemantauan kesihatan haiwan, pengoptimuman pemberian makan, pembiakan dan pengurusan persekitaran, yang menambah baik kedua-dua produktiviti dan kebajikan haiwan.

12.2 Kecerdasan Ladang Ayam Itik (PoultryFI): Platform Kecerdasan Buatan Berbilang Penderia Bersepadu

Kecerdasan Ladang Ayam Itik (PoultryFI) ialah satu platform bermodul dan mampu milik yang menyepadukan enam modul dipacu kecerdasan buatan: Pengoptimum Penempatan Kamera, Pemantauan Audio-Visual, Analitik dan Amaran, Pengiraan Telur Masa Nyata, Ramalan Pengeluaran dan Keuntungan, serta empat yang lain. Ia merupakan antara sistem terawal yang menggabungkan pengesanan berkos rendah, analitik pinggir dan kecerdasan buatan preskriptif untuk memantau kawanan secara berterusan, meramalkan pengeluaran dan mengoptimumkan prestasi.

12.3 BirdWatch: Pemantauan Kesihatan Ayam Itik Bersepadu Satelit

BirdWatch membantu pengeluar ayam itik mengenal pasti risiko penyakit, alam sekitar dan kebajikan sebelum ia menjadi lebih teruk. Dengan menyepadukan penderia di dalam reban, BirdWatch membantu petani individu dan penyepadu ayam itik besar yang berkontrak dengan ladang ini untuk memantau dan melindungi kawanan mereka dengan menggabungkan penderia ladang dengan data satelit dan kecerdasan buatan.

12.4 BroBot: Robot Autonomi Pemantauan Kesihatan Ayam Itik

BroBot, yang dibangunkan oleh ahli akademik Turki dari Universiti Çanakkale Onsekiz Mart (ÇOMÜ), ialah robot pemantauan kesihatan ayam itik nasional dan tempatan pertama di Türkiye. BroBot memantau sejumlah besar data melalui penderia yang dipasang padanya, dan dengan serta-merta memberitahu pemilik ladang, doktor haiwan atau penjaga apabila ia mengesan sesuatu masalah dalam kalangan ayam itik. Tidak seperti rakan sejawatnya dari luar negara, BroBot dapat mengesan bukan sahaja ayam pedaging yang sakit atau mati, malah memantau penunjuk kebajikan.

12.5 Internet Benda dan Rangkaian Penderia Tanpa Wayar untuk Pengurusan Reban Ayam Pedaging

Gabungan Internet Benda, kamera litar tertutup dipacu kecerdasan buatan, rangkaian penderia tanpa wayar dan sistem kawalan automatik menawarkan satu penyelesaian berbilang aspek untuk pengurusan menyeluruh reban ayam pedaging. Data masa nyata, pengetahuan ramalan dan kawalan automatik bersama-sama menyumbang kepada pengurangan kos, pengurangan kerugian dan pembuatan keputusan yang termaklum.

12.6 Sistem Penglihatan Mesin untuk Ladang Ayam Itik Pintar

Satu sistem penglihatan mesin yang canggih yang menggunakan pembelajaran mendalam dan menggabungkan algoritma YOLOv11 telah dibangunkan untuk memantau dan menguruskan ayam itik secara automatik. Ladang ayam itik boleh memantau kesihatan, tingkah laku dan keadaan persekitaran ayam itik dengan lebih cekap dan lebih tepat dengan menyepadukan penderia, automasi dan analitik termaju.

12.7 Penglihatan Komputer untuk Pemantauan Tingkah Laku Ayam Petelur

Satu sistem berasaskan kecerdasan buatan untuk memantau tingkah laku ayam petelur menggunakan penglihatan komputer telah dibangunkan untuk ladang ayam itik berskala kecil, yang membolehkan penilaian kebajikan dan pengesanan awal tingkah laku yang tidak normal.

12.8 Analisis Perbandingan Sistem Kecerdasan Buatan dalam Penternakan

Bab 13: Akuakultur dan Aplikasi Pengurusan Perikanan

13.1 Kemunculan Akuakultur 4.0

Industri akuakultur kini beroperasi sebagai sistem swakelola berasaskan data yang dikenali sebagai "Akuakultur 4.0", kerana teknologi Industri 4.0 seperti Internet Benda, kecerdasan buatan dan analitik data raya telah dilaksanakan. Kecerdasan buatan telah menjadi satu teknologi yang diterima pakai secara meluas dalam keseluruhan akuakultur, yang mencapai pengeluaran sejagat sebanyak 185 juta tan pada tahun 2022\.

13.2 Sistem Penternakan Ikan Dipacu Kecerdasan Buatan

Sistem penternakan ikan dipacu kecerdasan buatan digunakan dalam sistem akuakultur kitar semula berasaskan darat (RAS), sistem sangkar di laut dan ladang ikan di perairan terbuka. Sistem ini menggalakkan pengeluaran makanan laut yang lestari melalui analitik data masa nyata, automasi dan pemantauan ramalan, yang mengoptimumkan penggunaan makanan, mengurangkan pembaziran, menambah baik kesihatan ikan dan meminimumkan kesan alam sekitar.

13.3 Pemodelan Ramalan dan Sistem Sokongan Keputusan

Satu tinjauan tentang pemodelan ramalan dan sistem sokongan keputusan dalam akuakultur lestari meneliti secara kritis cara kecerdasan buatan mengubah operasi akuakultur. Pemberian makan persis dengan ketara mengurangkan campur tangan manual dan pembaziran operasi. Kecerdasan buatan boleh digunakan dalam akuakultur untuk menghadkan pembaziran input dan mengurangkan perbelanjaan sehingga 30%.

13.4 Pemantauan Kualiti Air dan Pengesanan Penyakit Masa Nyata

Antara aplikasi utama kecerdasan buatan dalam akuakultur ialah pemantauan kualiti air masa nyata, pengesanan penyakit, anggaran biojisim ikan automatik dan jadual pemberian makan yang dioptimumkan. Sistem dipacu kecerdasan buatan dilaksanakan untuk memantau kesihatan ikan, mengoptimumkan jadual pemberian makan dan mencegah penularan penyakit.

13.5 Penilaian Stok Ikan dan Pengurangan Tangkapan Sampingan

Kecerdasan buatan mengukuhkan pengurusan perikanan melalui pembelajaran mesin, pemantauan masa nyata dan analitik ramalan, yang menambah baik penilaian stok, mengurangkan tangkapan sampingan dan mengukuhkan pemuliharaan ekosistem. Kecerdasan buatan memantau aktiviti perikanan di seluruh dunia dan menggalakkan kelestarian perikanan di laut dalam. Kecerdasan buatan turut digunakan untuk memerangi perikanan haram, tidak dilaporkan dan tidak dikawal selia (IUU).

13.6 Jadual Pemberian Makan yang Dioptimumkan dan Anggaran Biojisim

Kecerdasan buatan mempunyai potensi untuk menambah baik akuakultur dengan memudahkan pengurusan yang lebih cekap terhadap pertumbuhan, pemberian makan dan pembiakan ikan dalam tempoh yang panjang, dengan anggaran biojisim ikan automatik melalui teknik kecerdasan buatan.

13.7 Analisis Perbandingan Teknologi Akuakultur

Bab 14: Khidmat Nasihat Pertanian dan Sistem Sokongan Keputusan

14.1 Merapatkan Jurang Pengembangan Pertanian

Perkhidmatan nasihat pertanian tradisional berdepan batasan yang bermakna dalam usaha menjangkau petani kecil dengan maklumat yang tepat pada masanya dan tepat. Kemajuan model bahasa besar (LLM) menunjukkan potensi untuk memperkasakan sistem pengembangan pertanian; namun begitu, penggunaan langsungnya boleh menimbulkan risiko disebabkan ketiadaan maklumat khusus konteks.

14.2 FarmerChat daripada Digital Green: Pembantu Kecerdasan Buatan Setempat dan Berbilang Bahasa

FarmerChat ialah pembantu dikuasakan kecerdasan buatan, yang dibangunkan oleh Digital Green, yang menawarkan nasihat pertanian percuma, setempat dan pintar iklim kepada petani dalam bahasa mereka sendiri, melalui teks, video, suara dan imej. Alat ini direka untuk meluaskan akses petani kepada maklumat yang tepat pada masanya dan boleh dipercayai tentang pengurusan tanaman, pasaran dan daya tahan iklim.

FarmerChat memikirkan semula cara petani mengakses pengetahuan yang boleh dipercayai dan setempat pada sebahagian kecil daripada kos tradisional, dengan ujian pengguna yang sedang dijalankan untuk mengakar inovasi kecerdasan buatan dalam maklum balas sebenar petani, supaya alat ini tepat, merangkumi dan benar-benar mengukuhkan daya tahan sistem makanan.

14.3 Vayazh: Penasihat Pertanian Berbantukan Kecerdasan Buatan dengan Teknologi RAG

Vayazh ialah penasihat pertanian berbantukan kecerdasan buatan, yang direka untuk menyokong pemula, peminat dan pengeluar pertanian berskala kecil dalam menambah baik pembuatan keputusan dan produktiviti. Matlamat utamanya ialah membolehkan panduan pertanian yang boleh diakses, tepat dan sedar konteks, melalui penyepaduan pengetahuan khusus bidang dengan data alam sekitar masa nyata.

Pendekatan teknikal:

Vayazh menggunakan model penjanaan ditambah perolehan (RAG) yang ditala halus, yang dilatih atas set data pertanian yang boleh dipercayai, yang merangkumi penjagaan tanaman, kawalan perosak, pengurusan pengairan dan perancangan bermusim. Rangka kerja ini menyepadukan maklumat cuaca masa nyata untuk mengemukakan cadangan secara dinamik mengikut keadaan wilayah, seperti menangguhkan pengairan apabila hujan diramalkan.

Inovasi utama:

Penemuan yang paling ketara ialah penyepaduan kecerdasan buatan perbualan dengan pengetahuan pertanian formal dan pengesanan ekologi membawa kepada penjadualan tugas yang lebih baik, interaksi pengguna yang lebih tinggi dan pematuhan yang lebih baik terhadap amalan pertanian yang lestari dari segi ekologi.

14.4 Kisan AI: Sistem Nasihat Tanaman Pintar dan Sedar Keuntungan

Sistem nasihat pertanian tradisional kebanyakannya mengoptimumkan hasil biologi dan selalunya mengabaikan harga pasaran, yang boleh mengarahkan petani kepada keputusan yang baik dari segi agronomi tetapi tidak berdaya maju dari segi kewangan. Kisan AI menjawab jurang ini dengan menyepadukan kesedaran keuntungan ke dalam cadangan tanaman. Satu pembantu kecerdasan buatan perbualan sembilan bahasa, yang dikuasakan API Claude daripada Anthropic, menyatukan kesemua modul dalam satu platform tunggal yang boleh dipasang pada peranti mudah alih dan boleh diakses oleh petani di seluruh India.

14.5 CottonBot: Pembantu Tanaman Kapas Dikuasakan Model Bahasa Besar

CottonBot ialah pembantu dikuasakan kecerdasan buatan, yang direka untuk menyokong pengeluar kapas dengan garis panduan pertanian yang menyeluruh, termasuk pengurusan perosak, pembajaan tanah, kawalan rumpai, pengurusan nematod dan cadangan pengairan masa nyata, sedar konteks dan khusus untuk setiap ladang, melalui alat LLM-RAG dan kecerdasan buatan berejen.

14.6 Agro Bot: Rangkaian Neural Buatan dan Pemprosesan Bahasa Tabii untuk Nasihat Pertanian

Agro Guide Bot menawarkan cadangan peribadi segera yang merangkumi pelbagai topik berkaitan pertanian. Bot ini menyediakan nasihat yang boleh dipercayai kepada petani untuk menguruskan keputusan pertanian yang kompleks dengan menyampaikan analisis ramalan cuaca, keadaan tanah, cadangan kawalan perosak dan cadangan alat pertanian terkini, melalui rangkaian neural buatan (ANN) dan pemprosesan bahasa tabii (NLP).

14.7 Projek GAIA: Kecerdasan Buatan Generatif untuk Pertanian

Projek Kecerdasan Buatan Generatif untuk Pertanian (GAIA), yang diterajui IFPRI, bertujuan mengukuhkan keberkesanan, kebolehpercayaan dan kaitan konteks nasihat pertanian yang dijana kecerdasan buatan untuk pengeluar berskala kecil di Selatan Global.

Fasa I (2023-2024): Menghasilkan pengetahuan utama tentang reka bentuk dan pembangunan bot sembang pertanian dikuasakan kecerdasan buatan, melalui pengetahuan pertanian yang dikurasi, pelaksanaan perintis dan penyelidikan tentang tadbir urus data dan penilaian berat sebelah jantina. Projek ini menunjukkan potensi alat nasihat dipacu kecerdasan buatan sambil mengenal pasti bidang penambahbaikan.

Fasa II (2025-2027): Bertujuan mengukuhkan lagi perkhidmatan nasihat pertanian dikuasakan kecerdasan buatan melalui:

• Pengembangan pengagregatan kandungan, selari dengan pelaksanaan rangka kerja mantap tadbir urus data dan pembangunan kit etika kecerdasan buatan generatif;
• Pengaktifan nasihat dinamik melalui penyepaduan sumber data masa nyata, analitik ramalan dan model berbilang mod, termasuk imej kesihatan tanaman;
• Pewujudan protokol dan penanda aras penilaian menyeluruh untuk menilai prestasi model bahasa besar dalam perkhidmatan pengembangan pertanian, dengan penekanan pada ketepatan, kepantasan, kepekaan jantina dan pengontekstualan.

14.8 Analisis Perbandingan Platform Nasihat

Bab 15: Pertanian Pintar Iklim dan Alat Kelestarian

15.1 Keperluan Mendesak Pertanian Pintar Iklim

Perubahan iklim menimbulkan ancaman wujudi kepada pertanian sejagat. Teknologi pertanian pintar, apabila disepadukan dengan langkah kejuruteraan, boleh menyumbang kepada pengurangan gas rumah hijau pertanian dan kepada sistem makanan yang berdaya tahan iklim.

15.2 Alat Kelestarian Cropin: Penjejakan Jejak Karbon

Alat kelestarian Cropin menjejaki jejak karbon, penggunaan air dan kesihatan tanah, yang membantu organisasi menerapkan amalan mesra alam. Platform ini menyediakan analitik termaju untuk menjejaki penggunaan air, jejak karbon, pembajakan, penyahhutanan, biojisim atas tanah, pengurusan sisa tanaman dan banyak lagi, demi mengoptimumkan amalan secara cekap.

15.3 CinSOIL: Penyisipan dan Pengukuran Karbon Tanah

CinSOIL ialah penyelesaian perisian untuk menyisip pelepasan karbon pada peringkat ladang dan memperkasakan petani untuk memulihkan kesihatan tanah. CinSOIL telah membangunkan satu cara yang praktikal dan berasaskan sains untuk mengukur jumlah karbon yang tersimpan dalam tanah, yang membawa kepada satu cara yang lebih pantas dan lebih boleh dipercayai untuk mengesahkan paras karbon tanah.

15.4 Farmdee-Mesook: Platform Pertanian Pintar Sedar Gas Rumah Hijau

Pertanian pintar, melalui penyepaduan pemodelan tanaman, penderiaan jauh satelit dan kecerdasan buatan, menawarkan strategi berasaskan data untuk mengukuhkan produktiviti, mengoptimumkan penggunaan input dan mengurangkan pelepasan gas rumah hijau (GHG). Kajian ini memperkenalkan Farmdee-Mesook, satu platform pertanian pintar yang intuitif dan sedar gas rumah hijau.

15.5 Kecerdasan Buatan untuk Pemantauan Pelepasan Pertanian dan Sifar Bersih

Apabila dilaksanakan dengan berkesan, alat kecerdasan buatan boleh menukar data pertanian yang berserpihan kepada pengetahuan boleh dilaksanakan, yang membantu petani menambah baik kecekapan dan mengurangkan pelepasan. Model pembelajaran mesin termaju digunakan untuk meramalkan hasil, menjejaki penyerapan karbon, memodelkan pelepasan dan mensimulasikan cara perubahan amalan mempengaruhi keputusan.

15.6 Teknologi Rumah Hijau Pintar dengan Kecerdasan Buatan dan 5G

Rumah hijau pintar berasaskan Internet Benda menggunakan 5G dan pengkomputeran pinggir untuk automasi termaju berasaskan data, pengairan persis dan prinsip pengezonan boleh diskalakan. Robot rumah hijau menyediakan penyelesaian automasi untuk sistem tanaman terlindung.

15.7 Analisis Perbandingan Teknologi Kelestarian

Bab 16: Pengoptimuman Rantaian Bekalan dan Aplikasi Pasca Tuaian

16.1 Kepentingan Pengoptimuman Rantaian Bekalan

Kehilangan pasca tuaian dan ketidakcekapan rantaian bekalan mewakili pembaziran bermakna sumber pertanian. Pengoptimuman rantaian bekalan dipacu kecerdasan buatan mengurangkan pembaziran, mengukuhkan keuntungan dan menambah baik kelestarian dengan merapatkan jurang antara pengeluaran ladang dan permintaan pengguna.

16.2 Platform Pengoptimuman Rantaian Bekalan Pertanian-Makanan Dipacu Kecerdasan Buatan

Satu platform pengoptimuman rantaian bekalan pertanian-makanan dipacu kecerdasan buatan bertujuan memperkemas rantaian bekalan pertanian-makanan melalui kecerdasan buatan termaju, pembelajaran mesin, rantaian blok dan logistik pintar. Platform ini merapatkan jurang antara pengeluaran ladang dan permintaan pengguna, yang mengurangkan pembaziran, mengukuhkan keuntungan dan menambah baik kelestarian.

16.3 Kecerdasan Buatan Generatif dan Rantaian Blok untuk Logistik Rantaian Sejuk

Satu seni bina baharu hujung ke hujung yang menyepadukan pembelajaran pengukuhan berbilang ejen (MARL), teknologi rantaian blok dan kecerdasan buatan generatif menawarkan satu rangka kerja rantaian bekalan yang boleh diskalakan, pintar dan lestari. Sistem ini mengurangkan masa pengangkutan sebanyak 30% dan menambah baik kebolehpercayaan penghantaran dan kualiti buah, serta amat sesuai untuk persekitaran bersumber terhad atau berkesambungan terputus-putus.

16.4 Kecerdasan Buatan untuk Ramalan Permintaan dan Perancangan Logistik

Penyelidikan tentang penggunaan kecerdasan buatan dalam pengedaran pertanian menonjolkan keupayaan kecerdasan buatan untuk menambah baik ramalan hasil tanaman, menjangka permintaan, mengoptimumkan logistik dan meminimumkan pembaziran. Melalui kecerdasan buatan, pihak berkepentingan dalam sektor pertanian boleh mewujudkan rantaian bekalan yang lebih mantap, menyesuaikan diri dan boleh dipertanggungjawabkan, yang mengukuhkan jaminan makanan sejagat.

16.5 Kepercayaan terhadap Kualiti dan Penyepaduan Rantaian Blok

Penyepaduan kecerdasan buatan dan teknologi rantaian blok boleh memodulasikan stok keselamatan minimum, yang berpotensi mendorong pertumbuhan bermakna dalam hasil syarikat. Memanfaatkan kecerdasan buatan boleh mengukuhkan kecekapan keseluruhan rantaian bekalan pertanian. Penyelidikan tentang teknologi rantaian blok dan kecerdasan buatan generatif dalam rantaian bekalan pertanian bertujuan membantu petani membuat keputusan yang tepat dan mencapai pengoptimuman pintar dalam bidang pengeluaran, pemasaran dan kewangan.

16.6 Analisis Perbandingan Teknologi Rantaian Bekalan

Bab 17: Keselamatan Makanan dan Aplikasi Kawalan Kualiti

17.1 Peranan Penting Keselamatan Makanan

Memastikan keselamatan dan kualiti makanan di sepanjang rantaian bekalan pertanian adalah penting untuk kesihatan awam dan kepercayaan pengguna. Sistem keselamatan makanan dipacu kecerdasan buatan membolehkan pengesanan yang pantas dan tepat terhadap bahan cemar, produk palsu dan kecacatan kualiti.

17.2 Spektroskopi Bersepadu Kecerdasan Buatan untuk Pengesanan Keselamatan Makanan

Penyepaduan kecerdasan buatan dan pembelajaran mesin telah dengan ketara menambah baik penilaian kualiti makanan, dengan model seperti rangkaian neural konvolusi (CNN) mencapai ketepatan sehingga 99,85% dalam pengenalpastian produk palsu. Tinjauan ini menonjolkan penyepaduan spektroskopi termaju, analisis dipacu kecerdasan buatan dan teknologi penderia baharu.

17.3 Kecerdasan Buatan Berbilang Mod untuk Keselamatan dan Kualiti Makanan Masa Nyata

Jaminan keselamatan dan kualiti makanan masa nyata memerlukan keputusan pada kelajuan barisan, dari ladang ke runcit, melalui isyarat yang merangkumi penglihatan, spektroskopi, sebatian meruap, biopengesanan dan telemetri proses. Kecerdasan buatan berbilang mod menggabungkan data heterogen ini untuk mengesan bahaya, mengesahkan keaslian dan meramalkan kesegaran dalam beberapa saat.

17.4 Kecerdasan Buatan Berasaskan Awan untuk Pemantauan Kualiti Bijirin

Satu sistem kecerdasan buatan berasaskan awan mengautomasikan pengesanan kualiti dan pencemaran bijirin melalui penglihatan komputer dan pembelajaran mendalam. Imej yang ditangkap di pusat pengedaran dianalisis melalui kerjasama pinggir-awan, yang membolehkan penggredan dan amaran keselamatan masa nyata. Rangkaian neural konvolusi mencapai ketepatan 96% dalam pengenalpastian kualiti bijirin dan pengesanan pencemaran.

17.5 Pembelajaran Mesin dan Mendalam untuk Keutuhan Makanan

Pendekatan berasaskan kecerdasan buatan, pembelajaran mesin dan pembelajaran mendalam menawarkan satu paradigma baharu dalam pengurusan keselamatan makanan melalui pemantauan masa nyata, analisis tanpa musnah dan mekanisme dinamik sokongan keputusan. Cabaran seperti penyeragaman data, ketelusan model dan pematuhan kawal selia muncul sebagai isu utama yang perlu ditangani.

17.6 Teknologi Kecerdasan Buatan Spektrum untuk Keselamatan Makanan

Pendekatan kecerdasan buatan spektrum menyokong pengesanan pelbagai bahaya keselamatan dan kualiti dalam sistem daging, makanan laut dan produk pertanian. Rantaian bersepadu kecerdasan buatan spektrum boleh mengenal pasti penipuan, pencemaran dan kecacatan kualiti dalam pelbagai kategori makanan.

17.7 Analisis Perbandingan Teknologi Keselamatan Makanan

Jilid III: Analisis Bersepadu dan Hala Tuju Masa Depan

Bab 18: Sumber Antarabangsa, Set Data dan Institusi Penyelidikan

18.1 Institusi Penyelidikan Antarabangsa Utama

Beberapa organisasi antarabangsa berada di barisan hadapan penyelidikan dan pembangunan kecerdasan buatan pertanian:

CGIAR (Kumpulan Perundingan Penyelidikan Pertanian Antarabangsa): Satu perikatan sejagat 15 pusat penyelidikan yang berusaha demi jaminan makanan. Penyelidikan akses terbuka CGIAR digunakan untuk mengukuhkan ketepatan dan kaitan nasihat yang dijana kecerdasan buatan.

IFPRI (Institut Penyelidikan Dasar Makanan Antarabangsa): Dengan menerajui projek GAIA, IFPRI meneroka aplikasi kecerdasan buatan dalam sistem makanan, dari sokongan keputusan peringkat ladang sehinggalah analisis dasar.

FAO (Pertubuhan Makanan dan Pertanian Bangsa-Bangsa Bersatu): Sistem AGRIS milik FAO mengkatalogkan penyelidikan dan teknologi pertanian dari seluruh dunia, yang merangkumi aplikasi kecerdasan buatan dalam pertanian persis.

Digital Green: Satu organisasi pembangunan sejagat yang memperkasakan petani kecil dengan memanfaatkan teknologi dan perkongsian akar umbi.

CABI (Pusat Pertanian dan Biosains Antarabangsa): Menyediakan bahan pengetahuan pertanian milik persendirian yang digunakan dalam sistem nasihat kecerdasan buatan.

18.2 Set Data Awam untuk Kecerdasan Buatan Pertanian

Antara set data awam utama yang menyokong pembangunan kecerdasan buatan pertanian ialah:

• CropInstruct: Satu set data yang dibina untuk diagnosis berbilang mod penyakit tanaman, yang mengurangkan kekurangan data berbilang mod penyakit tanaman yang berkualiti tinggi.
• Set data penyakit daun jagung: 4.188 imej hawar, karat biasa, bintik kelabu daun dan daun jagung sihat untuk melatih rangkaian neural konvolusi.
• Grid pengetahuan tanaman: Grid Cropin merangkumi lebih 400 tanaman dan lebih 10.000 varieti, yang dilatih atas berjuta-juta titik data dunia nyata.

18.3 Perkongsian Penyelidikan

Beberapa perkongsian penyelidikan yang bermakna sedang memajukan kecerdasan buatan pertanian:

Perkongsian projek GAIA: Diterajui IFPRI dengan rakan kongsi CABI, SCiO, Universiti Florida dan Digital Green.

Perkongsian IFPRI-Digital Green: Meneroka inovasi kecerdasan buatan untuk petani kecil melalui ujian pengguna FarmerChat.

WHEATWATCHER: Satu inisiatif Horizon Europe yang menyatukan pemantauan kesihatan tanah, penilaian kesihatan tumbuhan dan kebolehkesanan makanan.

Bab 19: Ciri dan Manfaat Mengikut Kategori Aplikasi

19.1 Ringkasan Manfaat Utama

19.2 Manfaat Merentas Bidang

1. Kebolehskalaan: Sistem kecerdasan buatan boleh digunakan pada berjuta-juta hektar, dan menjangkau petani yang tidak dicapai oleh perkhidmatan pengembangan tradisional.

1. Pengurangan kos: Banyak aplikasi kecerdasan buatan beroperasi pada sebahagian kecil daripada kos tradisional. Contohnya, FarmerChat menyediakan pengetahuan setempat pada sebahagian kecil daripada kos tradisional.

1. Ketepatan: Kecerdasan buatan membolehkan pengurusan khusus tapak, yang mengurangkan input sambil mengekalkan atau menambah baik hasil.

1. Operasi masa nyata: Sistem kecerdasan buatan menyediakan pemantauan berterusan dan amaran segera, yang membolehkan tindak balas pantas terhadap masalah yang baru muncul.

1. Penyepaduan data: Platform kecerdasan buatan menggabungkan beberapa aliran data (tanah, iklim, satelit, sejarah) ke dalam satu sokongan keputusan yang bersatu.

1. Kebolehtafsiran: Teknik baru muncul kecerdasan buatan boleh dijelaskan menjadikan keputusan kecerdasan buatan boleh ditafsir, yang membina kepercayaan petani dan membolehkan pembuatan keputusan yang termaklum.

Bab 20: Cabaran Pelaksanaan

20.1 Cabaran Teknikal

Kualiti dan kuantiti data: Satu cabaran asas ialah memperoleh sejumlah besar data berkualiti tinggi untuk membina model berasaskan kecerdasan buatan pada masa kini dan masa depan. Hal ini menjadi kebimbangan bagi semua syarikat.

Penyeragaman data: Cabaran seperti penyeragaman data, ketelusan model dan pematuhan kawal selia muncul sebagai isu utama yang perlu ditangani.

Penyegerakan data berbilang sumber: Cabaran seperti halangan penyegerakan data berbilang sumber, kos tinggi peralatan pintar dan batasan keupayaan model menyesuaikan diri dalam persekitaran pertanian yang kompleks masih kekal.

Keupayaan model menyesuaikan diri: Model yang direka untuk satu konteks selalunya gagal apabila dipindahkan ke tanaman, iklim atau sistem tanaman yang berbeza.

Saling kendalian: Saling kendalian yang terhad antara pelbagai platform kecerdasan buatan dan sistem pertanian mewujudkan silo data dan mengurangkan kecekapan.

20.2 Cabaran Ekonomi

Kos tinggi: Kos tinggi, kebimbangan kerahsiaan, infrastruktur yang tidak mencukupi dan pengetahuan teknikal yang terhad mewujudkan halangan kepada penerimagunaan berskala besar.

Kos peralatan: Kos tinggi peralatan pintar mewujudkan halangan bagi petani kecil.

Ketidakpastian pulangan pelaburan: Manfaat ekonomi penerimagunaan kecerdasan buatan mungkin tidak segera nyata, terutamanya bagi ladang kecil.

20.3 Cabaran Pelaksanaan

Kekurangan infrastruktur: Infrastruktur yang tidak mencukupi, terutamanya di wilayah membangun, menghadkan penggunaan sistem kecerdasan buatan yang memerlukan kesambungan dan tenaga yang boleh dipercayai.

Pengetahuan teknikal yang terhad: Pengetahuan teknikal yang terhad dalam kalangan petani dan pekerja pertanian menghadkan penggunaan berkesan alat kecerdasan buatan.

Halangan penerimagunaan: Penerimagunaan berbeza-beza disebabkan halangan kewangan, infrastruktur dan tadbir urus, terutamanya di wilayah membangun.

20.4 Cabaran Sosial dan Etika

Jurang digital: Akses yang tidak sama rata kepada teknologi berisiko meluaskan jurang antara ladang komersial berskala besar dan petani kecil.

Kerahsiaan dan keselamatan data: Pengumpulan dan penggunaan data ladang menimbulkan kebimbangan tentang pemilikan, kerahsiaan dan penyalahgunaan yang berpotensi.

Penyesaran tenaga kerja: Automasi boleh menyesarkan pekerja pertanian, yang memerlukan perhatian kepada dasar peralihan yang saksama.

Berat sebelah algoritma: Model yang dilatih atas data satu konteks mungkin menunjukkan prestasi yang lemah bagi petani, tanaman atau wilayah yang kurang diwakili.

20.5 Jurang Penyelidikan

Tinjauan literatur bersistematik mengenal pasti jurang penyelidikan dalam penyepaduan kecerdasan buatan dengan bidang baru muncul seperti pengurusan nutrien dan dalam pengembangan penggunaan sistem penderia. Mengisi jurang ini adalah penting untuk membangunkan sistem pertanian yang lebih lestari dan lebih berdaya tahan.

Bab 21: Cadangan Strategik

21.1 Cadangan untuk Petani

1. Mulakan dengan penyelesaian yang disasarkan: Sebelum berkembang kepada pengurusan ladang menyeluruh, mulakan dengan satu aplikasi kecerdasan buatan tunggal (contohnya, pengesanan penyakit).
2. Nilai nisbah kos dan faedah: Timbangkan tawaran nilai khusus untuk tanaman, wilayah dan saiz ladang anda.
3. Utamakan kecerdasan buatan boleh dijelaskan: Pilih sistem yang menawarkan cadangan yang boleh ditafsir, yang membolehkan pengabaian termaklum apabila wajar.
4. Pelihara pengetahuan setempat: Gunakan kecerdasan buatan untuk melengkapkan, bukan menggantikan, pengetahuan pertanian tradisional.
5. Laburkan dalam literasi digital: Bangunkan kemahiran yang diperlukan untuk menggunakan alat kecerdasan buatan dengan berkesan.

21.2 Cadangan untuk Perniagaan Tani

1. Sepadukan beberapa sistem: Untuk manfaat maksimum, hubungkan aplikasi kecerdasan buatan di sepanjang rantaian nilai.
2. Sumbang kepada kualiti data: Laburkan dalam pengumpulan data berkualiti tinggi untuk menambah baik prestasi model.
3. Rancang saling kendalian: Pilih platform yang menyokong piawaian terbuka dan kemudahalihan data.
4. Beri perhatian kepada keselamatan siber: Laksanakan langkah keselamatan yang mantap untuk sistem yang bersambung dengan kecerdasan buatan.
5. Sediakan latihan: Sokong latihan pengguna untuk memaksimumkan penerimagunaan dan manfaat.

21.3 Cadangan untuk Pembangun Teknologi

1. Utamakan kebolehtafsiran: Bina sistem yang petani boleh fahami dan percayai.
2. Sokong beberapa bahasa: Aktifkan antara muka berbilang bahasa untuk menjangkau pengguna yang pelbagai.
3. Optimumkan untuk kesambungan rendah: Bangunkan keupayaan luar talian dan jalur lebar rendah.
4. Reka untuk kemampumilikan: Bina model penetapan harga berperingkat yang boleh diakses oleh petani kecil.
5. Pastikan kerahsiaan data: Laksanakan mekanisme perlindungan data yang mantap.
6. Jalankan ujian berat sebelah: Sahkan model atas pelbagai tanaman, wilayah dan kumpulan pengguna.

21.4 Cadangan untuk Penggubal Dasar

1. Laburkan dalam infrastruktur digital: Luaskan kesambungan dan akses tenaga di kawasan luar bandar.
2. Sokong program literasi digital: Latih petani dan pegawai pengembangan.
3. Wujudkan rangka kerja tadbir urus data: Lindungi hak data petani sambil membolehkan inovasi.
4. Sediakan insentif untuk penerimagunaan: Beri subsidi alat kecerdasan buatan untuk petani kecil.
5. Biayai penyelidikan penyepaduan sistem: Sokong penyelidikan tentang saling kendalian dan sistem penderia.
6. Bangunkan rangka kerja kawal selia: Imbangkan keselamatan, keberkesanan dan inovasi.

21.5 Cadangan untuk Penyelidik

1. Tangani jurang penyelidikan yang dikenal pasti: Utamakan penyepaduan pengurusan nutrien dan pengembangan sistem penderia.
2. Jalankan penilaian kesan yang teliti: Timbangkan prestasi dunia sebenar dalam pelbagai konteks.
3. Bangunkan protokol penanda aras: Wujudkan penunjuk penilaian piawai.
4. Selidik saling kendalian: Bangunkan piawaian terbuka untuk pertukaran data.
5. Kaji kesan sosial: Pantau penyesaran tenaga kerja dan kesan terhadap kesaksamaan.

Bab 22: Kesimpulan dan Trajektori Masa Depan

22.1 Ringkasan Penemuan

Tinjauan menyeluruh ini telah mengenal pasti dan menganalisis aplikasi serta platform perisian kecerdasan buatan utama yang dibangunkan khusus untuk kegunaan pertanian di seluruh dunia. Bukti menunjukkan bahawa kecerdasan buatan digunakan di sepanjang rantaian nilai pertanian, dari pemantauan tanaman dan pengesanan penyakit sehinggalah penuaian autonomi dan pengoptimuman rantaian bekalan, dengan pencapaian yang boleh diukur.

Analisis ini mendedahkan beberapa penemuan utama:

1. Aplikasi kecerdasan buatan merangkumi semua bidang pertanian: Pengurusan tanaman, pengesanan penyakit, ramalan hasil, pemantauan tanah, kawalan rumpai, penuaian, pengairan, ternakan, akuakultur, nasihat, pertanian pintar iklim, pengoptimuman rantaian bekalan dan keselamatan makanan, kesemuanya memanfaatkan teknologi kecerdasan buatan.

1. Pencapaian prestasi adalah didokumenkan dan bermakna: Sistem mencapai ketepatan sehingga 93,1% dalam pengesanan penyakit, 97% dalam pengenalpastian rumpai, R²=0,92 dalam ramalan hasil, dan pengurangan 30% dalam air, baja dan masa pengangkutan.

1. Satu ekosistem platform yang pelbagai wujud: Dari awan pertanian pintar menyeluruh (Cropin) sehinggalah penyelesaian khusus (Terra Oracle AI, FarmerChat, LaserWeeder), petani dan perniagaan tani mempunyai pilihan yang disesuaikan dengan keperluan khusus mereka.

1. Penerimagunaan berdepan halangan bermakna: Kos tinggi, kekurangan infrastruktur, pengetahuan teknikal yang terhad, cabaran kualiti data dan kekangan saling kendalian menghadkan penerimagunaan berskala besar, terutamanya bagi petani kecil.

1. Jurang penyelidikan masih kekal: Terutamanya dalam penyepaduan kecerdasan buatan dengan pengurusan nutrien dan dalam pengembangan penggunaan sistem penderia.

22.2 Masa Depan Kecerdasan Buatan dalam Pertanian

Pemodenan pengeluaran pertanian dan makanan mempamerkan satu hala tuju yang jelas, yang bergerak daripada permesinan kepada automasi, dan kini terus menuju ke arah pertanian dan kejuruteraan makanan yang pintar. Beberapa aliran baru muncul akan membentuk masa depan kecerdasan buatan dalam pertanian:

Kecerdasan buatan pinggir dan pemprosesan pada peranti: Memindahkan pengiraan kecerdasan buatan ke peranti pinggir mengurangkan pergantungan pada kesambungan awan, yang membolehkan pemprosesan masa nyata di persekitaran pertanian terpencil.

Kecerdasan buatan generatif dan penyepaduan model bahasa besar: Model bahasa besar akan semakin menguasakan sistem nasihat pertanian, dan menyediakan sokongan perbualan dan sedar konteks kepada petani.

Model asas untuk pertanian: Model seperti Model Tumbuhan Besar (LPM) untuk pengenalpastian tumbuhan akan membolehkan pembelajaran pemindahan antara tanaman dan konteks.

Sistem berbilang mod: Penyepaduan penglihatan, bahasa, penderia dan mod lain akan menyediakan kecerdasan ladang yang menyeluruh.

Ekosistem autonomi: Sistem autonomi hujung ke hujung akan menguruskan keseluruhan operasi pertanian dengan campur tangan manusia yang minimum.

Penyepaduan kelestarian: Kecerdasan buatan akan memainkan peranan yang semakin penting dalam memantau, mengesahkan dan mengoptimumkan pelepasan pertanian dan penyerapan karbon.

22.3 Renungan Penutup

Teknologi kecerdasan buatan dalam pertanian dijangka menjadi antara topik penyelidikan pertanian yang paling penting pada masa kini dan masa depan. Teknologi ini menyumbang secara bermakna kepada kelestarian melalui pemantauan keadaan di ladang, penambahbaikan sokongan keputusan, perlindungan tanah, penjimatan air, pengehadan pelepasan karbon, pengurangan penggunaan gas rumah hijau, peningkatan produktiviti, pemudahan dan penambahbaikan operasi pertanian, serta pembangunan pelbagai penyelesaian kepada masalah yang masih belum selesai.

Laluan ke hadapan memerlukan kerjasama antara petani, perniagaan tani, pembangun teknologi, penyelidik dan penggubal dasar. Dengan bekerjasama, komuniti pertanian sejagat boleh memanfaatkan kecerdasan buatan untuk membina sistem makanan yang lebih produktif, lebih lestari dan lebih berdaya tahan, yang akan membantu memberi makan kepada penduduk yang semakin bertambah sambil menguruskan sumber bumi dengan bijaksana.

Jilid IV: Bahan Sokongan

Bab 23: Rujukan

Rujukan di bawah dikemukakan dalam bahasa asalnya (Inggeris) untuk mengekalkan keutuhan petikan dan kebolehkesanan kepada sumber yang diterbitkan.

1. Özoğul, G. (2025). Applications of artificial intelligence technologies in agriculture: advantages, challenges, risks, prospects, and recommendations. Cogent Food & Agriculture, 11(1), 2568199\.

1. Veronika Yuni T, Saromah, & Gunawan, B. (2025). Smart Farming Technologies for Global Food Security: A Review of Robotics and Automation. Digitus: Journal of Computer Science Applications, (4), 186-201.

1. (2025). Revolutionizing agriculture: A comprehensive review on artificial intelligence applications in enhancing properties of agricultural produce. Food Chemistry: X, 29, 102748\.

1. Mohammed, S. P., Deepika, J., Sritharan, N., Ravichandran, V., Prasanthrajan, M., & Kannan, P. (2025). A systematic literature review on artificial intelligence in transforming precision agriculture for sustainable farming: Current status and future directions. Plant Science Today, 12(2).

1. (2025). A Comprehensive Review of AI Methods in Agri-Food Engineering: Applications, Challenges, and Future Directions. Electronics, 14(20), 3994\.

1. (2026). Integrating stability zones and machine learning for enhanced crop management. Precision Agriculture, 27, 38\.

1. (2025). IoT and Machine Learning Framework for Precision Agri-Business and Smart Crop Forecasting. IEEE Conference Paper.

1. (2026). Intelligent Decision Support System for Sustainable Precision Agriculture: A Deep Learning Approach. IEEE Conference Paper.

1. (2026). AI-Driven Precision Agriculture System for Crop Health Monitoring & Yield Prediction. IEEE Conference Paper.

1. Getnet Tigabie Askale, Achenef Behulu Yibel, Belayneh Matebie Taye, & Gashaw Desalegn Wubneh. (2025). Mobile based deep CNN model for maize leaf disease detection and classification. BMC.

1. (2026). CropGPT: A large multimodal model for precise and explainable diagnosis of crop pests and diseases. Elsevier / Computers and Electronics in Agriculture.

1. TatarAI: Crop & Plant Health. App Store.

1. Cropin. (2025). Cropin Intelligence – predictive agri-business insights platform. https://www.cropin.com

1. Deutschland.de. (2026). High tech in the fields: Driverless farm machinery, artificial intelligence and smart livestock breeding.

1. Tehrani, R. (2025). Autonomous Farms Are Taking Root, but Big Questions Remain. TMCnet Blog.

1. (2025). Vayazh \- Leveraging AI and NLP to Empower Farmers with Real-Time Agricultural Insights. IEEE Conference Paper.

1. IFPRI. (2025). Generative AI for Agriculture (GAIA) – Phase I & II. https://www.ifpri.org

1. IFPRI. (2025). IFPRI and Digital Green expand collaboration to test AI innovations for smallholder farmers. https://www.ifpri.org

1. Agrotics: Smart Farming App. App Store.

1. Cropin. (2025). Intelligent agriculture cloud \- agri-cloud solutions. https://www.cropin.com

1. HortiDaily. (2026). AI agronomic advisor turns fragmented farm data into multilingual, real-time decisions.

1. (2025). Poultry Farm Intelligence: An Integrated Multi-Sensor AI Platform for Enhanced Welfare and Productivity. arXiv.

1. BirdWatch. ESA Business Applications.

1. (2025). ÇOMÜ Academics Developed Artificial Intelligence Supported BroBot. YÖK.

1. (2026). Artificial Intelligence for Blue Transformation: A Review of Predictive Modeling and Decision Support Systems in Sustainable Aquaculture. Wiley.

1. (2026). AI-Powered Fish Farming Global Market Report 2026\. GII Research.

1. (2025). "GenAI \+ blockchain" to coordinate agricultural supply chains to improve quality trust: an agent-based simulation study. Frontiers.

1. (2026). Generative AI and Blockchain-Integrated Multi-Agent Framework for Resilient and Sustainable Fruit Cold-Chain Logistics. MDPI.

1. (2026). Strawberry Picking Using AI Vision, Silicone Fingers, and a Fan. ASME.

1. (2026). Automated Fruit and Vegetable Harvesting. Fraunhofer Institute.

1. (2026). Eternal.ag raises €8M to automate greenhouse harvesting with AI-powered robots. Tech.eu.

1. (2025). A Novel AI-Enabled IoT Framework for Real-Time Soil Fertility Analysis and Adaptive Crop Recommendation in Smart Agriculture. IEEE.

1. (2026). Deep Q-Learning-Based Robotic Weed Detection and Removal in Precision Crop Management. IEEE.

1. Carbon Robotics. (2026). Carbon Robotics expands autonomous weed control across crops. Organic Grower Magazine.

1. (2025). AI-Integrated Spectroscopy for Food Safety. AGRIS.

1. (2026). Spectral-AI technologies for food safety: Advances, challenges, and future directions. ScienceDirect.

1. (2025). Cloud Based AI System for Food Grain Quality and Safety Monitoring. JISEM.

Bab 24: Lampiran

Lampiran A: Kamus Istilah Kecerdasan Buatan Pertanian

Lampiran B: Matriks Perbandingan Ciri

Lampiran C: Direktori Institusi Antarabangsa

Institusi penyelidikan:

• CGIAR: cgiar.org
• IFPRI: ifpri.org
• CABI: cabi.org
• FAO: fao.org

Platform industri:

• Cropin: cropin.com
• Digital Green: digitalgreen.org
• Terra Oracle AI: (berpangkalan di Eropah)

Sumber terbuka:

• Repositori GitHub berkaitan AgriPredict AI, Cropl, AgriIntel dan lain-lain.

Lampiran D: Senarai Semak Penilaian Aplikasi Kecerdasan Buatan Pertanian

Untuk petani dan perniagaan tani yang menilai aplikasi kecerdasan buatan:

Penilaian teknikal:

• Adakah sistem menawarkan cadangan yang boleh dijelaskan?
• Adakah model kecerdasan buatan disahkan untuk tanaman dan wilayah anda?
• Penunjuk ketepatan atau prestasi yang manakah dilaporkan?
• Adakah sistem disepadukan dengan peralatan sedia ada anda?

Penilaian kebolehgunaan:

• Adakah antara muka boleh diakses oleh pengguna pada tahap literasi teknikal anda?
• Adakah sokongan berbilang bahasa tersedia?
• Adakah sistem berfungsi secara luar talian atau dengan kesambungan terhad?

Penilaian kos:

• Berapakah jumlah kos pemilikan (termasuk latihan, sokongan dan naik taraf)?
• Adakah model penetapan harga berperingkat yang sesuai dengan skala anda?
• Apakah pulangan pelaburan yang dijangka?

Penilaian data:

• Siapakah pemilik data yang dikumpul oleh sistem?
• Perlindungan kerahsiaan yang manakah disediakan?
• Bolehkah anda mengeksport data anda dalam format yang boleh digunakan?

Penilaian sokongan:

• Adakah latihan disediakan?
• Sokongan teknikal yang manakah tersedia?
• Adakah komuniti pengguna atau kajian kes yang boleh anda teliti?

Pengisytiharan dan Pernyataan

Pengisytiharan Percanggahan Kepentingan

Penulis manuskrip ini, Dr. Aladdin Ali, ialah Pengasas dan Pengurus Besar Aladdin International serta pembangun platform Aladdin Agri AI yang diperkenalkan dalam Bab 4\. Hubungan ini mewakili percanggahan kepentingan yang berpotensi dan diisytiharkan secara jelas di sini. Penilaian yang dikemukakan dalam Bab 4 berasaskan dokumentasi reka bentuk dan pelaksanaan platform dan, sebagaimana yang dinyatakan dalam Bahagian 4.11, tidak berasaskan penanda aras lapangan bebas pihak ketiga. Pembaca dinasihatkan supaya mengambil kira hubungan ini ketika mentafsir bab tersebut. Bab-bab lain dalam manuskrip ini berkaitan dengan platform pihak ketiga yang didokumenkan secara terbuka, dan tiada hubungan komersial dengan platform tersebut yang diisytiharkan.

Pembiayaan

Penulis mengisytiharkan bahawa tiada pembiayaan luaran khusus daripada mana-mana agensi kerajaan, komersial atau bukan untung yang diterima untuk menjalankan kajian ini. Kerja ini dijalankan dalam inisiatif yang diterajui oleh penulis.

Ketersediaan Data dan Bahan

Makalah ini ialah makalah tinjauan. Kesemua data yang dianalisis diperoleh daripada sumber yang diterbitkan dan boleh diakses secara terbuka yang disenaraikan dalam Bab 23\. Tiada set data primer baharu yang dihasilkan untuk kajian ini. Dokumentasi platform yang dirujuk dalam Bab 4 ialah hak milik persendirian Aladdin International.

Pernyataan Etika

Kajian ini tidak melibatkan sebarang penyelidikan ke atas peserta manusia, data manusia atau subjek haiwan. Oleh itu, kelulusan jawatankuasa etika tidak diperlukan.

Sumbangan Penulis

Pengkonsepsian, reka bentuk metodologi, penyelidikan bibliografi, analisis dan penulisan manuskrip dilaksanakan oleh penulis tunggal.

Pernyataan Ketelusan tentang Alat yang Digunakan

Alat berbantukan kecerdasan buatan digunakan untuk penyediaan dan penyuntingan bahasa manuskrip ini. Tanggungjawab terhadap ketepatan saintifik, keutuhan sumber dan bentuk akhir kandungan terletak pada penulis. Kesemua statistik dan petikan berasaskan sumber primer yang disenaraikan dalam Bab 23\.

Tamat Manuskrip

Kajian ini disediakan untuk Persidangan Antarabangsa Kecerdasan Buatan dalam Sistem Agromakanan. Versi yang disemak semula untuk penerbitan dalam jurnal pertanian antarabangsa dan pembentangan dalam persidangan antarabangsa. Versi 1.1. 2026\.