آبیاری هوشمند تلفات آب را به حداقل می رساند و تولید محصول را افزایش می دهد. در این مقاله یک تجربه بهره وری با محوریت سیستم های پمپ مبتنی بر یادگیری عمیق (Deep learning) و اینترنت اشیا (IoT) برای آبیاری دقیق در بنگلادش ارائه شده است.
به گزارش پایگاه خبری بهره ورنیوز به نقل از وبسایت سازمان بهره وری آسیایی، در سراسر جهان، ۷۰ درصد آب شیرین تنها برای کشاورزی استفاده می شود. بسیاری از کشورها به دلیل تغییرات شدید اقلیمی و بارندگی کمتر با خشکسالی شدید مواجه شده اند.
از سوی دیگر، الگوی بارندگی تغییر کرده و برخی از مناطق آسیا برای مدت طولانی عمدتاً به بهره برداری از آب های زیرزمینی وابسته هستند. این وابستگی طولانی مدت به آب های زیرزمینی خطر فرونشست خاک را به همراه دارد.
با کاهش بارندگی، کمبود آب در مناطق مختلف، به ویژه سیستم های رودخانه مشترک بین المللی در بنگلادش، بوتان، کامبوج، تاویان، هند، لائوس، نپال، تایلند و ویتنام رخ داده است.
به حداقل رساندن مصرف آب هنگام استفاده از سیستم های آبیاری سطحی در چنین سیستم های رودخانه ای مشترک مهم است. پروژه های آبیاری متعددی در اقتصادهای نوظهور با هدف دستیابی به امنیت غذایی به ویژه در تولید برنج ایجاد شده است. بیشتر برنج تولید شده در کشورهای آسیایی به سیستم های آبیاری بستگی دارد.
در پروژه های آبیاری مرسوم، از پمپ های متعدد برای انتقال آب از کانال های اولیه به کانال های ثانویه و سوم استفاده می شود. با این حال، تلفات به راحتی در کانال های طبیعی و تلفات انرژی در طول عملیات طولانی مدت پمپ رخ می دهد.
از سوی دیگر، رطوبت خاک و نیاز آبی بر اساس نوع خاک، میزان رطوبت موجود، انواع مواد آلی موجود در خاک و شیب زمین برای نگهداری آب به طور قابل توجهی تغییر می کند. علاوه بر این، ظرفیت مزرعه و نقاط پژمردگی گیاه، نیاز آبی را متغیر می کند.
این در حالی است که به کار بردن یادگیری عمیق و فناوری‌های مبتنی بر اینترنت اشیا (IoT) راه‌حل‌هایی را به کشاورزان و مدیران پروژه‌های آبیاری در مقیاس بزرگ ارائه می‌دهد که باید با سطوح مختلف رطوبت خاک، انواع مواد آلی و شیب در مناطق آبیاری شوند.
در همین زمینه بخوانید
مجله بهره‌وری (۱۸): مصورسازی فرآیند و کاهش هزینه از طریق MFCA
مجله بهره‌وری (۱۷): سیاه و سفید انحصار بازار؛ کوواریانس بین سهم بازار و بهره‌وری
مجله بهره‌وری (۱۶): بررسی اتوماسیون و نیروی کار مهاجر برای بهره‌وری
مجله بهره‌وری (۱۵): بهره‌وری دولت؛ روش‌های عملی برای خدمات بیشتر با هزینه کمتر
مجله بهره‌وری (۱۴): چه کسی بهره‌ور است، چه کسی بهره‌ور نیست؟
مجله بهره‌وری (۱۳): پس از ۲۰۲۴: آیا شاهد رکود اقتصادی خواهیم بود یا رونق مبتنی بر بهره‌وری؟
مجله بهره‌وری (۱۲): رفع موانع عملیاتی برای افزایش بهره‌وری
مجله بهره‌وری (۱۱)کدام مهارت‌های بهره‌ورانه در قرن ۲۱ مهم هستند؟
عملیات پمپ کنترل شده مبتنی بر یادگیری عمیق مبتنی بر اینترنت اشیا این پتانسیل را دارد که عملیات بهینه و خاص هر سایت کشاورزی را فعال کند. پمپ های تک در یک سیستم فقط در صورت نیاز در مناطقی که تقاضای آب بالاترین است، فعال می شوند. فنوتیپ با توان بالا با استفاده از پهپادها و حسگرهای رطوبت خاک توزیع شده بی سیم (WiFi) می تواند اطلاعاتی را در مورد مکان هایی که نیاز به عملکرد پمپ دارند، ارائه دهد. (شکل ۱)
تصویربرداری حرارتی روشی امیدوارکننده برای تعیین میزان رطوبت با استفاده از هواپیماهای بدون سرنشین برای جمع‌آوری تصاویر از میدان است. پردازش تصویر حرارتی با مجموعه داده‌های ارتوموسائیک می‌تواند برای ایجاد نقشه‌های تنش آب مورد استفاده قرار گیرد، که به شناسایی مناطقی که محصولات کشاورزی فاقد آب کافی هستند کمک می‌کند.
در مدیریت آبیاری مبتنی بر اینترنت اشیا، ماژول‌های وای‌فای کم‌هزینه، رله‌ها و میکروکنترلرها پمپ‌های آب را کار می‌کنند (شکل ۲). پمپ ها از طریق رله به میکروکنترلرها متصل می شوند و میکروکنترلرها نیز به نوبه خود به ماژول های WiFi متصل می شوند.
ماژول‌های وای‌فای سیگنال‌ها را از میدان به یک کنترلر باند باریک (NB)-IoT منتقل می‌کنند، که سپس از طریق یک برنامه گوشی هوشمند قابل دسترسی است. سیستم‌های NB-IoT تولید سیگنال WiFi را با استفاده از شبکه‌های کم مصرف (LPWAN) تضمین می‌کنند.
در یک سیستم یادگیری عمیق، شبکه عصبی کانولوشن (CNN) دقت را بر اساس مجموعه داده‌های آموزشی تضمین می‌کند. مجموعه داده های تاریخی و اطلاعات رطوبت خاک در محل مناطق فرماندهی آبیاری بزرگ را می توان بر اساس نوع خاک، محتوای ماده آلی و شیب طبقه بندی کرد.
طبقه بندی اول شامل ظرفیت های نگهداری آب انواع اصلی خاک است: شنی. لجنی; و لوم های رسی. مورد دوم مربوط به حضور زیاد، متوسط یا کم مواد آلی در خاک است. طبقه بندی سوم شیب زمین است که می توان از روی نقشه های شطرنجی و با استفاده از تحلیل فضایی GIS تعیین کرد.
علاوه بر این، نیاز آبی محصولات را می توان با استفاده از سیستم های سنجش از دور محاسبه کرد که شاخص های تنش آب را بر اساس داده های امواج کوتاه و مادون قرمز نزدیک از تصاویر زمین عملیاتی Landsat 8 شناسایی می کند.
طبقه‌بندی‌کننده‌های تنش آبی را می‌توان در مجموعه داده‌های آموزشی گنجاند که با در نظر گرفتن شاخص‌های فنولوژی، نیاز آبی گیاه، نرخ تبخیر و تعرق و نفوذ عمیق آب، به عنوان تنش زیاد، متوسط و کم طبقه‌بندی می‌شوند. هر سه طبقه‌بندی‌کننده اصلی که از روش‌های یادگیری عمیق استفاده می‌کنند به مجموعه داده بزرگی برای آموزش برای توسعه یک سیستم مدیریت آب NB-IoT و مبتنی بر یادگیری عمیق برای به حداقل رساندن تلفات آب در طول آبیاری نیاز دارند.
مزایای متعددی از چنین سیستم های مدیریت آبیاری پیشرفته ای در کشورهای توسعه یافته و در حال توسعه وجود دارد. زمان عملکرد پمپ را می توان کاهش داد که در مصرف انرژی نیز صرفه جویی می کند. با توجه به تغییرات خاص سایت و نیازهای آب، پمپ های انتخاب شده را می توان تنها در مکان های مورد نیاز کار کرد.
سیستم‌هایی که از NB-IoT توزیع شده استفاده می‌کنند، روش‌های امیدوارکننده‌ای برای توسعه سیستم‌های آبیاری هوشمند هستند. ماژول‌های WiFi توزیع‌شده و حسگرهای رطوبت خاک مرجع در محل اجازه می‌دهند تا از راه دور و در زمان واقعی سطوح رطوبت خاک در مزرعه را تأیید کنند. بنابراین، کشورهای آسیایی که سیستم‌های آبیاری هوشمند را اتخاذ می‌کنند، می‌توانند انتظار داشته باشند که در مصرف آب صرفه‌جویی کنند و تولید برنج و سایر محصولات را افزایش دهند.
= = = = = = = = = = =
روزهای جمعه میتوانید در پایگاه خبری بهره ورنیوز، ترجمه مقالاتی در حوزه بهره وری را که در معتبرترین مراجع منتشر شده است، را با عنوان «مجله بهره وری» مطالعه کنید.
این مقاله ترجمه ای است از مقاله ای با عنوان «Deep learning and IoT-based pump systems for precision irrigation» نوشته دکتر طفائل احمد (Dr. Tofael Ahamed) که در وبسایت سازمان بهره وری آسیایی منتشر شده است.
شایان ذکر است که توفائل احمد دانشیار دانشکده زندگی و علوم محیطی دانشگاه تسوکوبا است که یکی از دانشگاه های پیشرو در ژاپن است. دکتر احمد همچنین دارای تجربیات آموزشی و پژوهشی به عنوان مدرس، دستیار و دانشیار در گروه نیرو و ماشین آلات مزرعه، دانشگاه کشاورزی بنگلادش است. او دکترای خود را از دانشگاه تسوکوبا دریافت کرد و در دانشگاه ایلینویز در اوربانا-شامپین، ایالات متحده آمریکا تحقیقات پسا دکتری انجام داد.
دکتر احمد تحقیقاتی را در زمینه فناوری کشاورزی دقیق، رباتیک کشاورزی و سیستم های پشتیبانی تصمیم با استفاده از GIS و سنجش از دور ماهواره ای انجام می دهد. در توسعه سیستم سنجش، وی بر فعال کردن کاربرد هوشمند اینترنت اشیا در کشاورزی تمرکز می‌کند، جایی که تولید محصول از نظر مکانی و زمانی در محدوده‌های مزرعه بسته به شرایط خاک و محیطی متفاوت است.
دکتر طفائل احمد کارشناس دوره آموزش الکترونیکی سازمان بهره وری آسیایی در زمینه مکانیزاسیون مزارع هوشمند است. توضیحات دوره در اینجا موجود است.
مطالب مرتبط:
مجله بهره‌وری (۱۰): بهره‌وری کلید رشد و توسعه اقتصادی
مجله بهره‌وری (۹): ضرورت ارتقای بهره‌وری کشاورزی در دنیای امروز
مجله بهره‌وری (۸): کارایی، اثربخشی و بهره‌وری؛ سه مفهوم پرکاربرد که با هم اشتباه گرفته می‌شوند
مجله بهره‌وری (۷): ضرورت ارتقای بهره‌وری در همه واحدهای سازمانی
مجله بهره‌وری (۶): تأثیر مشارکت کارکنان بر بهره‌وری
مجله بهره‌وری (۵): هوش مصنوعی و رشد بهره‌وری
مجله بهره‌وری (۴): هوش مصنوعی و وعده‌های آن برای افزایش بهره‌وری و رشد اقتصادی
مجله بهره‌وری (۳): چگونه می‌توان بهره‌وری را افزایش داد؟
مجله بهره‌وری (۲): بهره‌وری چیست؟ مک کینزی پاسخ می‌دهد
مجله بهره‌وری (۱): شرکتهایی که بالاترین بهره‌وری را دارند، چه تفاوت عملکردی با دیگران دارند؟
ترجمه: محمد مجیدزاده