ઉનાળાના મધ્યમાં સોયાબીનની સ્થિતિને ચકાસવા માટે ક્ષેત્ર પુનર્નિર્દેશન - થાકવું, પરંતુ નવી જાતોને દૂર કરતી વખતે આવશ્યક કાર્ય.
બ્રીડર્સને વધતી જતી મોસમના નિર્ણાયક સમયગાળામાં ડુક્કરિંગ સૂર્ય હેઠળ દૈનિક ભટકવું પડશે, જે છોડને ઇચ્છનીય સુવિધાઓ જેમ કે પ્રારંભિક પાકની જેમ ઇચ્છનીય સુવિધાઓ દર્શાવે છે. પરંતુ, આ ચિહ્નોની શોધને સ્વયંચાલિત કરવાની તક વિના, વૈજ્ઞાનિકો ઘણી બધી સાઇટ્સ ચકાસી શકતા નથી કારણ કે તેઓ બજારમાં નવી જાતોને દૂર કરવા માટે સમય વધારવા માંગે છે.
ઇલિનોઇસ યુનિવર્સિટીના નવા અભ્યાસમાં, વૈજ્ઞાનિકોએ સોયાબીનના પરિપક્વતાના સમયની આગાહી કરી હતી કે ડ્રૉન્સ અને કૃત્રિમ બુદ્ધિથી છબીઓનો ઉપયોગ કરીને બે દિવસની અંદર બે દિવસની અંદર, જે કામને ખૂબ જ સરળ બનાવે છે.
નિકોલસ માર્ટિન કહે છે કે, "પૉડ પરિપક્વતાના આકારણીને ઘણો સમય આવશ્યક છે અને અહીં ભૂલ કરવી ઘણીવાર શક્ય છે, કારણ કે આ મૂલ્યાંકન પ્રણાલી પોડના રંગ પર આધારિત છે, અને નિકોલસ માર્ટિન કહે છે કે, ખોટી રીતે નક્કી કરવામાં આવે છે." , ઇલિનોઇસમાં ફેરબદલ વિભાગ અને અભ્યાસના સહયોગી વિભાગના સહયોગી પ્રોફેસર. "ઘણા લોકો પરિપક્વતાના મૂલ્યાંકન માટે ડ્રૉન્સમાંથી સ્નેપશોટનો ઉપયોગ કરવાનો પ્રયાસ કરે છે, પરંતુ અમે તે કરવા માટે ચોક્કસ રીત શોધવા માટે પ્રથમ છીએ."
રોડ્રીગો ટ્રેવિઝૅન, માર્ટિન સાથે કામ કરતી ડોક્ટરલ વિદ્યાર્થી, પાંચ ટ્રાયલ, ત્રણ વધતી મોસમ અને બે દેશોમાં એકત્રિત થતાં ડ્રૉન્સમાંથી રંગ પરિવર્તનને શોધવા માટે કમ્પ્યુટર્સને શીખવ્યું. તે નોંધવું મહત્વપૂર્ણ છે કે કમ્પ્યુટર્સ "ખરાબ" છબીઓ પણ ધ્યાનમાં લેવા અને અર્થઘટન કરી શકે છે.
"ચાલો કહીએ કે અમે દર ત્રણ દિવસમાં છબીઓ એકત્રિત કરવા માંગીએ છીએ, પરંતુ વાદળો એકવાર દેખાય છે અથવા તે વરસાદ પડે છે, જે ચિત્રોની ગુણવત્તાને અસર કરે છે. અંતે, જ્યારે તમે વિવિધ વર્ષોથી અથવા વિવિધ સ્થળોએ ડેટા પ્રાપ્ત કરો છો, ત્યારે તે બધા છબીઓ, અંતરાલો અને તેથી આગળના દૃષ્ટિકોણથી જુદા જુદા દેખાશે. અમે વિકસિત કરેલી મુખ્ય નવીનતા એ છે કે આપણે કેવી રીતે પ્રાપ્ત બધી માહિતી ધ્યાનમાં લઈ શકીએ છીએ. અમારા મોડેલ સારી રીતે કામ કરે છે તે ડેટા કેટલી વાર ચાલી રહ્યું છે તે કોઈ બાબત નથી, "ટ્રેવિઝૅન કહે છે.
ટ્રેવિસને કૃત્રિમ બુદ્ધિના પ્રકારનો ઉપયોગ કર્યો, જેને ડીપ કવિવોલ્યુશન ન્યુરલ નેટવર્ક્સ (સીએનએન) કહેવાય છે. તે કહે છે કે સીએનએન એ એવી રીતે છે કે જેની પાસે માનવ મગજ છબીઓના ઘટકોની અર્થઘટન કરે છે - રંગ, આકાર, ટેક્સચર - એટલે કે, અમારી આંખોથી મેળવેલી માહિતી.
"સીએનએન સ્વરૂપો, સરહદો અને દેખાવ ઉપરાંત રંગમાં નાના ફેરફારોને શોધી કાઢે છે. અમારા માટે, સૌથી મહત્વનું રંગ હતું. પરંતુ કૃત્રિમ બુદ્ધિના મોડેલ્સનો ફાયદો, જેનો અમે ઉપયોગ કર્યો છે તે એ છે કે ઉપજ અથવા અવધિ જેવી અન્ય લાક્ષણિકતાની આગાહી કરવા માટે તે જ મોડેલનો ઉપયોગ કરવો ખૂબ જ સરળ હશે. તેથી, હવે આપણી પાસે આ મોડેલ્સ છે, લોકો અન્ય ઘણા કાર્યોને પરિપૂર્ણ કરવા માટે સમાન વ્યૂહરચનાનો ઉપયોગ કરવાનું વધુ સરળ હોવું જોઈએ, "ટ્રેવિઝૅન સમજાવે છે.
વૈજ્ઞાનિકો કહે છે કે ટેક્નોલૉજી મુખ્યત્વે પ્રજનન વ્યવસાયિક કંપનીઓમાં ઉપયોગી થશે.
"અમારી પાસે સેક્ટરલ ભાગીદારો હતા જેમણે અભ્યાસમાં ભાગ લીધો હતો જે ચોક્કસપણે આગામી વર્ષોમાં તેનો ઉપયોગ કરવા માંગતો હતો. અને તેઓએ ખૂબ જ સારો, મહત્વપૂર્ણ યોગદાન આપ્યું. તેઓ ખાતરી કરવા માંગે છે કે જવાબો ક્ષેત્રના બ્રીડર્સ માટે સંબંધિત છે જે છોડ અને ખેડૂતો માટે નિર્ણયો લેવાનું નક્કી કરે છે, "નિકોલસ માર્ટિનએ જણાવ્યું હતું.
(સ્રોત: farmertario.com. ફોટો: ગેટ્ટી છબીઓ).