मातीपासून पिकापर्यंत प्रत्येक निर्णयावर तंत्रज्ञानाची नजर; पाणी बचत, रोगनिदान आणि यंत्रांची देखभालही ‘स्मार्ट’

कोल्हापूर जिल्ह्यातील तळसंदे येथील डॉ. डी. वाय. पाटील ॲग्रीकल्चर अँड टेक्निकल युनिव्हर्सिटीने प्रा. प्रीती विजय कोले यांना “Enhancing Agriculture through IoT-Driven Smart Farming and Ensemble Machine Learning” या संशोधनासाठी पीएच.डी. प्रदान केली आहे. डॉ. संग्राम पाटील यांच्या मार्गदर्शनाखाली त्यांनी हा शोधप्रबंध सादर केला आहे. या संशोधनावर आधारित हा लेख…

शेती म्हटली की आजवर अनुभव, अंदाज आणि पारंपरिक ज्ञान यावर मोठ्या प्रमाणात निर्णय घेतले जात होते. पाऊस किती पडेल, जमिनीत ओल किती आहे, पिकाला पाणी कधी द्यायचे, खताचे प्रमाण किती असावे, रोगाचा प्रादुर्भाव झाला आहे का, पंप किंवा मोटार कधी बिघडू शकते, याची उत्तरे प्रामुख्याने शेतकऱ्याच्या निरीक्षणातून शोधली जातात. मात्र, आता या पारंपरिक शेतीसमोर तंत्रज्ञानाधारित नवे पर्व उभे राहत आहे. इंटरनेट ऑफ थिंग्ज (IoT), मशीन लर्निंग, डीप लर्निंग आणि निर्णय सहाय्य प्रणाली यांच्या एकत्रित वापरातून शेतीतील निर्णय अधिक अचूक, वेळेवर आणि संसाधनांचा कार्यक्षम वापर करणारे बनविण्याचा मार्ग संशोधनातून पुढे आला आहे.

डी. वाय. पाटील ॲग्रीकल्चर अँड टेक्निकल युनिव्हर्सिटी, तळसंदे येथील संगणकशास्त्र व अभियांत्रिकी विभागातील प्रा. प्रीती विजय कोले यांच्या “Enhancing Agriculture through IoT-Driven Smart Farming and Ensemble Machine Learning” या पीएच.डी. संशोधनात स्मार्ट शेतीसाठी एकात्मिक IoT–ML–DSS प्रणाली विकसित करून तिची चाचणी करण्यात आली आहे. संशोधनाचे वैशिष्ट्य म्हणजे IoT, मशीन लर्निंग किंवा कृत्रिम बुद्धिमत्ता यापैकी एखादे तंत्रज्ञान स्वतंत्रपणे मांडण्याऐवजी या सर्व तंत्रज्ञानांची शेतीतील विविध कामांसाठी एकत्रित सांगड घालण्यात आली आहे.

शेतातील माहिती थेट संगणकापर्यंत

या प्रणालीमध्ये शेतातील विविध घटकांची माहिती सेन्सरच्या माध्यमातून सतत गोळा केली जाते. जमिनीतील ओलावा, तापमान, आर्द्रता, पीएच, नायट्रोजन-फॉस्फरस-पोटॅशियम म्हणजेच एनपीके तसेच पावसासारख्या घटकांचे मोजमाप केले जाते. याशिवाय पिकांच्या पानांची छायाचित्रे घेऊन त्यावरून रोग ओळखण्याची व्यवस्थाही करण्यात आली आहे. सेन्सरमधून मिळणारी माहिती ESP32 आधारित यंत्रणेद्वारे घेतली जाते, तर Raspberry Pi हे गेटवे म्हणून काम करते. या प्रक्रियेत काही प्राथमिक माहिती शेताजवळच प्रक्रिया केली जाते. त्यामुळे प्रत्येक माहिती थेट क्लाउडकडे पाठविण्याची गरज कमी होते.

याचा सर्वात महत्त्वाचा फायदा म्हणजे शेतातील परिस्थितीचा अंदाज केवळ अधूनमधून घेण्याऐवजी सतत माहिती मिळविता येते. त्यामुळे ‘आज पाणी द्यायचे का?’, ‘किती पाणी द्यायचे?’, ‘पिकाला रोगाचा धोका आहे का?’ यांसारखे प्रश्न केवळ अंदाजावर न सोडता उपलब्ध माहितीच्या आधारे सोडविता येतात.

कृत्रिम बुद्धिमत्ता पिकासाठी निर्णय घेते

या संशोधनात Random Forest, XGBoost आणि CatBoost यांसारख्या Ensemble Machine Learning पद्धतींचा वापर करण्यात आला. विविध मॉडेलच्या क्षमतांची तुलना करून कोणत्या कृषी निर्णयासाठी कोणते मॉडेल अधिक उपयुक्त ठरते, हे तपासण्यात आले.

संशोधनातील निष्कर्षांनुसार पीक शिफारशीसाठी Random Forest ने ९५.२ टक्के अचूकता, सिंचनाच्या गरजेच्या अंदाजासाठी XGBoost ने ९९.३ टक्के अचूकता, तर खताच्या शिफारशीसाठी CatBoost ने ९६.४ टक्के अचूकता मिळविली. कीडनाशकाच्या सल्ल्यासाठी XGBoost ची अचूकता ९२.८ टक्के नोंदविण्यात आली. पीक उत्पादनाशी संबंधित प्रतिगमन कार्यातही Ensemble पद्धतीने R² = ०.८९ अशी भक्कम भविष्यवाणी क्षमता दाखविली.

यातून एक महत्त्वाचा मुद्दा पुढे येतो. कृत्रिम बुद्धिमत्ता शेतकऱ्याची जागा घेण्यासाठी नव्हे, तर शेतकऱ्याला अधिक माहितीपूर्ण निर्णय घेण्यासाठी मदत करण्यासाठी वापरली जाऊ शकते. संशोधनातही पीक शिफारस ही अंतिम आदेश नसून निर्णय सहाय्य म्हणून पाहण्याची भूमिका स्पष्ट करण्यात आली आहे. स्थानिक अनुभव, बाजारपेठ, बियाण्यांची उपलब्धता आणि शेतकऱ्याच्या पसंती यांचाही अंतिम निर्णयात विचार आवश्यक आहे.

पाण्याचा प्रत्येक थेंब महत्त्वाचा

स्मार्ट शेतीतील सर्वात ठोस परिणाम सिंचन व्यवस्थापनात दिसून आला. पारंपरिक ठराविक वेळापत्रकानुसार पाणी देण्याऐवजी जमिनीतील ओलावा, तापमान, आर्द्रता, पावसाचा अंदाज, बाष्पोत्सर्जन, पीक आणि त्याची वाढीची अवस्था यांचा एकत्रित विचार करून सिंचनाचा निर्णय घेण्यात आला.

चार आठवड्यांच्या चाचणीत द्राक्ष, सोयाबीन, टोमॅटो आणि मिश्र भाजीपाला या पिकांमध्ये पारंपरिक आणि स्मार्ट सिंचनाची तुलना करण्यात आली. द्राक्षामध्ये पाण्याची बचत २८.८० टक्के, सोयाबीनमध्ये २९.८० टक्के, टोमॅटोमध्ये २५.७४ टक्के, तर मिश्र भाजीपाल्यात २५.२० टक्के झाली. म्हणजेच चाचणीतील पिकांमध्ये साधारण २६ ते ३० टक्के पाण्याची बचत दिसून आली.

जमिनीतील ओलाव्याच्या २४ तास आधीच्या अंदाजातही XGBoost ने R² = ०.९४ अशी कामगिरी केली. पारंपरिक Linear Regression साठी हा आकडा ०.७४ होता. यावरून जमिनीतील ओलाव्यासारख्या बदलत्या आणि परस्परांशी संबंधित घटकांचा अंदाज घेण्यासाठी Ensemble पद्धती अधिक उपयुक्त ठरू शकतात, असे संशोधन सूचित करते.

विशेष म्हणजे, तज्ज्ञ कृषी शिफारशींशी तुलना केली असता स्मार्ट सिंचन प्रणालीने ९२.५ टक्के प्रकरणांमध्ये तज्ज्ञांच्या शिफारशींशी जुळणारा किंवा त्याहून चांगला निर्णय दिला. सिंचन निर्णयातील सरासरी फरक सुमारे ५ टक्के होता.

पानावरील डाग सांगणार रोगाचे नाव

पिकांवरील रोगांचे निदान हे शेतकऱ्यांसाठी आणखी एक महत्त्वाचे आव्हान आहे. रोगाची सुरुवातीची लक्षणे ओळखण्यात विलंब झाला तर नुकसान वाढू शकते. या संशोधनात पिकांच्या पानांच्या छायाचित्रांवर आधारित CNN म्हणजेच Convolutional Neural Network वापरून रोग ओळखण्याची प्रणाली विकसित करण्यात आली.

ResNet50 सारख्या पूर्वप्रशिक्षित मॉडेलचा वापर तसेच विविध परिस्थितींतील छायाचित्रांमुळे निर्माण होणारे बदल हाताळण्यासाठी डेटा ऑग्मेंटेशन करण्यात आले. संशोधनाच्या सारांशानुसार रोगनिदान मॉडेलने ९७ टक्क्यांपेक्षा अधिक वर्गीकरण अचूकता मिळविली. अल्प प्रमाणात उपलब्ध असलेल्या रोगवर्गांचे recall वाढविण्यात Ensemble decision fusion मुळे ६ ते ८ टक्के सुधारणा झाली.

मात्र संशोधनाने या तंत्रज्ञानाच्या मर्यादाही स्पष्ट केल्या आहेत. प्रयोगशाळेत घेतलेल्या स्वच्छ छायाचित्रांपेक्षा प्रत्यक्ष शेतातील छायाचित्रांमध्ये प्रकाशातील बदल, पानांची वेगवेगळी दिशा, पार्श्वभूमी, अंशतः झाकलेली पाने आणि रोगाची तीव्रता यामुळे अडचणी निर्माण होतात. त्यामुळे प्रत्यक्ष शेतातील अधिक मोठ्या डेटासेटवर प्रणालीची चाचणी करणे आवश्यक आहे.

मोटार बिघडण्याआधीच मिळणार इशारा

स्मार्ट शेती म्हणजे फक्त पिकावर लक्ष ठेवणे नव्हे. शेतातील पंप, मोटार, फवारणी यंत्रणा आणि इतर उपकरणेही सुरळीत चालणे आवश्यक आहे. एखादी मोटार ऐन सिंचनाच्या काळात बंद पडली तर त्याचा परिणाम पिकावर होऊ शकतो.

या संशोधनात उपकरणांच्या कंपनांची माहिती, मोटारीचे तापमान, विद्युत प्रवाह आणि वापराच्या चक्रांचा अभ्यास करून Predictive Maintenance प्रणाली विकसित करण्यात आली. Random Forest मॉडेलने उपकरणातील अनियमितता ओळखताना ९४.८ टक्के अचूकता आणि ९५.१ टक्के recall मिळविला.

प्रणालीने उपकरण बिघाडाचा अंदाज ६ ते १८ तास आधी देण्याची क्षमता दाखविली. प्रायोगिक चाचण्यांमध्ये अनपेक्षित उपकरण बिघाड सुमारे ४० टक्क्यांनी कमी झाल्याचे संशोधनात नमूद आहे.

म्हणजेच भविष्यात ‘मोटार बंद पडली म्हणून शेतीचे पाणी थांबले’ या समस्येऐवजी ‘मोटारमध्ये बिघाड होण्याची शक्यता आहे, आधीच तपासणी करा’, असा इशारा शेतकऱ्याला मिळू शकतो.

शेतकऱ्यासाठी एका स्क्रीनवर संपूर्ण शेती

या सर्व तंत्रज्ञानाचा उपयोग शेतकऱ्याला करायचा असेल तर माहिती समजण्यास सोपी असणे आवश्यक आहे. म्हणून संशोधनात Decision Support System अर्थात DSS विकसित करण्यात आली आहे. या प्रणालीमध्ये सेन्सरमधील माहिती, हवामानाची माहिती आणि मशीन लर्निंगचे निष्कर्ष एका डॅशबोर्डवर आणले आहेत.

या डॅशबोर्डवर माती आणि हवामानाची माहिती, पीक शिफारस, खत व कीडनाशक सल्ला, रोगनिदान, सिंचन वेळापत्रक आणि उपकरणांच्या स्थितीची माहिती उपलब्ध होते. रोगनिदानाच्या वेळी केवळ रोगाचे नाव नव्हे तर मॉडेलचा विश्वासस्तरही दाखविण्यात येतो.

या प्रणालीच्या वापराची चाचणी १२ शेतकरी आणि ३ कृषी तज्ज्ञांवर करण्यात आली. System Usability Scale मध्ये ८३.५ गुण मिळाले. तसेच ९१ टक्के सहभागी कोणत्याही मदतीशिवाय डॅशबोर्डवर नेव्हिगेट करून शिफारशी समजू शकले. प्रणालीने सेन्सरकडून माहिती घेतल्यानंतर डॅशबोर्ड अद्ययावत होण्यासाठी सरासरी २.३ सेकंद घेतले.

ही बाब महत्त्वाची आहे. कारण शेतकऱ्याला गुंतागुंतीचे संगणकीय मॉडेल किंवा आकडे समजून घेण्याची गरज नसून ‘आता काय करावे?’ याचे सोपे उत्तर मिळणे अधिक महत्त्वाचे आहे.

मात्र ‘स्मार्ट शेती’समोर काही प्रश्नही

संशोधनाचे निष्कर्ष आशादायक असले तरी हे तंत्रज्ञान सर्व शेतांमध्ये तात्काळ आणि कोणत्याही अडथळ्याविना लागू होईल, असा निष्कर्ष काढता येत नाही. सेन्सरमध्ये noise आणि drift निर्माण होऊ शकतो. क्षारयुक्त जमीन किंवा अत्यंत तापमानामुळे काही सेन्सरच्या मोजमापात चुका होऊ शकतात. पीएच आणि NPK सेन्सरचे नियमित पुनःकॅलिब्रेशन आवश्यक आहे. धूळ, पाऊस आणि यांत्रिक धक्के यांचाही हार्डवेअरवर परिणाम होतो.

दुसरी मोठी अडचण म्हणजे इंटरनेट कनेक्टिव्हिटी. दुर्गम भागात मोबाईल किंवा ब्रॉडबँड सेवा खंडित झाली तर क्लाउडवर आधारित प्रक्रिया प्रभावित होऊ शकते. Edge computing या समस्येचा काही अंशी सामना करते; मात्र पूर्णपणे ऑफलाइन कार्य करणारी प्रणाली अद्याप मर्यादित आहे.

याशिवाय संशोधनातील डेटाचा मोठा भाग विशिष्ट भौगोलिक क्षेत्रांशी संबंधित असल्याने महाराष्ट्रातील इतर भाग, वेगवेगळ्या जमिनी, हवामान आणि पीक वाणांमध्ये हेच परिणाम मिळतीलच असे नाही. नवीन भागात स्थानिक माहितीच्या आधारे मॉडेलचे पुनर्प्रशिक्षण आणि पुनःकॅलिब्रेशन आवश्यक ठरू शकते.

पुढचे पाऊल ड्रोन आणि ‘Explainable AI’चे

संशोधनाने पुढील टप्प्यासाठी अनेक शक्यता मांडल्या आहेत. विविध भौगोलिक प्रदेश आणि अनेक हंगामांमध्ये अधिक मोठ्या डेटासेटवर प्रणालीची चाचणी करण्याची गरज आहे. ड्रोन आणि एरियल इमेजिंगच्या माध्यमातून पिकांच्या मोठ्या क्षेत्रावर निरीक्षण करणे, NDVI सारख्या वनस्पती निर्देशांकांचा वापर करणे, रोगाचे हॉटस्पॉट शोधणे तसेच पाणथळ भाग आणि पोषणतुटीचे नकाशीकरण करणे शक्य होऊ शकते. मल्टिस्पेक्ट्रल आणि हायपरस्पेक्ट्रल कॅमेऱ्यांचा वापरही पुढील संशोधनाचा भाग ठरू शकतो.

याबरोबरच Federated Learning मुळे विविध शेतांमधील माहिती पूर्णपणे एका केंद्रीय सर्व्हरवर पाठविण्याची गरज कमी करून एकत्रित मॉडेल प्रशिक्षण शक्य होऊ शकते. Explainable AI मुळे कृत्रिम बुद्धिमत्तेने एखादी शिफारस का केली, याचे कारण शेतकऱ्याला अधिक स्पष्टपणे समजावून सांगता येईल.

शेतीच्या डिजिटल परिवर्तनाची सुरुवात

या संशोधनाचा सर्वांत महत्त्वाचा संदेश असा आहे की स्मार्ट शेती म्हणजे फक्त शेतात सेन्सर बसविणे नव्हे. सेन्सरने माहिती गोळा करणे, ती माहिती योग्य पद्धतीने प्रक्रिया करणे, मशीन लर्निंगच्या माध्यमातून तिचे विश्लेषण करणे, रोगासाठी डीप लर्निंगचा वापर करणे आणि शेवटी त्या माहितीचे शेतकऱ्याला समजणाऱ्या निर्णयात रूपांतर करणे, हा संपूर्ण प्रवास महत्त्वाचा आहे.

या संशोधनाने याच एकात्मिक दृष्टिकोनावर भर दिला आहे. IoT, Machine Learning, CNN आणि DSS यांना स्वतंत्र तंत्रज्ञान म्हणून न पाहता त्यांना एकाच कृषी निर्णयप्रवाहात जोडण्याचा प्रयत्न करण्यात आला आहे.

आज पाणीटंचाई, हवामानातील अनिश्चितता, वाढता उत्पादन खर्च, रोग-किडींचे बदलते स्वरूप आणि मजुरांची कमतरता यांसारखी आव्हाने शेतीसमोर आहेत. अशा परिस्थितीत ‘अंदाजाधारित शेती’कडून ‘माहितीआधारित शेती’कडे आणि पुढे ‘पूर्वानुमानाधारित शेती’कडे जाण्याचा मार्ग या संशोधनातून स्पष्ट होतो.

शेतकऱ्याच्या हातातील नांगर, कुदळ किंवा ट्रॅक्टरची जागा कृत्रिम बुद्धिमत्ता घेणार नाही; पण योग्य वेळी मिळालेली अचूक माहिती त्याच्या निर्णयाची गुणवत्ता निश्चितच बदलू शकते. उद्याची शेती त्यामुळे केवळ अधिक यांत्रिक नव्हे, तर अधिक माहितीपूर्ण, संसाधन-बचत करणारी, रोगाचा आधीच अंदाज घेणारी आणि हवामानाच्या बदलांना प्रतिसाद देणारी शेती ठरू शकते.

आता प्रश्न ‘शेतीत तंत्रज्ञान येणार का?’ हा राहिलेला नाही. प्रश्न आहे—हे तंत्रज्ञान किती स्वस्त, स्थानिक, विश्वासार्ह आणि प्रत्येक शेतकऱ्याच्या हातात पोहोचेल? स्मार्ट शेतीच्या पुढील पर्वाचे खरे यश याच उत्तरावर अवलंबून असेल.