सेंट्रल एशिया की डिजिटल एग्रीकल्चर महत्वाकांक्षा

नई रिसर्च से पता चलता है कि डिजिटल एग्रीकल्चर फसल उत्पादन में तेज़ी से आगे बढ़ रहा है, लेकिन इसके वादे के फ़ायदों के पीछे के ज़्यादातर सबूत अभी भी सेंट्रल एशिया जैसे सूखे इलाकों में सीधे ट्रांसफर के लिए बहुत कम हैं। रिव्यू में चेतावनी दी गई है कि सेंसर, ड्रोन, आर्टिफिशियल इंटेलिजेंस (AI) और नैनो-इनेबल्ड इनपुट तब सबसे ज़्यादा काम के होते हैं जब वे असली खेत के फैसलों से जुड़े हों, न कि तब जब वे अलग-थलग टेक्निकल डेमोंस्ट्रेशन बनकर रह जाते हैं।

यह स्टडी, जिसका टाइटल 'फसल उत्पादन में डिजिटल टेक्नोलॉजीज़: सेंट्रल एशिया के लिए ट्रांसफरेबिलिटी एनालिसिस के साथ एक स्कोपिंग रिव्यू' है, एग्रीइंजीनियरिंग में पब्लिश हुई थी। इसमें 224 एंपिरिकल स्टडीज़ को मैप किया गया है, जिसमें 2020 से 2026 तक के स्ट्रक्चर्ड स्कोपस सर्च से 205 स्टडीज़ और सेंट्रल एशिया पर फोकस करने वाली 19 और स्टडीज़ शामिल हैं, ताकि यह पता लगाया जा सके कि फसल उत्पादन में डिजिटल टेक्नोलॉजीज़ कैसा काम करती हैं और उनके नतीजों को कज़ाकिस्तान और पड़ोसी देशों में कितनी दूर तक लागू किया जा सकता है।

डिजिटल खेती तब सबसे अच्छा काम करती है जब डेटा से एक्शन होता है। रिव्यू में पाया गया है कि मौजूदा फसल उत्पादन रिसर्च में चार टेक्नोलॉजी एरिया सबसे ज़्यादा हावी हैं: इंटरनेट ऑफ़ थिंग्स (IoT) सिस्टम, ड्रोन और रिमोट सेंसिंग, मशीन लर्निंग और AI, और नैनोस्ट्रक्चर्ड एग्रोकेमिकल्स। इन सभी एरिया में, सबसे अच्छे नतीजे तब दिखते हैं जब डेटा कलेक्शन एक पूरी डिसीजन चेन से जुड़ा होता है। IoT सिस्टम ऑपरेशनल इस्तेमाल के सबसे करीब तब होते हैं जब सेंसर सीधे सिंचाई, फर्टिगेशन या एनवायरनमेंटल कंट्रोल से जुड़े होते हैं। सबसे अच्छे मामलों में लंबे समय तक फील्ड मॉनिटरिंग, लगातार मेंटेनेंस और रेगुलर कैलिब्रेशन शामिल हैं। रिव्यू में बताया गया है कि कम लागत वाले सेंसर एंट्री कॉस्ट को कम कर सकते हैं, लेकिन वे डेटा करेक्शन, रीकैलिब्रेशन और सुपरविज़न की लगातार ज़रूरत भी पैदा करते हैं। उस सपोर्ट के बिना, रीडिंग भटक सकती हैं और डिसीजन क्वालिटी कमज़ोर हो सकती है। कनेक्टिविटी एक और बड़ा फैक्टर है। LoRaWAN को दूर के खेतों के लिए एक प्रैक्टिकल ऑप्शन बताया गया है क्योंकि यह मोबाइल ऑपरेटरों पर पूरी तरह निर्भर हुए बिना लंबी दूरी, कम-पावर कम्युनिकेशन को सपोर्ट करता है। NB-IoT जैसे सेलुलर सिस्टम वहाँ काम आ सकते हैं जहाँ कवरेज स्टेबल है, लेकिन वे किसानों को ऑपरेटर पर निर्भरता और बार-बार आने वाले टैरिफ कॉस्ट के लिए मजबूर करते हैं। पेपर में इस बात पर ज़ोर दिया गया है कि कोई भी एक कम्युनिकेशन मॉडल हर जगह बेहतर नहीं होता। हर सिस्टम को खेत की ज्योग्राफी, खेत के साइज़, इंफ्रास्ट्रक्चर और सर्विस की उपलब्धता से मेल खाना चाहिए।

ड्रोन और रिमोट-सेंसिंग सिस्टम फसल के तनाव, खारेपन, पोषक तत्वों की समस्याओं, खरपतवार और बीमारी का पता लगाने में बहुत फ़ायदेमंद हैं। हालांकि, लेखक मैपिंग और मैनेजमेंट के बीच एक साफ़ लाइन खींचते हैं। ड्रोन इमेज की तब तक कम वैल्यू होती है जब तक उसे समय पर खेत में किए जाने वाले काम में न बदला जाए, जैसे कि स्प्रे प्रिस्क्रिप्शन, सिंचाई एडजस्टमेंट या वेरिएबल-रेट फर्टिलाइज़र प्लान। जो स्टडीज़ डिटेक्शन से ऑपरेशनल प्रिस्क्रिप्शन मैप पर जाती हैं, वे उन स्टडीज़ की तुलना में ज़्यादा मज़बूत सबूत देती हैं जो क्लासिफिकेशन एक्यूरेसी पर रुक जाती हैं।

मशीन लर्निंग और AI डिजिटल खेती की प्रेडिक्शन लेयर पर होते हैं। ये टूल बीमारी का अनुमान लगा सकते हैं, पैदावार का अनुमान लगा सकते हैं, नाइट्रोजन की सलाह को सपोर्ट कर सकते हैं और मशीनरी कंट्रोल में मदद कर सकते हैं। लेकिन रिव्यू में पाया गया है कि कई मॉडल सिर्फ़ उसी खेत, मौसम या डेटा स्ट्रक्चर में अच्छा परफॉर्म करते हैं जिसमें उन्हें ट्रेन किया गया था। जब नए खेतों, सालों, फसल के स्टेज या मौसम में टेस्ट किया जाता है, तो एक्यूरेसी अक्सर कम हो जाती है। इससे AI टूल को भरोसेमंद डिसीजन सिस्टम के तौर पर मानने से पहले बाहरी वैलिडेशन ज़रूरी हो जाता है।

नैनोस्ट्रक्चर्ड एग्रोकेमिकल्स चार टेक्नोलॉजी ग्रुप में सबसे कम मैच्योर हैं। रिव्यू में कंट्रोल्ड न्यूट्रिएंट या पेस्टिसाइड डिलीवरी के लिए लैब और ग्रीनहाउस के नतीजे अच्छे मिले हैं, लेकिन फील्ड-लेवल पर सबूत कम हैं। कई स्टडीज़ में रिलीज़ बिहेवियर, रेसिड्यू रिडक्शन या शॉर्ट-टर्म पेस्ट कंट्रोल दिखाया गया है, लेकिन बहुत कम स्टडीज़ अलग-अलग मौसमों और असली खेती के हालात में लगातार फसल के फायदे दिखाती हैं। सेंट्रल एशिया के लिए, लेखकों को कोई फसल-प्रोडक्शन फील्ड स्टडी नहीं मिली जो नैनो-इनेबल्ड फर्टिलाइज़र या पेस्टिसाइड से क्षेत्रीय फायदे साबित करती हो।

सेंट्रल एशिया पहले मॉनिटरिंग टूल्स अपना सकता है, लेकिन एडवांस्ड AI को लोकल सबूत चाहिए।

यह स्टडी कज़ाकिस्तान और सेंट्रल एशिया पर फोकस करती है, जहाँ डिजिटल एग्रीकल्चर को सस्टेनेबल इंटेंसिफिकेशन का रास्ता माना जाता है, लेकिन इसे मुश्किल फील्ड रियलिटी का सामना करना पड़ता है। इस इलाके में बड़े क्रॉपलैंड एरिया, पानी की कमी, मिट्टी में सॉल्टी, वेरिएबल इंफ्रास्ट्रक्चर और एडवांस्ड फार्म टेक्नोलॉजी के लिए लिमिटेड सपोर्ट नेटवर्क हैं, जिससे इंटरनेशनल स्टडीज़ से सिंपल ट्रांसफर रिस्की हो जाता है।

रिव्यू के मुताबिक, बेसिक मॉनिटरिंग टूल्स सबसे तुरंत ट्रांसफर होने वाली टेक्नोलॉजी हैं। रियल-टाइम वॉटर-लेवल सेंसिंग, कम लागत वाली टेलीमेट्री, सॉल्टी मैपिंग और रिमोट मॉनिटरिंग रीजनल ज़रूरतों के हिसाब से अच्छी तरह से अलाइन हैं। पानी की कमी वाले और नमक से प्रभावित इलाकों में, बेसिक मॉनिटरिंग भी किसानों और पॉलिसीमेकर्स को फील्ड कंडीशन को और साफ तौर पर समझने में मदद कर सकती है।

रिमोट सेंसिंग का भी साफ तौर पर शॉर्ट-टर्म रेलेवेंस है क्योंकि दक्षिणी कज़ाकिस्तान और दूसरे एरिड सिस्टम में सॉल्टी एक बड़ी रुकावट है। UAV और सैटेलाइट-बेस्ड सॉल्टी स्टडीज़ से पता चलता है कि डिजिटल सेंसिंग डायग्नोसिस में मदद कर सकती है। हालाँकि, लेखक चेतावनी देते हैं कि कई सॉल्टी मॉडल्स को अभी भी लोकल कैलिब्रेशन, ग्राउंड सैंपल और फील्ड-स्पेसिफिक एडजस्टमेंट की ज़रूरत है। इसका मतलब है कि उन्हें रेडी-मेड रीजनल सॉल्यूशन नहीं मानना ​​चाहिए।

बीमारी का पता लगाना और AI से मदद लेकर फसल की स्थिति की मॉनिटरिंग को कंडीशनली ट्रांसफरेबल बताया गया है। कजाकिस्तान में मौजूद हाइपरस्पेक्ट्रल गेहूं की बीमारी की रिसर्च से पता चलता है कि लोकल फसल की बीमारी का पता लगाना मुमकिन है। लेकिन बड़े पैमाने के दावों को सपोर्ट करने के लिए बड़े रीजनल सबूत अभी भी बहुत कम हैं। रिव्यू में पाया गया है कि सेंट्रल एशिया में यह साबित करने के लिए काफी मल्टी-सीजन, मल्टी-फार्म वैलिडेशन की कमी है कि AI सिस्टम आम हालात में लगातार पैदावार, प्रॉफिट या रिसोर्स एफिशिएंसी में सुधार कर सकते हैं।

इंटीग्रेटेड डिजिटल प्लेटफॉर्म, डिजिटल ट्विन और इंटरवेंशन-ग्रेड AI सिस्टम के लिए और भी ज़्यादा सावधानी की ज़रूरत होती है। ये सिस्टम साफ डेटा, भरोसेमंद कनेक्टिविटी, ट्रेंड ऑपरेटर, लोकल कैलिब्रेशन, मशीनरी कम्पैटिबिलिटी और एडवाइजरी सपोर्ट पर निर्भर करते हैं। इन लेयर के बिना, पायलट प्रोजेक्ट खत्म होने के बाद एडवांस्ड मॉडल फेल हो सकते हैं। लेखकों का तर्क है कि सेंट्रल एशिया को एक के बाद एक रास्ता अपनाना चाहिए: पहले मॉनिटरिंग और कैलिब्रेशन को मजबूत करना, फिर सर्विस और एडवाइजरी कैपेसिटी बनाना, और उसके बाद ही कॉम्प्लेक्स AI-ड्रिवन डिसीजन सिस्टम की ओर बढ़ना चाहिए।

पेपर में एक बड़ी ह्यूमन-कैपिटल रुकावट की भी पहचान की गई है। डिजिटल एग्रीकल्चर के लिए डैशबोर्ड या मोबाइल ऐप इस्तेमाल करने की क्षमता से कहीं ज़्यादा की ज़रूरत होती है। किसानों, टेक्नीशियन और एग्रोनॉमिस्ट को डेटा की क्वालिटी को परखने, सेंसर को कैलिब्रेट करने, थ्रेशहोल्ड को बदलने, मॉडल की अनिश्चितता को समझने और यह तय करने में सक्षम होना चाहिए कि कब किसी सिस्टम पर भरोसा नहीं किया जाना चाहिए। यह उन इलाकों में खास तौर पर ज़रूरी है जहाँ टेक्निकल सर्विस नेटवर्क कम हैं।

डेटा गवर्नेंस एक और अनसुलझा एरिया है। फार्म डेटा बेहतर सुझाव तभी दे सकता है जब वह डिवाइस, मौसम, प्लेटफॉर्म और एडवाइजरी सिस्टम में घूम सके। हालाँकि, अगर ओनरशिप, एक्सेस राइट्स और कमर्शियल इस्तेमाल साफ़ नहीं हैं तो किसान डेटा शेयर करने में हिचकिचा सकते हैं। रिव्यू में पाया गया है कि कमज़ोर इंटरऑपरेबिलिटी और अधूरे ट्रस्ट फ्रेमवर्क मज़बूत टेक्निकल सिस्टम की वैल्यू को भी कम कर सकते हैं।

पॉलिसी को पायलट से बदलकर मल्टी-सीज़न प्रूफ़ की ओर बदलना होगा।

सरकारों और इन्वेस्टर्स को टेक्निकल डेमोंस्ट्रेशन को खेती में बदलाव का सबूत मानना ​​बंद कर देना चाहिए। एक सेंसर जो एक पायलट में काम करता है, एक ड्रोन मॉडल जो एक खेत को मैप करता है, या एक AI सिस्टम जो इंटरनल डेटा पर अच्छा परफॉर्म करता है, वह अपने आप स्केलेबल वैल्यू नहीं देता है।

लेखक एक्सटर्नल वैलिडेशन के साथ मल्टी-सीज़न, मल्टी-साइट फील्ड ट्रायल की बात करते हैं। IoT स्टडीज़ में कैलिब्रेशन की ज़रूरतों, मेंटेनेंस कॉस्ट, सेंसर रिप्लेसमेंट और फ़ॉलबैक बिहेवियर की रिपोर्ट होनी चाहिए। ड्रोन स्टडीज़ में इस बात पर ज़्यादा फ़ोकस होना चाहिए कि क्या इमेजरी से फ़ील्ड एक्शन बेहतर होते हैं। AI स्टडीज़ में अनसर्टेनिटी, डोमेन शिफ़्ट और रीकैलिब्रेशन बर्डन को टेस्ट करना चाहिए। नैनो-एग्रोकेमिकल स्टडीज़ में फ़सल के फ़ायदों को सेफ़्टी, नॉन-टारगेट इफ़ेक्ट्स और कॉस्ट एविडेंस के साथ जोड़ना चाहिए।

रिव्यू में ओनरशिप की टोटल कॉस्ट को भी एक बार-बार आने वाला ब्लाइंड स्पॉट बताया गया है। कई स्टडीज़ एक्यूरेसी, पानी की बचत, यील्ड इफ़ेक्ट या केमिकल में कमी की रिपोर्ट करती हैं, लेकिन सॉफ्टवेयर सब्सक्रिप्शन, सेंसर मेंटेनेंस, डेटा क्लीनिंग, ड्रोन सर्विसिंग, बैटरी रिप्लेसमेंट, मॉडल रीट्रेनिंग, टेक्नीशियन लेबर या एडवाइज़री सपोर्ट को बहुत कम रिपोर्ट करती हैं। ये छिपी हुई कॉस्ट अक्सर यह तय करती हैं कि कोई टेक्नोलॉजी फंडेड पायलट के बाद भी टिकेगी या नहीं।