आसान AI ग्रीनहाउस को फसल की पैदावार बचाते हुए एनर्जी का इस्तेमाल कम करने में मदद कर सकता है

एग्रीइंजीनियरिंग में छपी नई रिसर्च के मुताबिक, एक नया समझने लायक डीप लर्निंग फ्रेमवर्क ग्रीनहाउस ऑपरेटरों को फसल की पैदावार और एनर्जी के इस्तेमाल का ज़्यादा सही अनुमान लगाने में मदद कर सकता है, साथ ही यह भी दिखाएगा कि कौन से एनवायरनमेंटल फैक्टर उन अनुमानों को चलाते हैं।

इस स्टडी का टाइटल है, ग्रीनहाउस हॉर्टिकल्चर के लिए समझने लायक डीप लर्निंग: फसल की पैदावार और एनर्जी ऑप्टिमाइज़ेशन में फ़ीचर और टेम्पोरल इंटरप्रिटेबिलिटी। इसमें एक AI सिस्टम बताया गया है जिसे हाई-टेक ग्रीनहाउस हॉर्टिकल्चर में शिमला मिर्च की बढ़ती पैदावार और रोज़ाना एनर्जी के इस्तेमाल का अनुमान लगाने के लिए डिज़ाइन किया गया है। साथ ही, समझने लायक आर्टिफिशियल इंटेलिजेंस तरीकों का इस्तेमाल करके यह बताया गया है कि रेडिएशन, ड्रेनेज, तापमान, नमी और दूसरे वैरिएबल मॉडल आउटपुट पर कैसे असर डालते हैं।

रिसर्च करने वालों का दावा है कि ग्रीनहाउस में फ़ैसले लेने में मदद के लिए सिर्फ़ अनुमान लगाने की सटीकता काफ़ी नहीं है। उगाने वालों और मैनेजरों को यह जानना ज़रूरी है कि AI सिस्टम सिंचाई, वेंटिलेशन, हीटिंग या क्लाइमेट-कंट्रोल सेटिंग्स में बदलाव की सलाह क्यों दे रहा है। ट्रांसपेरेंसी के बिना, एडवांस्ड मॉडल ऐसे फ़ैसले ले सकते हैं जो मैथमेटिकली सही लगते हैं लेकिन प्लांट फिजियोलॉजी, ग्रीनहाउस ऑपरेशन या बायोलॉजिकल रुकावटों के साथ मेल नहीं खाते।

डीप लर्निंग मॉडल फसल की पैदावार और एनर्जी की मांग को टारगेट करते हैं

इस स्टडी में ऑस्ट्रेलिया के न्यू साउथ वेल्स के रिचमंड में वेस्टर्न सिडनी यूनिवर्सिटी के नेशनल वेजिटेबल प्रोटेक्टेड क्रॉपिंग सेंटर में एक हाई-टेक्नोलॉजी ग्लासहाउस के डेटा का इस्तेमाल किया गया। जनवरी और जून 2022 के बीच शिमला मिर्च के ट्रायल के लिए ग्रीनहाउस कम्पार्टमेंट का इस्तेमाल किया गया। शिमला मिर्च की दो कमर्शियल किस्में, जीना और YO8366, स्टैंडर्ड प्रोटेक्टेड-क्रॉपिंग तरीकों के तहत रॉकवूल सबस्ट्रेट पर उगाई गईं।

ग्रीनहाउस में ऑटोमेटेड एनवायर्नमेंटल कंट्रोल सिस्टम, रूफ वेंट, थर्मल स्क्रीन, फॉगिंग, पैड-फैन कूलिंग और हॉट-वॉटर पाइप हीटिंग लगी हुई थी। सेंसर ने पांच मिनट के इंटरवल पर अंदर का क्लाइमेट, बाहर का मौसम, ऑपरेशनल सिग्नल, एनर्जी फ्लो और पानी का फ्लो रिकॉर्ड किया। इस हाई-रिज़ॉल्यूशन डेटा ने रिसर्चर्स को फसल के बढ़ने के धीमे बायोलॉजिकल प्रोसेस और एनर्जी डिमांड के तेज़ ऑपरेशनल प्रोसेस, दोनों की स्टडी करने में मदद की।

प्रेडिक्टिव टारगेट थे फसल की बढ़ती पैदावार, जिसे फसल के रिकॉर्ड से एक कंटीन्यूअस यील्ड कर्व में फिर से बनाया गया था, और रोज़ाना एनर्जी का इस्तेमाल, जो हीटिंग, वेंटिलेशन और सहायक सिस्टम से जुड़े इलेक्ट्रिकल और थर्मल लोड को दिखाता है। टीम ने ग्रीनहाउस टेलीमेट्री, एनवायरनमेंटल मेज़रमेंट, एनर्जी-यूज़ रिकॉर्ड और हार्वेस्ट ऑब्ज़र्वेशन को मिलाकर एक यूनिफाइड पाँच मिनट की टाइम सीरीज़ बनाई।

रिसर्चर्स ने 20 इनपुट फ़ीचर चुने, जिसमें ग्रीनहाउस के अंदरूनी ऑपरेशन और बाहरी क्लाइमेट कंडीशन शामिल थे। इनमें इरिगेशन और ड्रेनेज वैरिएबल, बाहर का टेम्परेचर, बाहर की ह्यूमिडिटी, बाहर का कार्बन डाइऑक्साइड, सोलर रेडिएशन, रेडिएशन सम और रेनफॉल इंडिकेटर शामिल थे। मकसद एक ऐसा मॉडल बनाना था जो ग्रीनहाउस मैनेजमेंट के फैसलों और मौसम से होने वाले प्रेशर के बीच के इंटरेक्शन से सीख सके।

चार डीप लर्निंग आर्किटेक्चर टेस्ट किए गए: वन-डायमेंशनल कन्वोल्यूशनल न्यूरल नेटवर्क, लॉन्ग शॉर्ट-टर्म मेमोरी नेटवर्क, बाईडायरेक्शनल लॉन्ग शॉर्ट-टर्म मेमोरी नेटवर्क और टाइनीटाइममिक्सर। हर मॉडल को हिस्टोरिकल एनवायरनमेंटल और ऑपरेशनल डेटा की एक ही विंडो पर ट्रेन किया गया, जिसमें प्रेडिक्शन टारगेट से लगभग 42.6 घंटे पहले का समय शामिल था।

स्टडी में पाया गया कि अलग-अलग मॉडल अलग-अलग ग्रीनहाउस टास्क के लिए बेहतर थे। इंक्रीमेंटल यील्ड प्रेडिक्शन के लिए, रिकरेंट मॉडल ने अच्छा परफॉर्म किया क्योंकि वे प्लांट ग्रोथ के क्यूमुलेटिव नेचर को कैप्चर कर सकते थे। LSTM ने कैप्सिकम जीना के लिए सबसे अच्छा रिज़ल्ट दिया, जिसमें रूट मीन स्क्वायर एरर 0.089 और R² 0.9849 था। YO8366 वैरायटी के लिए, 1D-CNN ने सबसे कम एरर दिया, जिसमें RMSE 0.151 और R² 0.9577 था।

एनर्जी के इस्तेमाल ने एक अलग पैटर्न दिखाया। TinyTimeMixer रोज़ाना एनर्जी फोरकास्टिंग के लिए सबसे मज़बूत परफॉर्मर था, जिसमें RMSE 0.254 और R² 0.9288 था। रिसर्चर्स ने इस फ़ायदे का क्रेडिट मॉडल की लंबी दूरी के टेम्पोरल इंटरैक्शन और क्लाइमेट से होने वाले बदलावों को कैप्चर करने की क्षमता को दिया। जब बाहर का टेम्परेचर, ह्यूमिडिटी या वेंटिलेशन की कंडीशन बदलती हैं, तो ग्रीनहाउस में एनर्जी की डिमांड तेज़ी से बदल सकती है, जो इसे क्रॉप यील्ड के धीमे जमाव से अलग बनाता है।

रिज़ल्ट एग्रीकल्चरल AI के लिए एक ज़रूरी बात बताते हैं: कोई भी एक मॉडल स्ट्रक्चर हर काम के लिए सबसे अच्छा नहीं होता है। क्रॉप यील्ड एक धीमी बायोलॉजिकल प्रतिक्रिया को दिखाती है जो पौधे के विकास, सिंचाई, रेडिएशन और बढ़ने की कंडीशन से बनती है। एनर्जी का इस्तेमाल कम समय के क्लाइमेट में उतार-चढ़ाव और कंट्रोल एक्शन पर ज़्यादा तुरंत रिस्पॉन्ड करता है। इसलिए, टारगेट के टाइम बिहेवियर से मॉडल आर्किटेक्चर का मैचिंग करना भरोसेमंद फोरकास्टिंग के लिए ज़रूरी है।

एक्सप्लेनेबल AI से पता चलता है कि ग्रीनहाउस परफॉर्मेंस को क्या चलाता है

स्टडी एक्सप्लेनेबल आर्टिफिशियल इंटेलिजेंस का इस्तेमाल करती है। रिसर्चर्स ने दो कॉम्प्लिमेंट्री मेथड इस्तेमाल किए: ग्रेडिएंट SHAP और एक टेम्पोरल कन्वोल्यूशनल नेटवर्क जिसमें कन्वोल्यूशनल ब्लॉक अटेंशन मॉड्यूल है, जिसे TCN-CBAM के नाम से जाना जाता है।

ग्रेडिएंट SHAP का इस्तेमाल यह अनुमान लगाने के लिए किया गया था कि मॉडल प्रेडिक्शन में किन फीचर्स ने सबसे ज़्यादा योगदान दिया। TCN-CBAM का इस्तेमाल यह दिखाने के लिए किया गया था कि कौन से फीचर्स मायने रखते हैं और इनपुट टाइम विंडो में उन्होंने कब सबसे ज़्यादा असर डाला। साथ में, इन मेथड ने डुअल-लेयर एक्सप्लेनेशन दिया: फीचर-लेवल एट्रिब्यूशन और टेम्पोरल-फीचर इंटरप्रिटेशन।

फसल की पैदावार के अनुमान के लिए, रेडिएशन और ड्रेनेज से जुड़े वैरिएबल मुख्य योगदान देने वाले के तौर पर उभरे। रेडिएशन फोटोसिंथेसिस और बायोमास जमा होने का एक मुख्य ड्राइवर है, जिससे इसका असर बायोलॉजिकली एक जैसा रहता है। ड्रेनेज से जुड़े वैरिएबल ने फलों के विकास में रूट-ज़ोन वॉटर बैलेंस, इरिगेशन रिस्पॉन्स और न्यूट्रिएंट डिलीवरी की भूमिका को दिखाया।

स्टडी में पाया गया कि पैदावार सिर्फ़ कुल इरिगेशन वॉल्यूम से तय नहीं होती थी। इसके बजाय, ड्रेनेज डायनामिक्स और क्लाइमेट सेंसिटिविटी ने अहम भूमिका निभाई। साइकिल ड्रेनेज की मात्रा, 24-घंटे ड्रेनेज का प्रतिशत और सिंचाई से जुड़ी खपत जैसे वैरिएबल ध्यान-आधारित एनालिसिस में असरदार थे। इससे पता चलता है कि रूट ज़ोन से पानी कैसे गुज़रता है, यह उतना ही ज़रूरी हो सकता है जितना कि कितना पानी सप्लाई किया जाता है।

बाहरी एटमोस्फेरिक वैरिएबल भी मायने रखते थे। नमी ने पैदावार पर ज़्यादा असर दिखाया, जो सुरक्षित फसल में माइक्रोक्लाइमेट रेगुलेशन के महत्व को दिखाता है। बारिश का सीधा असर सीमित था, जो ग्रीनहाउस खेती के जैसा है, जहाँ फसलों को सीधी बाहरी बारिश से बचाया जाता है।

एनर्जी के इस्तेमाल को अलग-अलग फ़ैक्टर्स के ग्रुप से कंट्रोल किया गया था। सबसे मज़बूत प्रेडिक्टर बाहरी तापमान, नमी और कार्बन डाइऑक्साइड थे। ये नतीजे फिजिकली इंट्यूटिव हैं। जब बाहर के हालात मनचाहे अंदरूनी हालात से बहुत अलग होते हैं, तो हीटिंग, कूलिंग और वेंटिलेशन की मांग बढ़ जाती है। नमी और कार्बन डाइऑक्साइड वेंटिलेशन स्ट्रेटेजी पर भी असर डालते हैं, जिससे एनर्जी की खपत बढ़ सकती है।

टाइम-बेस्ड एनालिसिस से एक गहरा पैटर्न सामने आया। पैदावार का अनुमान हाल के सिंचाई रिस्पॉन्स और लंबे समय के डेवलपमेंट पैटर्न दोनों से प्रभावित था, जिसका मतलब है कि AI सिस्टम सिर्फ़ कम समय के उतार-चढ़ाव पर रिएक्ट नहीं कर रहा था - यह लंबे समय के बायोलॉजिकल ट्रेंड्स का भी पता लगा रहा था। दूसरी ओर, एनर्जी का इस्तेमाल मुख्य रूप से हाल के क्लाइमेट चेंज और फोरकास्ट पीरियड से ठीक पहले ऑपरेशनल कंट्रोल एक्शन की वजह से हुआ।

ग्रोअर्स के लिए, नतीजे बताते हैं कि यील्ड मैनेजमेंट रेडिएशन एक्सपोजर, इरिगेशन रिस्पॉन्स और रूट-ज़ोन कंडीशन के लगातार कंट्रोल पर निर्भर करता है। वहीं, एनर्जी ऑप्टिमाइजेशन, जल्द ही होने वाले आउटडोर क्लाइमेट चेंज का अनुमान लगाने और उसके हिसाब से हीटिंग या वेंटिलेशन सिस्टम को एडजस्ट करने पर बहुत ज़्यादा निर्भर करता है।

ग्रेडिएंट SHAP और TCN-CBAM के बीच कंसिस्टेंसी ने रिसर्चर्स का मॉडल एक्सप्लेनेशन में भरोसा मज़बूत किया। जब दो अलग-अलग इंटरप्रेटेबिलिटी मेथड एक जैसे एग्रोनॉमिक ड्राइवर्स की पहचान करते हैं, तो AI सिस्टम डिसीजन-सपोर्ट टूल के तौर पर ज़्यादा भरोसेमंद हो जाता है। स्टडी इसे ग्रीनहाउस AI को ओपेक ब्लैक-बॉक्स प्रेडिक्शन से दूर ले जाने और ऐसे ऑपरेशनल टूल्स की ओर ले जाने की दिशा में एक कदम के तौर पर पेश करती है, जिन्हें ग्रोअर्स इंस्पेक्ट और ट्रस्ट कर सकते हैं।

नतीजे ज़्यादा ट्रांसपेरेंट ग्रीनहाउस डिसीजन सपोर्ट की ओर इशारा करते हैं।

स्टडी AI फोरकास्टिंग को प्रैक्टिकल ग्रीनहाउस मैनेजमेंट से जोड़ने की कोशिश करती है। हाई-टेक हॉर्टिकल्चर कई इंटरैक्टिंग वेरिएबल्स पर निर्भर करता है, जिसमें मौसम, क्रॉप फिजियोलॉजी, इरिगेशन, ड्रेनेज, एनर्जी का इस्तेमाल और क्लाइमेट कंट्रोल शामिल हैं। एक एरिया में लिए गए फैसले दूसरे एरिया पर असर डाल सकते हैं। वेंटिलेशन बढ़ाने से नमी कम हो सकती है लेकिन हीटिंग की ज़रूरत बढ़ सकती है। सिंचाई को एडजस्ट करने से पैदावार बढ़ सकती है लेकिन ड्रेनेज और पोषक तत्वों के बैलेंस पर असर पड़ सकता है। एक नतीजे को ऑप्टिमाइज़ करने से पूरा सिस्टम अपने आप ऑप्टिमाइज़ नहीं हो जाता।

रिसर्चर्स का कहना है कि इससे मल्टी-ऑब्जेक्टिव मैनेजमेंट ज़रूरी हो जाता है। ग्रीनहाउस ऑपरेटर्स को ऐसे सिस्टम की ज़रूरत होती है जो फसल की पैदावार, एनर्जी कॉस्ट, एनवायरनमेंटल असर और बायोलॉजिकल रुकावटों के बीच बैलेंस बना सकें। समझने लायक AI यह दिखाकर मदद कर सकता है कि मॉडल के सुझाव सही वजहों पर आधारित हैं या नहीं और उन समयों की पहचान करके जब दखल सबसे ज़्यादा मायने रख सकते हैं।

यह फ्रेमवर्क यह पहचानकर सिंचाई शेड्यूलिंग में मदद कर सकता है कि ड्रेनेज और सिंचाई से जुड़े वेरिएबल्स पैदावार पर सबसे ज़्यादा असर कब डालते हैं। यह यह दिखाकर क्लाइमेट-कंट्रोल स्ट्रेटेजी में भी मदद कर सकता है कि बाहरी तापमान, नमी और कार्बन डाइऑक्साइड एनर्जी के इस्तेमाल पर कैसे असर डालते हैं। असल में, इस तरह की जानकारी किसानों को फसल की प्रोडक्टिविटी को बचाते हुए गैर-ज़रूरी एनर्जी की खपत कम करने में मदद कर सकती है।

यह स्टडी सस्टेनेबल प्रोटेक्टेड क्रॉपिंग के बढ़ते क्षेत्र में भी मदद करती है। ग्रीनहाउस फ़ूड सिक्योरिटी के लिए ज़रूरी हैं क्योंकि वे सभी मौसमों में और कंट्रोल्ड कंडीशन में प्रोडक्शन की इजाज़त देते हैं। लेकिन उनका एनर्जी इस्तेमाल साफ़ और ज़्यादा सस्ते प्रोडक्शन के लिए एक बड़ी रुकावट बना हुआ है। AI सिस्टम जो एनर्जी की मांग का अनुमान लगाते हैं और उसके कारणों को समझाते हैं, किसानों को बर्बादी कम करने, कंट्रोल एक्शन की ज़्यादा अच्छे से प्लानिंग करने और रिन्यूएबल या कम कार्बन वाले एनर्जी सोर्स का बेहतर इस्तेमाल करने में मदद कर सकते हैं।

रिसर्चर्स ने बताया कि डेटासेट एक ही ग्रीनहाउस फैसिलिटी से आया है, इसलिए दूसरी जगहों, क्रॉप सिस्टम, क्लाइमेट ज़ोन और मैनेजमेंट स्टाइल में मॉडल के परफॉर्मेंस को अभी भी टेस्ट करने की ज़रूरत है। ग्रीनहाउस ऑपरेशन बहुत अलग-अलग होते हैं, और एक फैसिलिटी में ट्रेन किया गया मॉडल बिना अडैप्टेशन के सीधे दूसरी फैसिलिटी में ट्रांसफर नहीं हो सकता है।

स्टडी में कैनोपी-लेवल माइक्रोक्लाइमेट वेरिएशन जैसी स्पेशल जानकारी या इमेजरी, पत्ती का टेम्परेचर और मिट्टी की नमी सेंसिंग जैसे मल्टीमॉडल डेटा भी शामिल नहीं थे। ये डेटा सोर्स भविष्य के सिस्टम में फोरकास्टिंग और इंटरप्रिटेबिलिटी दोनों को बेहतर बना सकते हैं। रिसर्चर्स ने यह भी नोट किया कि अटेंशन पैटर्न और फीचर एट्रिब्यूशन सीखे हुए एसोसिएशन दिखाते हैं, सीधे कारण नहीं। खास इंटरवेंशन और नतीजों के बीच कारण संबंधों को कन्फर्म करने के लिए एग्रोनॉमिक एक्सपेरिमेंट की ज़रूरत होगी।

भविष्य के काम में क्रॉस-ग्रीनहाउस वैलिडेशन, मल्टीमॉडल सेंसिंग और कारण मॉडलिंग पर फोकस करने की उम्मीद है। फ्रेमवर्क को और ज़्यादा फैसिलिटी में टेस्ट करने से पता चलेगा कि क्या मॉडल एक हाई-टेक ग्लासहाउस से आगे जनरलाइज़ हो सकता है। थर्मल इमेज, प्लांट फिजियोलॉजिकल सिग्नल या रूट-ज़ोन सेंसर जोड़ने से फसल-एनवायरनमेंट इंटरैक्शन की बेहतर तस्वीर मिल सकती है। कारण मॉडलिंग इंटरवेंशन-रेडी इनसाइट से कोरिलेशन को अलग करने में मदद कर सकती है।