डेटापासून निर्णयापर्यंत कृत्रिम बुद्धिमत्तेतून अचूक शेतीकडे

@ डॉ. उपेंद्र कुलकर्णी

संचालक, दीनदयाळ शोध संस्थान, अंबाजोगाई

9175073286

---------------------------------------------

@डॉ. ब्रिजेश अय्यर

प्राध्यापक, डॉ. बाबासाहेब आंबेडकर तंत्रशास्त्र विद्यापीठ, लोणेरे

9403002289

 

 

 

 

भारतीय शेतीत शेतकरी दररोज अनेक महत्त्वाचे निर्णय घेत असतो-पाऊस कधी येईल? पिकाला पाणी कधी द्यायचे? खताची गरज किती आहे? शेताच्या कोणत्या भागात पिकाची वाढ कमी आहे? रोग किंवा किडीचा प्रादुर्भाव कुठे सुरू झाला आहे? फवारणीची योग्य वेळ कोणती? या प्रश्नांची उत्तरे आजवर मोठ्या प्रमाणात अनुभव, निरीक्षण आणि अंदाजावर अवलंबून होती; मात्र आता आधुनिक तंत्रज्ञानामुळे या निर्णयांना अधिक अचूक आधार मिळू लागला आहे.

 

 

 

कृषी विज्ञान केंद्र, अंबाजोगाई येथे सोयाबीन पिकासाठी राबविण्यात आलेल्या या प्रकल्पाने आणि प्रत्यक्ष प्रयोगाने शेतीतील विविध घटकांच्या माहितीचे संकलन, तिचे विश्लेषण आणि त्यातून निर्णय घेण्याची नवी दिशा स्पष्ट केली आहे. या प्रयोगामध्ये पिकाची वाढ, शेतातील परिस्थिती आणि हंगामातील विविध घटक यांचा सातत्याने अभ्यास करून उपलब्ध माहितीचा उपयोग पीक व्यवस्थापनातील निर्णय अधिक परिणामकारक करण्यासाठी करण्यात आला. त्यामुळे ‘शेतात काय घडत आहे?’ या प्रश्नाबरोबरच ‘पुढे काय घडू शकते?’ आणि ‘त्यासाठी आत्ताच कोणता निर्णय घ्यावा?’ या प्रश्नांकडेही पाहण्याची संधी निर्माण झाली.

 

 

उपग्रह प्रतिमा, मातीतील ओलाव्याचे मापन करणारे सेन्सर्स, स्वयंचलित हवामान केंद्रे, पिकाच्या वाढीच्या नोंदी आणि हवामानाचा अंदाज अशा विविध स्रोतांतून हंगामभरातील स्थानिक माहिती (डेटा) उपलब्ध होऊ शकते. स्थानिक प्रयोगातून मिळालेल्या माहितीबरोबरच गेल्या 15 ते 20 वर्षांच्या प्रत्यक्ष निरीक्षणाधारित माहितीचे (Empirical Data) कृत्रिम बुद्धिमत्तेच्या साहाय्याने विविध अल्गोरिदम्स (Algorithms) वापरून विश्लेषण केल्यास पिकाची सद्यस्थिती अधिक स्पष्टपणे समजून घेता येते. पिकाच्या वाढीतील सूक्ष्म बदल वेळेत ओळखता येतात, संभाव्य अडचणींचे संकेत लवकर मिळतात आणि त्यानुसार पाणी, खत व पीकसंरक्षणाच्या उपाययोजनांबाबत योग्य वेळी योग्य निर्णय घेणे अधिक सुलभ होते.

 

 

या अनुभवातून एक महत्त्वाची बाब स्पष्ट होते-अचूक शेती म्हणजे केवळ अधिक माहिती गोळा करणे नव्हे; तर उपलब्ध माहितीचे कृत्रिम बुद्धिमत्तेच्या साहाय्याने विविध अल्गोरिदम्स (Algorithms) वापरून विश्लेषण करून योग्य वेळी योग्य निर्णय घेणे होय. म्हणूनच आधुनिक कृषी व्यवस्थापनाचा केंद्रबिंदू ‘माहितीपासून निर्णयापर्यंत’ आणि पुढे ‘निर्णयापासून परिणामापर्यंत’ असा असणे आवश्यक आहे हे अधोरेखित झाले आहे.

 

 

कृषी विज्ञान केंद्र, अंबाजोगाईच्या सोयाबीन प्रायोगिक प्रकल्पातून हीच नवी दिशा आली आहे. स्थानिक माहिती, कृत्रिम बुद्धिमत्ता, आधुनिक कृषी तंत्रज्ञान आणि शेतकर्‍याचा अनुभव यांची सांगड घातल्यास शेती अधिक अचूक, कार्यक्षम, संसाधन-बचत करणारी आणि शाश्वत बनविण्याच्या दिशेने ठोस पाऊल टाकता येते.

 

 

 

 

कृत्रिम बुद्धिमत्तेवर आधारित अचूक शेतीचा मूलभूत विचार सोपा आहे. शेतात एखादी अडचण दिसते; तिच्याशी संबंधित माहिती गोळा केली जाते; AI त्या माहितीतील नमुने आणि संबंध शोधते; त्यानंतर कृषी तज्ज्ञ त्या निष्कर्षाचा स्थानिक परिस्थितीशी संबंध तपासतात आणि शेतकर्‍यासाठी कृतीयोग्य सल्ला तयार होतो. पहिल्या लेखात मांडलेल्या ‘शेतातील सेन्सर - माहिती - AI विश्लेषण-हवामानाचा विचार-पिकाची अवस्था-सिंचनाचा निर्णय -शेतकर्‍याला सूचना’ या प्रक्रियेत तंत्रज्ञानाचा उपयोग प्रश्नाचे उत्तर शोधण्यासाठी केला जातो.

 

 

या प्रयोगात कृत्रिम बुद्धिमत्ता-आधारित वनस्पती निर्देशांक (Vegetation), पिकाच्या हिरव्या आच्छादनाची निर्मिती निर्देशांक (Canopy Establishment), पीक आरोग्य निर्देशांक (Crop Health), रेड एज निर्देशांक (Red Edge), पाणी शोध निर्देशांक ( Water Detection), पाणी ताण निर्देशांक (Water Stress), आर्द्रता ताण निर्देशांक (Moisture Stress) आणि पीक विकासातील परिवर्तनशीलता निर्देशांक (Crop Dev. Variability) असे आठ निर्देशांक विश्लेषणासाठी वापरण्यात आले. या आठ निर्देशांकांच्या साहाय्याने शेतातील विविध घटकांकडे एकत्रित आणि अधिक व्यापक दृष्टीकोनातून पाहणे शक्य झाले. या निर्देशांकांचा एकत्रित विचार केल्यास पिकाची वाढ, पिकाचे आरोग्य, पाण्याची उपलब्धता, पिकावरील ताणाची स्थिती तसेच शेतातील विविध भागांमधील बदल यांचे अधिक स्पष्ट चित्र समोर येते; मात्र, कोणत्याही एका निर्देशांकाचा स्वतंत्रपणे विचार करण्याऐवजी या सर्व निर्देशांकांचा हंगामभरातील प्रवाह, मातीतील ओलावा आणि स्थानिक हवामानाच्या नोंदी यांच्या संदर्भात एकत्रित विचार करणे अधिक महत्त्वाचे ठरते. अशा एकत्रित विश्लेषणामुळे केवळ शेतात काय घडत आहे, याचे आकलन होत नाही, तर कुठे, का आणि कोणत्या वेळी कृती करणे आवश्यक आहे याचीही दिशा मिळते. त्यामुळे कच्च्या डेटाचे अर्थपूर्ण विश्लेषण, कृषी तज्ज्ञांचे परीक्षण आणि त्यातून शेतकर्‍यासाठी कृतीयोग्य सल्ला अशी डेटातून निर्णयाकडे जाणारी प्रक्रिया अधिक स्पष्ट आणि परिणामकारक झाली आहे.

 

 

त्यानंतरच्या दुसर्‍या लेखामध्ये याच विचाराला अधिक व्यापक रूप देताना ‘शेत - डेटा - AI - कृषी ज्ञान - सल्ला - परिणाम - पुन्हा संशोधन’ ही साखळी मांडली आहे. म्हणजे AIचा उपयोग एकदाच सल्ला देण्यासाठी नाही; शेतात त्या सल्ल्याचा काय परिणाम झाला, हे पुन्हा नोंदवून पुढील हंगामासाठी अधिक चांगले निर्णय तयार करणे हा त्याचा खरा उपयोग आहे.

 

 

 

या संकल्पनेचा प्रत्यक्ष नमुना कृषी विज्ञान केंद्र, अंबाजोगाईच्या सोयाबीन प्लॉटमध्ये पाहायला मिळतो. सुमारे 0.5745 एकर क्षेत्राचे मे ते सप्टेंबर 2026 या कालावधीत निरीक्षण करण्यात आले. या काळात 17 उपग्रह-वाचनांचा वापर करण्यात आला आणि पिकाची स्थिती समजण्यासाठी आठ (08) AI आधारित निर्देशांक तयार करण्यात आले. उपग्रह प्रतिमा,  AI आधारित मृदा विश्लेषण आणि शेतातील हवामान केंद्र अशा विविध स्रोतांचा डेटा एकत्रित करण्यात आला.

 

घटक अंबाजोगाई पायलटमधील माहिती

क्षेत्र 0.5745 एकर

पीक सोयाबीन

निरीक्षण कालावधी मे ते सप्टेंबर 2026

उपग्रह वाचन 17

अख निर्देशांक 08

डेटा प्रवाह 05

 

या आकड्यांकडे पाहताना ‘इतका डेटा जमा झाला’ एवढेच महत्त्वाचे नाही. या डेटाने शेवटी कोणता प्रश्न स्पष्ट केला आणि त्यातून कोणती कृती सुचली, हे अधिक महत्त्वाचे आहे.

 

 

हंगामाच्या सुरुवातीला वनस्पती निर्देशांकाची (Vegetation) मूल्ये कमी होती. ऑगस्टनंतर त्यात स्पष्ट वाढ झाली आणि 22 सप्टेंबरला तो सुमारे 0.62वर पोहोचला. अहवालात ही स्थिती दाट वनस्पती म्हणून नोंदवली आहे. Crop Health आणि Red Edge निर्देशांकातही हंगामात वाढ दिसते. सप्टेंबरमध्ये काही निर्देशांक खाली येताना दिसतात; परंतु पीक परिपक्वतेकडे जात असताना होणारा हा बदल असल्याचे अहवालात नमूद आहे. त्यामुळे एका दिवसाचा आकडा पाहण्यापेक्षा संपूर्ण हंगामाचा प्रवाह पाहणे अधिक उपयुक्त ठरते.

 

 

 

यातून अचूक शेतीचा एक महत्त्वाचा धडा समोर येतो. शेतात एखाद्या वेळी पीक कमी हिरवे दिसले म्हणून लगेच समस्या आहे असे म्हणता येत नाही. पिकाची वाढीची अवस्था, मागील काही आठवड्यांचा प्रवाह आणि हवामान यांचा संदर्भ एकत्र पाहावा लागतो. AI ही अनेक प्रकारची माहिती एकत्र पाहण्याची क्षमता देऊ शकते.

 

 

या प्लॉटमध्ये पाण्याची स्थिती हा अधिक लक्ष देण्याचा विषय ठरला. Water Detection निर्देशांकाने हंगामाच्या मोठ्या भागात कोरडी स्थिती दाखवली. Water Stress जुलै-ऑगस्टमध्ये वाढला आणि नंतर पिकाच्या परिपक्वतेबरोबर कमी झाला.

 

Development Variabilityने शेतात काही भाग इतर भागांपेक्षा वेगळे असल्याचे संकेत दिले. त्यामुळे संपूर्ण शेताला एकसारखे सिंचन देण्याऐवजी कोरड्या आणि अधिक बदल असलेल्या भागांकडे लक्ष देण्याची दिशा मिळाली.

 

 

 

 

पाणी ताण (Water Stress) इथे उपग्रहाचा डेटा एकटाच वापरलेला नाही. 28 सप्टेंबरच्या शेतातील हवामान केंद्राच्या नोंदीनुसार त्या दिवशी पाऊस 0 मिमी, तापमान 28 अंश सेल्शिअस आणि आर्द्रता सुमारे 50% होती. पाच मोजणी बिंदूंवरील मातीतील ओलावा साधारण 0.286 ते 0.332 m/m या मर्यादेत होता. अशा प्रत्यक्ष जमिनीवरील नोंदींमुळे उपग्रहातून दिसणार्‍या पाण्याच्या स्थितीची पडताळणी करण्यास मदत झाली.

 

 

 

आकृती 3 : पाच मोजणी बिंदूंवरील मातीतील ओलावा. काळा-पांढरा आलेख; वेगवेगळ्या hatch पद्धतींनी बिंदू दाखवले आहेत.

मातीनेही आपली गोष्ट सांगितली

 

AIआधारित मृदा विश्लेषणात या प्लॉटची काही मूलभूत वैशिष्ट्ये चांगली दिसली.pH 7.08 होता; कार्बन आणि CEC बाबतही स्थिती चांगली नोंदवली आहे. परंतु नत्राचे प्रमाण 182 kg/ha होते, जे अहवालातील 280-560kg/ha या आदर्श श्रेणीपेक्षा कमी आहे.Bulk Density सुमारे 1.59g/cm असल्याने माती घट्ट असल्याचे संकेत मिळाले. त्यामुळे पिकाची स्थिती चांगली असली तरी पुढील हंगामासाठी नत्र व्यवस्थापन आणि मातीची रचना सुधारण्याकडे लक्ष देणे आवश्यक ठरते.

 

 

समजा फक्त एवढीच माहिती मिळाली की ‘पिकाचा Vegetation Index 0.62 आहे’. हा एक आकडा आहे. पण त्याच वेळी पिकाची अवस्था परिपक्वतेकडे आहे, Water Stress कमी होत आहे, मातीतील ओलावा किती आहे आणि हवामानाची स्थिती काय आहे हेही समोर आले, तर त्या आकड्याचा अर्थ अधिक स्पष्ट होतो. म्हणून अचूक शेतीचा केंद्रबिंदू एखादा एकच AI निर्देशांक नसून विविध माहितीचा संदर्भासह केलेला एकत्रित विचार हा आहे.

 

 

दुसर्‍या लेखामध्ये सांगितल्याप्रमाणे, पारंपरिक पद्धतीत संपूर्ण शेतासाठी एकच सल्ला दिला जाऊ शकतो; परंतु प्रत्यक्षात शेतातील माती, ओलावा, पिकाची वाढ आणि सूक्ष्म हवामान यात फरक असतो. Precision Farmingचा उद्देश उपलब्ध माहितीच्या आधारे योग्य वेळी, योग्य प्रमाणात आणि योग्य ठिकाणी कृषी उत्पादन साधनांचा वापर करणे हा आहे.

 

 

 

 

AIचा उपयोग वाढला तरी शेवटचा निर्णय शेतकर्‍याचाच असला पाहिजे. AI ही शेतकर्‍याच्या अनुभवाला विज्ञान आणि माहितीची जोड देणारी व्यवस्था आहे. शेतातील परिस्थिती, उपलब्ध पाणी, खर्च, मागील अनुभव आणि स्थानिक ज्ञान यांचा विचार करूनच कृषी तज्ज्ञांच्या मार्गदर्शनाने अंतिम निर्णय घेणे अधिक योग्य आहे.

 

यामुळे भविष्यात शेतकर्‍याच्या मोबाईलवर तांत्रिक आकड्यांऐवजी साध्या भाषेतील सूचना दिसू शकतात-‘मातीतील ओलावा पुरेसा आहे; पुढील 48 तासांत पावसाची शक्यता असल्याने सिंचन पुढे ढकलण्याचा विचार करा’ किंवा, ‘पिकाची सद्यस्थिती आणि हवामान पाहता रोगाचा धोका वाढू शकतो; कृषी तज्ज्ञांचा सल्ला घ्या’ अशा सूचना स्थानिक भाषेत आणि समजण्यास सोप्या पद्धतीने मिळणे शक्य झाले आहे.

 

 

 

या प्रयोगाचा उपयोग एका प्लॉटपुरता मर्यादित ठेवण्याऐवजी सोयाबीन, तूर, कापूस, आंबा यांसारख्या स्थानिक पिकांपर्यंत वाढवता येऊ शकतो. KVKचे क्षेत्रीय ज्ञान, DBATUचे तांत्रिक व संशोधन कौशल्य, AIची विश्लेषण क्षमता आणि शेतकर्‍यांचा प्रत्यक्ष सहभाग हे घटक एकत्र आले तर प्रत्येक हंगामातून नवीन शिकण्याची संधी निर्माण झाली आहे.

 

 

यामध्ये एक महत्त्वाचा बदल घडतो. शेतातील परिणाम हा शेवट नसतो; तो पुढील डेटाची सुरुवात असतो. कोणत्या सल्ल्यामुळे काय परिणाम झाला, कुठे पाणी कमी पडले, कोणत्या हवामान परिस्थितीत पीक चांगले किंवा कमी वाढले - या नोंदी पुढील हंगामातील मॉडेल आणि कृषी सल्ला अधिक स्थानिक व परिणामकारक बनवू शकतात. ‘शेतातील समस्या - डेटा - AI विश्लेषण - कृषी तज्ज्ञांचे परीक्षण - कृतीयोग्य सल्ला - परिणाम - पुनर्मूल्यांकन’ ही अखंड प्रक्रिया आहे.

 

 

 

अचूक शेतीचे यश किती AI वापरले यावर मोजता येणार नाही. पाणी वाचले, अनावश्यक फवारणी टळली, खताचा वापर योग्य झाला, उत्पादन खर्च कमी झाला आणि शेतकर्‍याचे निव्वळ उत्पन्न वाढले-यावर त्याचे खरे यश ठरेल. अचूक शेतीचा अंतिम हेतू शेतकर्‍याच्या निर्णयक्षमतेला मदत करून उत्पादन अधिक किफायतशीर, सुरक्षित आणि हवामान-स्मार्ट बनवणे हा आहे.

 

 

अंबाजोगाईच्या या सोयाबीन प्रयोगाने एक साधी दिशा दाखवली आहे. 0.5745एकर क्षेत्र, 17 उपग्रह-वाचन, 08 AI निर्देशांक आणि हवामान केंद्रातून मिळालेली स्थानिक माहिती यामुळे पिकाची वाढ, पाण्याची स्थिती आणि मातीतील मर्यादा एका चित्रात दिसू लागल्या. प्राप्त निरीक्षणांच्या आधारे काही महत्त्वाचे कृतीबिंदू स्पष्ट झाले-कोरड्या भागांकडे विशेष लक्ष देणे, नत्र व्यवस्थापन अधिक प्रभावी करणे, मातीची रचना सुधारणे आणि योग्य वेळी कापणीचे नियोजन करणे.

 

यातून एक महत्त्वाची बाब अधोरेखित होते-डेटा हा शेतीचा पर्याय नाही; तर योग्य वेळी योग्य निर्णय घेण्यासाठी शेतकर्‍याला मिळणारा एक नवा आणि उपयुक्त आधार आहे.

 

समाप्त.