باختصار، يُسهم الذكاء الاصطناعي في دعم الزراعة من خلال تحويل البيانات الزراعية المتفرقة إلى قرارات عملية، مثل تحديد أماكن المسح أولاً، ومعالجة الأمراض، وفحص الحيوانات. وتزداد قيمته عندما يندمج بسلاسة في سير العمل الزراعي اليومي، ويُمكنه شرح توصياته، خاصةً في حالات ضعف الاتصال أو تغير الظروف.
أهم النقاط المستفادة:
تحديد الأولويات : استخدم الذكاء الاصطناعي لتوجيه عمليات الاستطلاع والاهتمام نحو أكثر المناطق عرضة للمشاكل أولاً.
ملاءمة سير العمل : اختر الأدوات التي تعمل داخل الكابينة، وتظل سريعة، ولا تتطلب تسجيلات دخول إضافية.
الشفافية : تفضيل الأنظمة التي تشرح "السبب"، حتى تظل القرارات جديرة بالثقة وقابلة للنقاش.
حقوق البيانات : قم بتأمين الملكية والأذونات وشروط التصدير والحذف قبل اعتمادها.
مقاومة سوء الاستخدام : تعامل مع التنبؤات على أنها تنبيهات، وتحقق دائمًا من صحتها بالاستعانة بالحكم البشري.
يرتكز جزء كبير من الأمر على شيء واحد: تحويل بيانات المزرعة غير المنظمة (الصور، قراءات المستشعرات، خرائط المحاصيل، سجلات الآلات، إشارات الطقس) إلى إجراءات واضحة. ويُعدّ هذا "التحويل إلى إجراءات" جوهر استخدام التعلّم الآلي في دعم اتخاذ القرارات الزراعية. [1]
مقالات قد ترغب في قراءتها بعد هذه المقالة:
🔗 كيف تساعد تقنيات الذكاء الاصطناعي في الكشف عن أمراض المحاصيل؟
يقوم الذكاء الاصطناعي بتحليل صور المحاصيل لتحديد الأمراض مبكراً وبدقة.
🔗 ما تعنيه رؤية الحاسوب في الذكاء الاصطناعي
يشرح كيف تفهم الآلات الصور والفيديوهات والبيانات المرئية.
🔗 كيفية استخدام الذكاء الاصطناعي في التوظيف
طرق عملية لتحسين التوظيف والفرز ومطابقة المرشحين باستخدام الذكاء الاصطناعي.
🔗 كيفية تعلم الذكاء الاصطناعي
خارطة طريق سهلة للمبتدئين لبدء تعلم مفاهيم وأدوات الذكاء الاصطناعي.
1) الفكرة البسيطة: الذكاء الاصطناعي يحوّل الملاحظات إلى قرارات 🧠➡️🚜
تُنتج المزارع كميات هائلة من المعلومات: تباين التربة، وأنماط إجهاد المحاصيل، وانتشار الآفات، وسلوك الحيوانات، وأداء الآلات، وما إلى ذلك. يساعد الذكاء الاصطناعي في رصد الأنماط التي يغفل عنها البشر - خاصةً في مجموعات البيانات الكبيرة والمعقدة - ثم يُسهم في اتخاذ قرارات مثل تحديد أماكن المسح، ومعالجة الآفات، وتجاهل الآفات. [1]
طريقة عملية للغاية للتفكير في الأمر: الذكاء الاصطناعي هو محرك لتحديد الأولويات . إنه لا يقوم بالزراعة نيابة عنك بطريقة سحرية، بل يساعدك على توجيه وقتك واهتمامك إلى حيث يكون الأمر مهمًا حقًا.
2) ما الذي يجعل نسخة جيدة من الذكاء الاصطناعي مناسبة للزراعة؟ ✅🌱
ليست كل برامج "الذكاء الاصطناعي للزراعة" متساوية. بعض الأدوات متينة حقاً، بينما البعض الآخر... مجرد رسم بياني أنيق يحمل شعاراً.
إليكم ما يهم أكثر في الحياة الواقعية:
-
يتناسب مع سير عملك الحقيقي (كابينة الجرار، قفازات موحلة، وقت محدود)
-
يشرح "السبب"، وليس مجرد نتيجة (وإلا فلن تثق به).
-
يتعامل مع تقلبات المزرعة (التربة، والطقس، والهجائن، والدورات الزراعية - كل شيء يتغير)
-
ملكية البيانات الواضحة + الأذونات (من يمكنه رؤية ماذا، ولأي غرض) [5]
-
يتكامل بشكل جيد مع الأنظمة الأخرى (لأن عزل البيانات يمثل مشكلة مستمرة).
-
لا يزال مفيدًا مع الاتصال المتقطع (البنية التحتية الريفية غير متساوية، ويمكن أن يكون "الاعتماد على السحابة فقط" عائقًا) [2]
لنكن صريحين: إذا تطلب الأمر ثلاث عمليات تسجيل دخول وتصدير جدول بيانات للحصول على قيمة، فهذا ليس "زراعة ذكية"، بل هو عقاب 😬.
3) جدول مقارنة: فئات الأدوات الشائعة التي تعتمد على الذكاء الاصطناعي والتي يستخدمها المزارعون فعليًا 🧾✨
تتغير الأسعار وتختلف الباقات، لذا تعامل مع هذه الأسعار على أنها نطاقات "تقريبية" وليست حقائق مطلقة.
| فئة الأدوات | الأفضل لـ (الجمهور) | أجواء السعر | لماذا ينجح ذلك (ببساطة) |
|---|---|---|---|
| منصات بيانات الحقول والأسطول | تنظيم العمليات الميدانية والخرائط وسجلات الآلات | اشتراكي نوعًا ما | تقليل الطاقة المبذولة في التساؤل "أين ذهب هذا الملف؟" وزيادة استخدام السجل [1] |
| الاستطلاع القائم على الصور (الأقمار الصناعية/الطائرات بدون طيار) | تحديد التباين ومواطن الخلل بسرعة | نطاقات واسعة | يرشدك إلى المكان الذي يجب أن تمشي إليه أولاً (أي: تقليل الأميال المهدرة) [1] |
| الرش الموجه (باستخدام الرؤية الحاسوبية) | الحد من استخدام مبيدات الأعشاب غير الضرورية | عادة ما تكون على أساس عرض الأسعار | يمكن للكاميرات + التعلم الآلي رش الأعشاب الضارة وتخطي المحاصيل النظيفة (عند إعدادها بشكل صحيح) [3] |
| وصفات طبية ذات معدل متغير | البذر/الخصوبة حسب المنطقة + التفكير في عائد الاستثمار | اشتراكي نوعًا ما | يحوّل الطبقات إلى خطة يمكنك تنفيذها - ثم مقارنة النتائج لاحقًا [1] |
| مراقبة الماشية (أجهزة الاستشعار/الكاميرات) | الإنذارات المبكرة + عمليات التحقق من سلامة الأفراد | أسعار البائعين | يشير إلى وجود خطأ ما، لذا عليك التحقق من الحيوان الصحيح أولاً [4] |
اعتراف بسيط بخصوص التنسيق: "شعور السعر" هو مصطلح تقني ابتكرته للتو... لكنك تفهم ما أقصده 😄.
4) استكشاف المحاصيل: يكتشف الذكاء الاصطناعي المشاكل أسرع من المشي العشوائي 🚶♂️🌾
من أهمّ مزايا تحديد الأولويات . فبدلاً من المسح العشوائي في كل مكان، يستخدم الذكاء الاصطناعي الصور والبيانات الميدانية لتحديد المناطق التي يُحتمل أن تُسبّب مشاكل. وتظهر هذه الأساليب باستمرار في الأبحاث العلمية - مثل الكشف عن الأمراض، والكشف عن الأعشاب الضارة، ومراقبة المحاصيل - لأنها تحديداً نوع مشاكل التعرّف على الأنماط التي يُجيدها التعلّم الآلي. [1]
مدخلات الاستكشاف الشائعة التي تعتمد على الذكاء الاصطناعي:
-
صور الأقمار الصناعية أو الطائرات بدون طيار (إشارات حيوية المحاصيل، كشف التغيرات) [1]
-
صور الهواتف الذكية لتحديد الآفات/الأمراض (مفيدة، ولكنها لا تزال بحاجة إلى دماغ بشري متصل) [1]
-
المحصول التاريخي + طبقات التربة (حتى لا تخلط بين "نقاط الضعف العادية" والمشاكل الجديدة)
هذا أحد المواضع التي سؤال "كيف يساعد الذكاء الاصطناعي الزراعة؟" حرفياً للغاية: فهو يساعدك على ملاحظة ما كنت على وشك تفويته 👀. [1]
5) مدخلات دقيقة: رش وتسميد وري أكثر ذكاءً 💧🌿
المدخلات مكلفة. والأخطاء مكلفة. لذا هنا يمكن أن يبدو الذكاء الاصطناعي وكأنه يحقق عائدًا حقيقيًا وقابلًا للقياس على الاستثمار - إذا كانت بياناتك وإعداداتك متينة. [1]
رش أكثر ذكاءً (بما في ذلك التطبيقات الموجهة)
هذا أحد أوضح الأمثلة التي توضح جدوى هذه التقنية: إذ يمكن لتقنية رؤية الحاسوب والتعلم الآلي أن تُمكّن من رش المبيدات بشكل مُوجّه نحو الأعشاب الضارة بدلاً من رش كل شيء بشكل عشوائي. [3]
ملاحظة هامة بشأن الثقة: حتى الشركات التي تبيع هذه الأنظمة تصرح صراحةً بأن النتائج تختلف باختلاف كثافة الأعشاب الضارة ونوع المحصول والإعدادات والظروف - لذا اعتبرها أداةً وليست ضمانًا. [3]
البذر بمعدل متغير والوصفات الطبية
تساعدك أدوات الوصفات الطبية في تحديد المناطق، ودمج الطبقات، وإنشاء البرامج النصية، ثم تقييم ما حدث بالفعل. وتُعدّ حلقة "تقييم ما حدث" هذه بالغة الأهمية، إذ يكون التعلّم الآلي في الزراعة في أفضل حالاته عندما يمكنك التعلّم موسمًا بعد موسم، وليس مجرد إنتاج خريطة جميلة لمرة واحدة. [1]
نعم، أحياناً يكون الفوز الأول ببساطة: "أستطيع أخيراً أن أرى ما حدث في المحاولة السابقة". ليس فوزاً باهراً، ولكنه حقيقي للغاية.
6) التنبؤ بالآفات والأمراض: إنذارات مبكرة، مفاجآت أقل 🐛⚠️
يُعد التنبؤ أمرًا صعبًا (علم الأحياء يميل إلى الفوضى)، ولكن يتم دراسة أساليب التعلم الآلي على نطاق واسع لأمور مثل الكشف عن الأمراض والتنبؤات المتعلقة بالمحاصيل - غالبًا من خلال الجمع بين إشارات الطقس والصور وتاريخ الحقل. [1]
تنبيه: التوقع ليس نبوءة. تعامل معه كجهاز إنذار حريق - مفيد حتى وإن كان مزعجاً أحياناً 🔔.
7) الماشية: الذكاء الاصطناعي يراقب السلوك والصحة والرفاهية 🐄📊
يشهد الذكاء الاصطناعي في مجال الثروة الحيوانية ازدهاراً ملحوظاً لأنه يعالج حقيقة بسيطة: لا يمكنك مراقبة كل حيوان طوال الوقت .
تعتمد الزراعة الدقيقة للماشية (PLF) بشكل أساسي على المراقبة المستمرة والإنذار المبكر - وتتمثل مهمة النظام في لفت انتباهك نحو الحيوانات التي تحتاج إلى ذلك في الوقت الحالي . [4]
أمثلة ستراها في الواقع:
-
الأجهزة القابلة للارتداء (أطواق، علامات أذن، أجهزة استشعار الساق)
-
أجهزة استشعار من نوع البولس
-
المراقبة القائمة على الكاميرات (أنماط الحركة/السلوك)
لذا إذا سألت، كيف يساعد الذكاء الاصطناعي الزراعة؟ - أحيانًا يكون الأمر بسيطًا مثل: فهو يخبرك أي حيوان يجب فحصه أولاً، قبل أن يتفاقم الوضع 🧊. [4]
8) الأتمتة والروبوتات: القيام بالأعمال المتكررة (وبشكل متسق) 🤖🔁
تتراوح الأتمتة بين "المساعدة المفيدة" و"التشغيل الذاتي الكامل"، وتقع معظم المزارع في مكان ما بينهما. وعلى نطاق أوسع، تُصنّف منظمة الأغذية والزراعة هذا المجال برمته كجزء من موجة أتمتة أوسع تشمل كل شيء من الآلات إلى الذكاء الاصطناعي، مع ما يصاحب ذلك من فوائد محتملة ومخاطر متفاوتة في التبني. [2]
الروبوتات ليست سحرية، لكنها يمكن أن تكون بمثابة زوج ثانٍ من الأيدي التي لا تتعب ... أو تتذمر ... أو تحتاج إلى فترات راحة لشرب الشاي (حسنًا، مبالغة طفيفة) ☕.
9) إدارة المزارع + دعم اتخاذ القرار: القوة الخارقة "الهادئة" 📚🧩
هذا هو الجزء غير المثير الذي غالباً ما يحقق القيمة الأكبر على المدى الطويل: سجلات أفضل، ومقارنات أفضل، وقرارات أفضل .
يظهر دعم القرار المدعوم بالتعلم الآلي في جميع أبحاث إدارة المحاصيل والماشية والتربة والمياه لأن العديد من القرارات الزراعية تتلخص في: هل يمكنك ربط النقاط عبر الزمن والحقول والظروف؟ [1]
إذا سبق لك أن حاولت مقارنة موسمين وتساءلت: "لماذا لا يوجد أي تطابق؟" - نعم، هذا هو السبب بالضبط.
10) سلسلة التوريد والتأمين والاستدامة: الذكاء الاصطناعي من وراء الكواليس 📦🌍
لا يقتصر استخدام الذكاء الاصطناعي في الزراعة على المزارع فحسب. فمفهوم منظمة الأغذية والزراعة (الفاو) عن "نظم الأغذية الزراعية" أوسع بكثير من مجرد الحقل، إذ يشمل سلاسل القيمة والنظام الأوسع المحيط بالإنتاج، وهو المجال الذي تبرز فيه أدوات التنبؤ والتحقق. [2]
هنا تصبح الأمور غريبة من الناحية السياسية والتقنية في نفس الوقت - ليس الأمر ممتعًا دائمًا، ولكنه ذو أهمية متزايدة.
11) المخاطر: حقوق البيانات، والتحيز، والاتصال، و"التقنيات الرائعة التي لا يستخدمها أحد" 🧯😬
يمكن أن يأتي الذكاء الاصطناعي بنتائج عكسية تماماً إذا تجاهلت الأمور المملة:
-
إدارة البيانات : يجب أن تكون الملكية والتحكم والموافقة وقابلية النقل والحذف واضحة في لغة العقد (وليس مدفونة في ضباب قانوني) [5]
-
الاتصال + البنية التحتية التمكينية : التبني غير متساوٍ، والفجوات في البنية التحتية الريفية حقيقية [2]
-
التحيز وعدم المساواة في الفائدة : يمكن أن تعمل الأدوات بشكل أفضل لبعض أنواع المزارع/المناطق مقارنة بغيرها، خاصة إذا كانت بيانات التدريب لا تتطابق مع واقعك [1].
-
"يبدو ذكياً، لكنه غير مفيد" : إذا لم يتناسب مع سير العمل، فلن يتم استخدامه (بغض النظر عن مدى روعة العرض التوضيحي).
إذا كان الذكاء الاصطناعي بمثابة جرار، فإن جودة البيانات هي وقود الديزل. وقود رديء، يوم سيء.
١٢) البدء: خارطة طريق بسيطة 🗺️✅
إذا كنت ترغب في تجربة الذكاء الاصطناعي دون إهدار المال:
-
اختر نقطة ضعف واحدة (الأعشاب الضارة، توقيت الري، وقت الاستطلاع، تنبيهات صحة القطيع)
-
ابدأ بالرؤية (الرسم + المراقبة) قبل الأتمتة الكاملة [1]
-
قم بإجراء تجربة بسيطة : حقل واحد، مجموعة قطيع واحدة، سير عمل واحد
-
تتبع مقياسًا واحدًا تهتم به بالفعل (حجم الرش، الوقت الموفر، عمليات إعادة المعالجة، استقرار المحصول)
-
تحقق من حقوق البيانات وخيارات التصدير قبل الالتزام [5]
-
خطط للتدريب - حتى الأدوات "السهلة" تحتاج إلى عادات لتترسخ [2]
١٣) ملاحظات ختامية: كيف يُسهم الذكاء الاصطناعي في دعم الزراعة؟ 🌾✨
كيف يُساعد الذكاء الاصطناعي الزراعة؟ يُساعد المزارع على اتخاذ قرارات أفضل مع تقليل التخمين - من خلال تحويل الصور وقراءات المستشعرات وسجلات الآلات إلى إجراءات يُمكن اتخاذها فعلياً. [1]
باختصار شديد
-
الذكاء الاصطناعي يحسن عملية الاستكشاف (اكتشاف المشكلات في وقت مبكر) [1]
-
فهو يتيح إدخال البيانات بدقة (وخاصة الرش الموجه) [3]
-
يعزز ذلك مراقبة الماشية (الإنذارات المبكرة، وتتبع الرفاهية) [4]
-
وهو يدعم الأتمتة (مع فوائد - وفجوات حقيقية في التبني) [2]
-
العوامل الحاسمة هي حقوق البيانات والشفافية وسهولة الاستخدام [5]
التعليمات
كيف يدعم الذكاء الاصطناعي عملية صنع القرار الزراعي في المزرعة
يرتكز الذكاء الاصطناعي في الزراعة بشكل أساسي على تحويل الملاحظات إلى قرارات قابلة للتنفيذ. تُنتج المزارع مدخلات غير دقيقة، مثل الصور وقراءات أجهزة الاستشعار وخرائط المحاصيل وسجلات الآلات وإشارات الطقس، ويساعد التعلم الآلي في استخلاص الأنماط من هذه المدخلات. عمليًا، يعمل الذكاء الاصطناعي كأداة لتحديد الأولويات: أين يجب الاستكشاف أولًا، وماذا يجب معالجته، وماذا يجب استبعاده. لن يقوم الذكاء الاصطناعي بالزراعة نيابةً عنك، ولكنه يُقلل من الاعتماد على التخمين.
أنواع بيانات المزارع التي تستخدمها أدوات التعلم الآلي
تعتمد معظم أدوات دعم القرار الزراعي على الصور (صور الأقمار الصناعية، أو الطائرات المسيّرة، أو الهواتف)، وسجلات عمليات الآلات والحقول، وخرائط المحاصيل، وطبقات التربة، وبيانات الطقس. وتكمن قيمتها في دمج هذه البيانات بدلاً من عرض كل منها على حدة. وعادةً ما تكون المخرجات عبارة عن مجموعة مُرتبة من "نقاط الاهتمام الحرجة"، أو خريطة توصيات، أو تنبيه يُشير إلى حدوث تغيير كافٍ يستدعي إجراء فحص ميداني.
ما الذي يجعل أداة الذكاء الاصطناعي للزراعة مفيدة في الاستخدام اليومي؟
أفضل الأدوات تتناسب مع طبيعة العمل: داخل كابينة الجرار، مع ضيق الوقت، وأحيانًا مع قفازات متسخة بالطين وإشارة ضعيفة. الأدوات العملية تشرح "السبب"، لا مجرد نتيجة، وتتعامل مع تباينات المزرعة من حيث التربة والطقس والهجائن والدورات الزراعية. كما أنها تتطلب تحديدًا واضحًا لملكية البيانات والصلاحيات، ويجب أن تتكامل مع الأنظمة الأخرى لتجنب الوقوع في فخ أنظمة البيانات المعزولة.
متطلبات الاتصال بالإنترنت لاستخدام أدوات الذكاء الاصطناعي في المزرعة
ليس بالضرورة. تعاني العديد من المزارع من ضعف الاتصال بالإنترنت في المناطق الريفية، وقد تُصبح التصاميم التي تعتمد على الحوسبة السحابية فقط عائقًا كبيرًا عند انقطاع الإشارة في أسوأ الأوقات. يتمثل أحد الأساليب الشائعة في اختيار أدوات تُقدم قيمة مضافة حتى مع انقطاع الاتصال المتقطع، ثم مزامنة البيانات بمجرد عودة التغطية. في العديد من عمليات سير العمل، تُعطى الأولوية للموثوقية أولًا ثم للكفاءة ثانيًا، لا سيما خلال العمليات الحساسة للوقت.
كيف تُحسّن تقنيات الذكاء الاصطناعي من عمليات استكشاف المحاصيل باستخدام صور الأقمار الصناعية أو الطائرات المسيّرة أو صور الهواتف؟
تعتمد عمليات الاستكشاف المدعومة بالذكاء الاصطناعي بشكل أساسي على تحديد مواطن الخلل بسرعة أكبر من التجول العشوائي. تُبرز الصور التغيرات والتقلبات مع مرور الوقت، بينما يساعد السجل الميداني في التمييز بين "المناطق الضعيفة المعتادة" والمشاكل الجديدة. يمكن أن تساعد صور الهاتف في تحديد الآفات أو الأمراض، لكنها تظل أكثر فعالية عند مراجعتها من قبل شخص مختص. والنتيجة هي تقليل المسافات الضائعة والكشف المبكر.
الرش الموجه وتقليل مبيدات الأعشاب باستخدام رؤية الكمبيوتر
يُمكن للرش المُوجّه أن يُقلّل من الاستخدام غير الضروري للمبيدات، وذلك باستخدام الكاميرات وتقنيات التعلّم الآلي لتحديد الأعشاب الضارة ورشّها فقط عند الحاجة، بدلاً من رشّها بشكل عشوائي. غالباً ما تُعتبر أنظمة مثل نظام See & Spray من جون دير مثالاً قوياً على عائد الاستثمار عند ضبط الإعدادات والظروف بشكل صحيح. مع ذلك، قد تختلف النتائج باختلاف كثافة الأعشاب الضارة، ونوع المحصول، والإعدادات، وظروف الحقل، لذا يُفضّل التعامل معها كأداة مساعدة وليست ضماناً.
الوصفات الطبية ذات المعدل المتغير وكيف يُحسّنها التعلم الآلي بمرور الوقت
تستخدم الوصفات ذات المعدلات المتغيرة المناطق وطبقات البيانات لتوجيه قرارات البذر أو التسميد حسب المنطقة، ثم مقارنة النتائج لاحقًا. يبرز التعلم الآلي بشكل خاص عند إمكانية إكمال الدورة موسمًا بعد موسم: وضع خطة، وتنفيذها، وتقييم النتائج. حتى النجاح المبكر غير الملحوظ - أي معرفة ما حدث في المحاولة الأخيرة - يمكن أن يمهد الطريق لوصفات أكثر ذكاءً لاحقًا.
الزراعة الدقيقة للماشية وما يرصده الذكاء الاصطناعي
يركز نظام تربية الماشية الدقيق على المراقبة المستمرة والإنذار المبكر، إذ لا يمكن مراقبة كل حيوان طوال الوقت. قد تستخدم الأنظمة المدعومة بالذكاء الاصطناعي أجهزة قابلة للارتداء (أطواق، علامات أذن، مجسات أرجل)، أو مجسات حقن، أو كاميرات لتتبع السلوك والإشارة إلى أي خلل. الهدف العملي بسيط: توجيه الانتباه إلى الحيوانات التي تحتاج على الأرجح إلى فحص فوري، قبل تفاقم المشاكل.
أكبر عيوب الذكاء الاصطناعي في الزراعة
غالباً ما تكون المخاطر الأكبر هي تلك غير الجذابة: عدم وضوح حقوق البيانات والصلاحيات، وقيود الاتصال، والأدوات التي لا تتناسب مع سير العمل اليومي. قد يظهر التحيز عندما لا تتطابق بيانات التدريب مع منطقة مزرعتك أو ممارساتها أو ظروفها، مما قد يؤدي إلى تفاوت في الأداء. ومن أنماط الفشل الشائعة الأخرى "يبدو ذكياً، لكنه لا يُؤدي الغرض" - فإذا تطلب الأمر الكثير من عمليات تسجيل الدخول أو التصدير أو الحلول البديلة، فلن يُستخدم.
كيفية البدء باستخدام الذكاء الاصطناعي في الزراعة دون إهدار المال
ابدأ بمعالجة مشكلة واحدة - مثل وقت الاستكشاف، أو الأعشاب الضارة، أو توقيت الري، أو تنبيهات صحة القطيع - بدلاً من شراء نظام "المزرعة الذكية" بالكامل. من الطرق الشائعة البدء بتحسين الرؤية (الرسم والمراقبة) قبل السعي إلى الأتمتة الكاملة. قم بتجربة صغيرة (حقل واحد أو مجموعة قطيع واحدة)، وتتبع مؤشرًا واحدًا يهمك، وراجع حقوق البيانات وخيارات التصدير مبكرًا حتى لا تُقيّد نفسك بنظام معين.
مراجع
[1] لياكوس وآخرون (2018) "التعلم الآلي في الزراعة: مراجعة" (المستشعرات)
[2] منظمة الأغذية والزراعة (2022) "حالة الأغذية والزراعة 2022: الاستفادة من الأتمتة لتحويل النظم الغذائية الزراعية" (مقال في غرفة الأخبار)
[3] جون دير "تقنية See & Spray™" (صفحة المنتج الرسمية)
[4] بيركمانز (2017) "مقدمة عامة عن الزراعة الدقيقة للماشية" (آفاق الحيوان، أكسفورد أكاديميك)
[5] مبادئ Ag Data Transparent الأساسية (الخصوصية، الملكية/التحكم، قابلية النقل، الأمن)