Data-Driven Spatial Targeting for Sustainable Intensification of Rice Systems in the Philippines
यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग का उपयोग करके विकसित और खेत पर सत्यापित, डेटा-संचालित, स्थानिक रूप से लक्षित नाइट्रोजन प्रबंधन रणनीतियाँ, फिलीपींस के इलोइलो और नुएवा एसीसा प्रांतों में चावल की उपज के अंतर को काफी कम कर सकती हैं, जबकि ब्लैंकेट दृष्टिकोण की तुलना में केवल 15% बढ़ी हुई उर्वरक उपयोग के साथ 86% संभावित उत्पादन लाभ प्राप्त करती हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
चावल दुनिया की आधी से अधिक आबादी के लिए दैनिक आहार है, एक ऐसी फसल जो इतनी मौलिक है कि इसकी सफलता या विफलता राष्ट्रों की स्थिरता और परिवारों के भूख स्तर को निर्धारित करती है। फिलीपींस में, यह अनाज केवल भोजन का स्रोत नहीं है बल्कि अर्थव्यवस्था और संस्कृति का एक स्तंभ है, जो 1 करोड़ से अधिक लोगों का पेट भरता है। फिर भी, देश की चावल पर गहरी निर्भरता के बावजूद, किसान उतना उत्पादन नहीं कर पा रहे हैं जितना कि भूमि और जलवायु सैद्धांतिक रूप से अनुमति दे सकती है। यह कमी, जिसे 'यील्ड गैप' (उपज अंतराल) कहा जाता है, तब होती है जब वास्तविक फसल उपलब्ध सर्वोत्तम ज्ञान और संसाधनों के मुकाबले काफी कम रह जाती है। इस अंतर को पाटना राष्ट्रीय खाद्य सुरक्षा के लिए महत्वपूर्ण है, लेकिन ऐसा करने के लिए यह समझना आवश्यक है कि वास्तव में कुछ खेत क्यों फलते-फूलते हैं जबकि अन्य संघर्ष करते हैं। चुनौती इस तथ्य में निहित है कि प्रत्येक खेत अलग होता है; मिट्टी, मौसम और एक किसान अपनी फसलों का प्रबंधन कैसे करता है, यह एक खेत से दूसरे खेत में भिन्न होता है, जिससे एक एकल, सर्वव्यापी समाधान अप्रभावी हो जाता है।
शोधकर्ताओं की एक टीम ने फिलीपींस के दो सबसे महत्वपूर्ण चावल उत्पादक प्रांतों, इलोइलो और नुएवा एसिजा में इस पहेली को सुलझाने का प्रयास किया। किसानों को क्या चाहिए, इसका अनुमान लगाने के बजाय, उन्होंने सैकड़ों वास्तविक चावल के खेतों से विस्तृत जानकारी एकत्र की, जिसमें बोए गए बीज के प्रकार से लेकर उपयोग किए गए उर्वरक की मात्रा तक सब कुछ दर्ज किया गया। फिर उन्होंने एक परिष्कृत कंप्यूटर प्रणाली, जो कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) का एक रूप है, का उपयोग इस विशाल डेटा को छानने के लिए किया। इस प्रणाली ने न केवल भविष्य की कटाई की भविष्यवाणी की; बल्कि इसने यह भी समझने में महारत हासिल की कि विशिष्ट स्थानों पर उत्पादन को कौन से कारक रोक रहे थे। डेटा का विश्लेषण करके, शोधकर्ताओं ने पाया कि कम उपज का सबसे आम कारण केवल नाइट्रोजन उर्वरक का पर्याप्त उपयोग न करना था, जो एक प्रमुख पोषक तत्व है जो पौधों को बढ़ने में मदद करता है। हालांकि, इसकी आवश्यकता का स्तर खेत-दर-खेत बहुत भिन्न था। कुछ किसान बहुत कम मात्रा में इसका प्रयोग कर रहे थे, जिससे उनकी फसलें कुपोषण का शिकार हो रही थीं, जबकि अन्य बहुत अधिक मात्रा में इसका उपयोग कर रहे थे, जिससे पैसा बर्बाद हो रहा था और संभावित रूप से पर्यावरण को नुकसान पहुँच रहा था।
इस अध्ययन ने किसानों की कटाई सुधारने में मदद करने के तीन अलग-अलग तरीकों का परीक्षण किया। पहला वर्तमान सरकारी दृष्टिकोण है, जो एक क्षेत्र के लिए सभी को समान मात्रा में उर्वरक का सुझाव देता है। दूसरा एक डेटा-संचालित सुझाव था जिसने सभी खेतों के लिए एक ही अनुकूलित मात्रा लागू की। तीसरा, और सबसे अभिनव, एक लक्षित दृष्टिकोण था। इस पद्धति ने कंप्यूटर के विश्लेषण का उपयोग केवल उन विशिष्ट खेतों की पहचान करने के लिए किया जो वास्तव में नाइट्रोजन की कमी से सीमित थे और केवल उन्हीं स्थानों के लिए अतिरिक्त उर्वरक की सिफारिश की। परिणाम आश्चर्यजनक थे। लक्षित दृष्टिकोण ने भविष्यवाणी की कि किसान इलोइलो में प्रति हेक्टेयर एक टन से अधिक और नुएवा एसिजा में प्रति हेक्टेयर लगभग दो टन से अधिक चावल की कटाई बढ़ा सकते हैं। उल्लेखनीय रूप से, खाद्य उत्पादन में यह भारी वृद्धि अन्य तरीकों की तुलना में काफी कम उर्वरक का उपयोग करके प्राप्त की जा सकती थी। वास्तव में, लक्षित रणनीति 86 प्रतिशत अतिरिक्त चावल का उत्पादन कर सकती थी, जबकि इसके लिए सामान्य सिफारिशों की तुलना में बहुत कम अतिरिक्त उर्वरक की आवश्यकता थी।
यह सुनिश्चित करने के लिए कि कंप्यूटर की भविष्यवाणियां केवल सैद्धांतिक न हों, शोधकर्ताओं ने अपने निष्कर्षों को खेतों तक पहुँचाया। उन्होंने अगल-बगल के परीक्षण आयोजित किए जहाँ एक प्लॉट में किसान की सामान्य विधियों का पालन किया गया और बगल के प्लॉट में नए, डेटा-संचालित सुझावों का पालन किया गया। परिणामों ने मॉडल की सटीकता की पुष्टि की। इलोइलो में, नए सुझावों का पालन करने वाले प्लॉटों ने 15 प्रतिशत अधिक चावल का उत्पादन किया, और नुएवा एसिजा में, उन्होंने लगभग 12 प्रतिशत अधिक उत्पादन किया। इस वास्तविक दुनिया के सत्यापन ने सिद्ध किया कि कंप्यूटर का निदान सही था: कई किसान वास्तव में अपनी फसलों को कम उर्वरक दे रहे थे, और एक सटीक, अनुकूलित समायोजन बिना अधिक भूमि का विस्तार किए या अत्यधिक रसायनों का उपयोग किए, उत्पादकता को अनलॉक कर सकता था।
इस कार्य के निहितार्थ एक एकल फसल से कहीं आगे तक विस्तृत हैं। यह कृषि सहायता देने के तरीके में एक मौलिक बदलाव का सुझाव देता है। दशकों से, नीतियां अक्सर व्यापक सब्सिडी पर निर्भर रही हैं, जो प्रत्येक पंजीकृत किसान को उनकी विशिष्ट आवश्यकताओं की परवाह किए बिना उर्वरक की समान मात्रा प्रदान करती हैं। यह अध्ययन तर्क देता है कि ऐसा एक समान दृष्टिकोण अक्षम है। इसके बजाय, संसाधनों को एक स्पॉटलाइट की तरह निर्देशित किया जाना चाहिए, केवल उन क्षेत्रों पर ध्यान केंद्रित करना चाहिए जहाँ उनका प्रभाव सबसे अधिक होगा। डेटा का उपयोग करके ठीक उन खेतों की पहचान करके जो पोषक तत्वों की कमी से जूझ रहे हैं, सरकारें और सहायता संगठन अपने निवेश पर अधिकतम रिटर्न प्राप्त कर सकते हैं। इसका अर्थ है राष्ट्र के लिए अधिक चावल, किसानों के लिए बेहतर आय और अनावश्यक उर्वरक उपयोग से कम पर्यावरणीय दबाव।
शोधकर्ताओं ने यह भी रेखांकित किया कि यह दृष्टिकोण विशेष रूप से महत्वपूर्ण है क्योंकि उर्वरकों की लागत बढ़ रही है और देश की चावल आयात पर भारी निर्भरता है। बेहतर प्रबंधन के साथ किसान वर्तमान में जो काट रहे हैं और जो वे काट सकते हैं, उसके बीच के अंतर को पाटकर, फिलीपींस दूसरे देशों से चावल खरीदने की अपनी आवश्यकता को काफी कम कर सकता है। अध्ययन दर्शाता है कि इसे प्राप्त करने के लिए उपकरण पहले से ही उपलब्ध हैं। जमीनी डेटा और आधुनिक विश्लेषणात्मक विधियों को जोड़कर, अनुमान लगाने के बजाय एक ऐसी सटीक कृषि प्रणाली की ओर बढ़ना संभव है जो आर्थिक रूप से स्मार्ट और पर्यावरणीय रूप से टिकाऊ दोनों है। अध्ययन निष्कर्ष निकालता है कि खाद्य सुरक्षा का मार्ग वही करने में नहीं है जो हम पहले से कर रहे हैं, बल्कि सही काम, सही स्थान पर और सही समय पर करने में है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।