Physics-Informed Neural Network for Daily Canopy Size Forecasting in Strawberry Production Using Fused Weather and Image Embeddings
इस अध्ययन ने एक हाइब्रिड फिजिक्स-इन्फॉर्मड न्यूरल नेटवर्क (PINN) विकसित किया है जो वास्तविक दुनिया की फील्ड स्थितियों के तहत दो व्यावसायिक किस्मों के लिए दैनिक स्ट्रॉबेरी कैनोपी वॉल्यूम का सटीक पूर्वानुमान लगाने हेतु मौसम के डेटा और इमेज-व्युत्पन्न ग्रीन पिक्सेल काउंट को फ्यूज करता है, जो बेसलाइन मॉडलों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।
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
फ्लोरिडा के शांत खेतों में, जहाँ बड़े पैमाने पर स्ट्रॉबेरी उगाई जाती है, पौधे का स्वास्थ्य अक्सर उसकी पत्तियों में लिखा होता है। किसानों के लिए, यह जानना कि किसी भी दिए गए क्षण में एक पौधे में कितनी हरी पत्तियाँ हैं, अत्यंत महत्वपूर्ण है; यह उन्हें बताता है कि फसल फल-फूल रही है, उसे पानी की आवश्यकता है, या वह किसी बीमारी के हमले के अधीन है। पारंपरिक रूप से, यह जानकारी प्राप्त करने का अर्थ था पंक्तियों में टहलना और हाथ से मापना, जो एक धीमी और श्रमसात कार्य था जो केवल अतीत की एक झलक प्रदान करता था। हाल के वर्षों में, तकनीक ने एक तेज़ तरीका प्रदान किया है: कैमरे जो पौधे की छवि में हरे पिक्सेल को गिनकर उसके आकार का अनुमान लगा सकते हैं। हालाँकि, हरे पिक्सेल की एक साधारण गिनती कोई भविष्य बताने वाला यंत्र नहीं है। यह किसान को बताता है कि पौधा अभी कैसा दिखता है, लेकिन यह भविष्यवाणी करने में संघर्ष करता है कि पौधा कल कैसा दिखेगा, विशेष रूप से तब जब मौसम अप्रत्याशित रूप से बदल जाता है। अचानक ठंड या भारी बारिश पौधे के स्वरूप को ऐसे तरीकों से बदल सकती है जिसकी एक साधारण कैमरा कल्पना नहीं कर सकता, जिससे ऐसे अनुमान लग सकते हैं जो जैविक रूप से असंभव हैं, जैसे कि तापमान बढ़ने पर भी पौधे का सिकुड़ जाना।
कैमरा जो देखता है और जीव विज्ञान जो निर्धारित करता है, उनके बीच के अंतर को पाटने के लिए, फ्लोरिडा विश्वविद्यालय और संयुक्त राज्य कृषि विभाग के शोधकर्ताओं ने एक नए प्रकार का कंप्यूटर प्रोग्राम विकसित किया। यह प्रणाली विकास के बारे में सोचने के दो अलग-अलग तरीकों को जोड़ती है। इसका पहला भाग पौधे के जीव विज्ञान के ज्ञात नियमों पर निर्भर करता है, विशेष रूप से इस बात पर कि पौधे समय के साथ गर्मी जमा होने के साथ कैसे तेजी से बढ़ते हैं, एक ऐसी अवधारणा जिसका उपयोग किसान दशकों से विकास को ट्रैक करने के लिए करते आए हैं। दूसरा भाग एक लचीला सीखने का उपकरण है जो मौसम और दैनिक छवियों पर नज़र रखता है ताकि अल्पकालिक विसंगतियों, जैसे कि बादल वाले दिन के कारण हरे रंग में अस्थायी गिरावट, को पहचान सके। इन दोनों दृष्टिकोणों को एक साथ बुनकर, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई जो न केवल भविष्य का अनुमान लगाती है बल्कि प्रकृति के नियमों का सम्मान भी करती है और साथ ही खेत की जटिल वास्तविकता पर भी ध्यान देती है।
टीम ने 2025 की सर्दियों के दौरान सिट्रा, फ्लोरिडा में एक स्ट्रॉबेरी के खेत में इस प्रणाली का परीक्षण किया। उन्होंने सौर पैनलों द्वारा संचालित एक स्वायत्त कैमरा स्टेशन स्थापित किया, जिसने लगभग एक महीने तक हर पंद्रह मिनट में पौधों की तस्वीरें लीं। उन्होंने दो लोकप्रिय स्ट्रॉबेरी किस्मों पर ध्यान केंद्रित किया, जिनमें से एक का नाम 'फ्लोरिडा ब्रिलिएंस' और दूसरी का नाम 'फ्लोरिडा मेडालियन' था। कैमरे ने ऊपर से पौधों को कैप्चर किया, और शोधकर्ताओं ने मिट्टी और प्लास्टिक मल्च से हरी पत्तियों को अलग करने के लिए सॉफ्टवेयर का उपयोग किया, और कैनोपी (छत्र) के आकार को मापने के लिए हरे पिक्सेल की संख्या गिनी। इन छवियों के साथ, सिस्टम ने वास्तविक समय के मौसम के डेटा को भी निकाला, जिसमें तापमान, आर्द्रता और सूर्य के प्रकाश शामिल था, ताकि यह देखा जा सके कि पर्यावरण ने दिन-प्रतिदिन पौधों को कैसे प्रभावित किया।
उनके नवाचार का मुख्य आधार एक हाइब्रिड कंप्यूटर मॉडल था जिसने इस डेटा से सीखा। मॉडल का एक हिस्सा कुल गर्मी के आधार पर एक सुचारू, अनुमानित वक्र (कर्व) का पालन करता था, यह सुनिश्चित करते हुए कि भविष्यवाणियाँ हमेशा एक तार्किक जैविक पथ का पालन करें जहाँ पौधे आमतौर पर मौसम गर्म होने के साथ बड़े होते जाते हैं। दूसरे हिस्से ने एक सुधार तंत्र के रूप में कार्य किया, जो पिछले सप्ताह की विशिष्ट मौसम घटनाओं के आधार पर उस सुचारू भविष्यवाणी को ऊपर या नीचे समायोजित करना सीखता था। यदि कोई शीत लहर आती थी, तो मॉडल ने विकास में मामूली ठहराव या रंग में बदलाव की उम्मीद करना सीखा, बजाय इसके कि वह केवल सुचारू वक्र का आँख मूंदकर अनुसरण करे। महत्वपूर्ण रूप से, सिस्टम को एक सुरक्षा नियम के साथ डिज़ाइन किया गया था: इसे यह भविष्यवाणी करने से प्रतिबंधित किया गया था कि गर्मी का संचय बढ़ने पर पौधा सिकुड़ेगा, जो एक जैविक असंभवता है जो अक्सर सरल कंप्यूटर मॉडलों को उलझा देती है।
परिणामों ने दिखाया कि यह संयुक्त दृष्टिकोण अकेले किसी भी विधि का उपयोग करने की तुलना में काफी बेहतर काम करता है। 'फ्लोरिडा ब्रिलिएंस' किस्म के लिए, सिस्टम ने पौधे के कैनोपी के दैनिक आकार की भविष्यवाणी लगभग 6,996 पिक्सेल की औसत त्रुटि के साथ की, जो वास्तविक माप से 4.53% का अंतर था। यह एक ऐसे मॉडल की तुलना में उल्लेखनीय सुधार था जो केवल सुचारू जैविक वक्र का पालन करता था, जिसने 10,000 पिक्सेल से अधिक की चूक की, और उस सरल अनुमान से कहीं बेहतर था जो यह मान लेता था कि पौधा पिछले दिन की तुलना में उसी आकार का रहेगा। इस प्रणाली ने 'फ्लोरिडा मेडालियन' किस्म पर भी अच्छा प्रदर्शन किया, हालांकि इसकी त्रुटि दर थोड़ी अधिक 16.4% थी। शोधकर्ताओं ने नोट किया कि यह उच्च त्रुटि संभवतः इसलिए थी क्योंकि इस विशिष्ट पौधे के लिए उनके पास बहुत कम डेटा था, क्योंकि एक भीषण तूफान ने अध्ययन के शुरुआती चरण में उनके उपकरणों को नुकसान पहुँचाया था, जिससे अवलोकन अवधि कम हो गई। इस सीमित डेटा के बावजूद, हाइब्रिड मॉडल ने सरल विधियों से बेहतर प्रदर्शन किया, जिससे सिद्ध हुआ कि जैविक नियमों और मौसम-जागरूक शिक्षण का संयोजन मजबूत है।
यह खोज विशेष रूप से मूल्यवान है क्योंकि कंप्यूटर मॉडल ने केवल एक संख्या ही उत्पन्न नहीं की; इसने उन स्ट्रॉबेरी के विशिष्ट विकास लक्षणों को भी सीखा जिन्हें वह देख रहा था। पहले से उत्तर बताए बिना, सिस्टम ने यह पता लगा लिया कि पौधे अधिकतम आकार तक कब पहुँच सकते हैं और उनके बढ़ने की गति क्या है, जो वे मान थे जो शोधकर्ताओं ने खेत में देखे थे। यह सुझाव देता है कि मॉडल केवल डेटा को याद नहीं कर रहा है बल्कि वास्तव में अंतर्निर्निहित जीव विज्ञान को समझ रहा है। शोधकर्ताओं ने पाया कि सिस्टम एक छोटे, सस्ते कंप्यूटर पर चल सकता है जो क्रेडिट कार्ड के आकार का है, जिससे यह वास्तविक समय में किसानों द्वारा उपयोग करने के लिए व्यवहार्य हो जाता है बिना किसी महंगे सर्वर या निरंतर इंटरनेट एक्सेस की आवश्यकता के।
यह अध्ययन सटीक कृषि (प्रिसिजन एग्रीकल्चर) के लिए एक मार्ग को उजागर करता है, जहाँ तकनीक किसानों को उन समस्याओं के दृश्यमान होने से पहले निर्णय लेने में मदद करती है जो नग्न आंखों से दिखाई देती हैं। आने वाले मौसम के प्रति पौधा कैसे प्रतिक्रिया देगा, इसकी भविष्यवाणी करके, एक उत्पादक अपनी फसलों को ठीक उसी क्षण पानी या खाद दे सकता है जब उन्हें इसकी आवश्यकता होती है, बजाय इसके कि वे तनाव के संकेतों के प्रकट होने का इंतजार करें। जबकि वर्तमान प्रणाली का परीक्षण अपेक्षाकृत कम अवधि के लिए किया गया था और प्रारंभिक विकास चरणों पर केंद्रित था, शोधकर्ता सुझाव देते हैं कि अधिक डेटा और बदलते प्रकाश की स्थितियों को संभालने के बेहतर तरीकों के साथ, इस दृष्टिकोण का विस्तार पूरे बढ़ते मौसम को कवर करने के लिए किया जा सकता है। यह कार्य प्रदर्शित करता है कि जब कंप्यूटर विज्ञान जीव विज्ञान के मौलिक नियमों का सम्मान करता है, तो यह ऐसे उपकरण बना सकता है जो न केवल सटीक हैं बल्कि उन लोगों के लिए भरोसेमंद भी हैं जो दुनिया को खिलाने के लिए उन पर निर्भर हैं।
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।