GreenAI: An Explainable AI and IoT-Enabled Offline Framework for Precision Agriculture

पाकिस्तान के पंजाब प्रांत के विशाल, धूप से सराबोर खेतों में, खेती का भविष्य केवल मौसमों द्वारा ही नहीं, बल्कि मिट्टी में काम करने वाली तकनीक की शांत गूंज द्वारा भी फिर से लिखा जा रहा है। पीढ़ियों से, किसान क्या बोना है, कब पानी देना है और बीमार फसलों का उपचार कैसे करना है, यह तय करने के लिए अंतर्ज्ञान और अनुभव पर भरोसा करते आए हैं। आज, 'प्रिसिजन एग्रीकल्चर' (सटीक कृषि) के रूप में जानी जाने वाली एक नई पद्धति, डेटा का उपयोग करके इन प्राचीन प्रथाओं को परिष्कृत करने का प्रयास कर रही है, जो निर्णयों को अधिक स्मार्ट और टिकाऊ बनाने के लिए सेंसर और कंप्यूटरों का उपयोग करती है। यह क्षेत्र तीन मुख्य स्तंभों पर निर्भर है जो एक साथ मिलकर काम करते हैं: 'इंटरनेट ऑफ थिंग्स' (IoT), जो सरल सेंसरों को डिजिटल दुनिया से जोड़ता है; 'आर्टिफिशियल इंटेलिजेंस' (कृत्रिम बुद्धिमत्ता), जो सलाह देने के लिए सूचनाओं के विशाल भंडार में पैटर्न खोजती है; और एक नई अवधारणा जिसे 'एक्सप्लेनेबल एआई' (व्याख्यात्मक एआई) कहा जाता है, जो यह सुनिश्चित करती है कि कंप्यूटर केवल एक उत्तर न दे, बल्कि यह भी बताए कि उसने वह उत्तर क्यों दिया। इसका लक्ष्य सामान्य नियमों से आगे बढ़कर ऐसा मार्गदर्शन प्रदान करना है जो किसी एक खेत की विशिष्ट मिट्टी, मौसम और फसलों के अनुकूल हो, यहाँ तक कि उन स्थानों पर भी जहाँ इंटरनेट कनेक्शन अविश्वसनीय या अनुपलब्ध है।

इस पृष्ठभूमि के विरुद्ध, फैसलाबाद और रावलपिंडी के विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने 'ग्रीनएआई' (GreenAI) नामक एक प्रणाली विकसित की है। यह कोई क्लाउड-आधारित सेवा नहीं है जिसे कार्य करने के लिए निरंतर इंटरनेट कनेक्शन की आवश्यकता हो; इसके बजाय, इसे बुद्धिमत्ता को सीधे किसान के उपकरण तक पहुँचाने के लिए डिज़ाइन किया गया है। यह प्रणाली एक व्यापक डिजिटल सहायक के रूप में कार्य करती है, जो चार अलग-अलग क्षमताओं को एक एकीकृत मंच में जोड़ती है। यह स्थानीय मिट्टी की स्थिति के आधार पर सबसे अच्छी फसल लगाने की सिफारिश करती है, पत्तियों की तस्वीरों से रोगों का निदान करती है, वास्तविक समय में पर्यावरण की निगरानी करती है, और बाजार संबंधी अंतर्दृष्टि प्रदान करती है। महत्वपूर्ण रूप से, प्रणाली द्वारा की गई प्रत्येक सिफारिश एक स्पष्ट स्पष्टीकरण द्वारा समर्थित है, जिससे किसान को सलाह के पीछे के तर्क को समझने में मदद मिलती है, जो उस तकनीक में विश्वास पैदा करता है जो अन्यथा एक 'ब्लैक बॉक्स' की तरह महसूस हो सकती है।

इस प्रणाली को क्षेत्र के लिए वास्तव में उपयोगी बनाने के लिए, शोधकर्ताओं को सबसे पहले स्थानीय ज्ञान की नींव रखनी थी। उन्होंने एक विशेष डेटासेट बनाया जिसमें पंजाब में उगाई जाने वाली 19 प्रमुख फसलों, जैसे चावल, कपास, गेहूं और आम की जानकारी शामिल है। इस संग्रह में 9,500 संतुलित उदाहरण शामिल हैं, जिनमें से प्रत्येक उस विशिष्ट मिश्रण को रिकॉर्ड करता है—जैसे मिट्टी के पोषक तत्व, तापमान, आर्द्रता और वर्षा—जिसने एक सफल फसल की ओर अग्रसर किया। इस डेटा का उपयोग करते हुए, उन्होंने कई अलग-अलग कंप्यूटर एल्गोरिदम का परीक्षण किया ताकि यह देखा जा सके कि कौन सा एल्गोरिदम दी गई परिस्थितियों के लिए सही फसल की सबसे अच्छी भविष्यवाणी कर सकता है। जो एल्गोरिदम सबसे प्रभावी बनकर उभरा, वह 'एक्सबीजीबूस्ट' (XGBoost) नामक एक मॉडल था। नए, अनदेखे डेटा पर परीक्षण किए जाने पर, इस मॉडल ने 97.40 प्रतिशत बार सही फसल की पहचान की। इसने सभी विभिन्न प्रकार की फसलों के बीच अपनी भविष्यवाणियों को संतुलित करने में भी उच्च स्कोर प्राप्त किया, जिससे यह सिद्ध हुआ कि यह किसी एक फसल का पक्ष लिए बिना क्षेत्र की कृषि की विविधता को संभाल सकता है।

यह प्रणाली केवल किसानों को यह बताने तक ही सीमित नहीं है कि उन्हें क्या बोना चाहिए; यह उन्हें अपनी फसलों की रक्षा करने में भी मदद करती है। शोधकर्ताओं ने एक दृश्य निदान उपकरण (विजुअल डायग्नोसिस टूल) विकसित किया है जो पत्तियों के चित्रों का विश्लेषण करके पौधों के रोगों की पहचान कर सकता है। उन्होंने एक 'डीप लर्निंग' मॉडल को 113 विभिन्न रोग श्रेणियों के विशाल संग्रह पर प्रशिक्षित किया, जो स्थानीय फसलों को प्रभावित करने वाले विशिष्ट कीटों से लेकर सामान्य कवक संक्रमणों तक विस्तृत है। 'एफिशिएंटनेटवी2-एस' (EfficientNetV2-S) नामक एक सुव्यवस्थित आर्किटेक्चर पर निर्मित इस मॉडल ने उल्लेखनीय सटीकता के साथ बीमारी के सूक्ष्म संकेतों को पहचानना सीखा। अपने परीक्षण चरण में, प्रणाली ने 99.03 प्रतिशत मामलों में रोग की सही पहचान की। यह सुनिश्चित करने के लिए कि किसान इन निदानों पर भरोसा कर सकें, प्रणाली में एक दृश्य सहायता शामिल है जो ठीक उसी भाग को हाइलाइट करती है जिसने खतरे का संकेत दिया था, जिससे उपयोगकर्ता को रंग बदलने वाले या क्षति वाले विशिष्ट स्थानों को देखने में मदद मिलती है कि निष्कर्ष किस कारण से निकला।

ग्रीनएआई की एक प्रमुख विशेषता इसकी बिना स्थिर इंटरनेट कनेक्शन के कार्य करने की क्षमता है, जो ग्रामीण क्षेत्रों के लिए एक महत्वपूर्ण विशेषता है जहाँ नेटवर्क अक्सर विफल हो जाते हैं। शोधकर्ताओं ने 'ईएसपी32' (ESP32) नामक एक माइक्रोचिप पर आधारित एक छोटा, कम लागत वाला सेंसर नोड एकीकृत किया है। इन उपकरणों को सीधे मिट्टी में रखा जा सकता है ताकि नमी, तापमान और अम्लता को लगातार मापा जा सके। सेंसर इस डेटा को एक छोटे मेमोरी कार्ड पर स्थानीय रूप से संग्रहीत करता है, जिससे नेटवर्क डाउन होने पर भी यह काम करना जारी रख सकता है। जैसे ही कनेक्शन उपलब्ध होता है, डेटा को विश्लेषण के लिए स्वचालित रूप से एक केंद्रीय प्रणाली को भेज दिया जाता है। यह "ऑफलाइन-फर्स्ट" डिज़ाइन सुनिश्चित करता है कि बाहरी नेटवर्क की स्थिति चाहे जो भी हो, खेत की निगरानी कभी न रुके। यह प्रणाली हल्की भी बनाई गई है, जिसका अर्थ है कि जटिल गणनाएं महंगे क्लाउड इंफ्रास्ट्रक्चर के बजाय स्वयं डिवाइस पर या एक साधारण सर्वर पर की जा सकती हैं।

तकनीक को सुलभ और विश्वसनीय बनाने के लिए, शोधकर्ताओं ने निर्णय लेने की प्रक्रिया के हर चरण में पारदर्शिता की एक परत जोड़ी है। जब प्रणाली किसी फसल का सुझाव देती है, तो वह केवल एक नाम नहीं देती; बल्कि यह दिखाने के लिए 'शैप' (SHAP) नामक एक विधि का उपयोग करती है कि कौन से कारक सबसे महत्वपूर्ण थे। उदाहरण के लिए, विश्लेषण से पता चला कि कौन सी फसलें लगानी हैं, इसका निर्णय लेने में वर्षा सबसे प्रभावशाली कारक था, जिसके ठीक बाद मिट्टी में नाइट्रोजन का स्तर आता है। प्रणाली 'पार्शियल डिपेंडेंस प्लॉट्स' का भी उपयोग करती है ताकि यह दिखाया जा सके कि मिट्टी के पीएच (pH) जैसे एक चर को बदलने से सिफारिश कैसे बदल जाएगी। विवरण का यह स्तर किसान को यह देखने की अनुमति देता है कि सलाह वास्तविक कृषि विज्ञान पर आधारित है, न कि केवल एक रैंडम अनुमान पर। इसी तरह, रोग पहचान के लिए, प्रणाली पत्ती की छवि के उन विशिष्ट क्षेत्रों को हाइलाइट करती है जो समस्या का संकेत देते हैं, जिससे निदान दृश्य और समझने योग्य बन जाता है।

इस पूरे ढांचे का वास्तविक परिवेश में परीक्षण किया गया ताकि इसकी व्यवहार्यता सिद्ध हो सके। शोधकर्ताओं ने एक प्रोटोटाइप सेंसर नोड बनाया और उसे एक खेत में तैनात किया, जहाँ इसने सफलतापूर्वक पर्यावरणीय डेटा एकत्र किया और प्रसारित किया। प्रणाली ने प्रदर्शित किया कि यह पूर्ण कार्यप्रवाह (वर्कफ्लो) को संभाल सकती है: मिट्टी से डेटा एकत्र करना, कृत्रिम बुद्धिमत्ता के साथ उसका विश्लेषण करना और मोबाइल डिवाइस पर कार्रवाई योग्य सलाह पहुंचाना। प्रतिक्रिया समय अविश्वसनीय रूप से तेज़ था, जिसमें मानक कंप्यूटर पर फसल की सिफारिशें 3 मिलीसेकंड से भी कम समय में उत्पन्न हुईं, और खेत में उपयोग किए जाने वाले छोटे एज डिवाइसेज पर तो इससे भी तेज़। यह गति, इंटरनेट के बिना काम करने की क्षमता के साथ मिलकर, यह सुनिश्चित करती है कि किसान को महत्वपूर्ण सलाह उसी क्षण मिल सके जब उसे आवश्यकता हो, चाहे वह किसी दूरस्थ खेत में खड़ा हो या स्पॉटी सर्विस वाले गाँव में अपना फोन देख रहा हो।

ग्रीनएआई उन्नत कृषि तकनीक को उन लोगों के लिए व्यावहारिक बनाने की दिशा में एक महत्वपूर्ण कदम है जिन्हें इसकी सबसे अधिक आवश्यकता है। सटीक फसल सिफारिशों, अत्यधिक विश्वसनीय रोग पहचान और वास्तविक समय की पर्यावरणीय निगरानी को एक एकल, ऑफलाइन-सक्षम प्रणाली में जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो ग्रामीण जीवन की वास्तविकताओं का सम्मान करता है। फसल चयन के लिए 97.40 प्रतिशत से लेकर रोग निदान के लिए 99.03 प्रतिशत तक की उच्च सटीकता दर यह बताती है कि यह प्रणाली व्यापक उपयोग के लिए तैयार है। इससे भी महत्वपूर्ण बात यह है कि एआई के तर्क को दृश्य और समझने योग्य बनाकर, यह परियोजना जटिल कंप्यूटर विज्ञान और एक किसान के दैनिक निर्णयों के बीच की खाई को पाटती है। जैसे-जैसे शोधकर्ता अपने मोबाइल एप्लिकेशन को और अधिक परिष्कृत करने और सिस्टम को अधिक क्षेत्रों को कवर करने के लिए विस्तारित करने का काम जारी रखते हैं, दृष्टिकोण स्पष्ट है: एक ऐसा भविष्य जहाँ हर किसान, चाहे उसकी स्थिति या इंटरनेट पहुंच कुछ भी हो, खेत में एक शक्तिशाली, बुद्धिमान साथी के साथ हो।