تبدیل میلیاردها داده به تصمیم آبیاری در لحظه، در مقیاس جهانی

موج گرما منتظر نمی‌ماند تا کشاورز داشبورد را تفسیر کند. اگر خاک خشک شود رشد میوه کند می‌شود و وقتی هوا یک‌شبه تغییر می‌کند، تصمیم آبیاری باید سریع و مطمئن گرفته شود. آب کم گیاه را دچار تنش می‌کند و محصول را کاهش می‌دهد؛ آب زیاد نیز هدررفت پول و انرژی است.

شرکت سوپلنت تجربهٔ دیجیتال خود را حول همین لحظه‌ها ساخته است. این شرکت داده‌های حسگر، ماهواره، هواشناسی و محصول را به توصیه‌های روشن آبیاری تبدیل می‌کند و آن‌ها را از طریق یک پیام‌رسان رایج به دست کشاورز می‌رساند. این توصیه‌ها به بیش از صد هزار کشاورز در ۱۴ کشور و برای بیش از ۳۳ نوع محصول کمک می‌کنند پیش از آنکه تغییر شرایط مزرعه به مشکلی پرهزینه تبدیل شود، اقدام کنند.

تصمیم به‌موقع بهتر از داشبورد پیچیده است

سوپلنت به سه گروه اصلی خدمت می‌دهد: کشاورزان خرد با زمین‌هایی تا حدود پنجاه هکتار که از محصول بدون حسگر استفاده می‌کنند؛ تولیدکنندگان بزرگ محصولات باارزش مانند آووکادو، مرکبات، بادام و انگور که از محصول مبتنی بر حسگر برای آبیاری دقیق بهره می‌برند؛ و دولت‌ها و برنامه‌های بزرگ کشاورزی که از ترکیب حسگر میدانی و دادهٔ ماهواره‌ای استفاده می‌کنند.

طراحی سوپلنت از یک مشاهدهٔ عملی آغاز شد: بسیاری از کشاورزان وقت تحلیل‌های پیچیده یا تیم متخصص زراعت ندارند. بنابراین تحلیل و دانش زراعی در پشت صحنه انجام می‌شود و نتیجه به‌صورت یک توصیهٔ کوتاه از طریق کانالی آشنا ارسال می‌گردد. حسگرها دقت را فراهم می‌کنند و مدل‌های ماهواره‌ای، گسترهٔ پوشش را.

معماری: جداسازی داده، مدل و تحویل

در لایهٔ منابع داده، حسگرهای میدانی وضعیت درخت، میوه، خاک، فشار آب و تنه را ثبت می‌کنند. تصاویر ماهواره‌ای با دادهٔ حسگرها تطبیق داده می‌شوند تا درس‌های مزارع مجهز به حسگر به مناطق بزرگ‌تری که حسگر ندارند تعمیم یابد. داده‌های پیش‌بینی هوا، اطلاعات کشاورز و محصول، سلامت پوشش گیاهی و تنش گرمایی و آبی نیز به این لایه اضافه می‌شوند. داده‌های تاریخی بیش از ۲۲۰۰ فصل زراعی از بیش از چهل محصول نیز این مجموعه را کامل می‌کند.

این داده‌ها با سرعت یکسان نمی‌رسند. دادهٔ حسگر تقریباً لحظه‌ای است اما تصاویر ماهواره‌ای و اطلاعات محصول با برنامهٔ کندتری دریافت می‌شوند. بنابراین معماری باید هم داده‌های جریانی و هم داده‌های دسته‌ای را دریافت، یکسان‌سازی و قابل استفاده کند. برای نمونه، یک حسگر روی آووکادو هر نیم ساعت اندازهٔ میوه را ثبت می‌کند و این دادهٔ خام به خلاصهٔ روزانه، تشخیص ناهنجاری، تشخیص تغییر مرحلهٔ رشد و مقایسهٔ میان فصل‌ها و مزارع تبدیل می‌شود.

موتور تحلیل، داده‌های هوا، محصول و آبیاری را به مدل‌ها می‌دهد تا تنش ناشی از گرما یا کم‌آبی تشخیص داده شود و نیاز آبیاری پیش‌بینی گردد. هدف نمایش همهٔ متغیرها به کشاورز نیست؛ هدف تولید «بهترین اقدام بعدی» است: امروز آبیاری کن، پیش از موج گرما یک نوبت آبیاری شبانه اضافه کن، هشدار پایین‌بودن رطوبت خاک را بررسی کن یا برنامهٔ هفتگی را اصلاح کن.

میان لایهٔ تحلیل و لایهٔ پیام‌رسانی یک صف پیام قرار دارد. این جداسازی حیاتی است؛ زیرا ممکن است یک هشدار هواشناسی شدید لازم باشد در زمان اوج به صدها هزار کشاورز برسد. سامانه نمی‌تواند به اتصال مستقیم و شکنندهٔ میان مدل و پیام وابسته باشد.