शोधकर्ताओं ने ऐसा AI मॉडल पेश किया जो क्षेत्रों के बीच अंगूर की बेलों की ठंड सहनशीलता का अनुमान लगाता है

शोधकर्ताओं ने एक कृत्रिम बुद्धिमत्ता प्रणाली प्रस्तावित की है, जिसका उद्देश्य अलग-अलग बढ़वार क्षेत्रों में अंगूर की बेलें ठंड को कितनी अच्छी तरह सहन कर सकती हैं, इसका अनुमान लगाना है। यह एक ऐसी समस्या है जिसने उन स्थानों के बाहर, जहाँ भविष्यवाणी मॉडल पहली बार विकसित किए गए थे, दाख़बानों को लंबे समय से चुनौती दी है।

यह काम 31 अगस्त को arXiv पर William Solow, Paola Pesantez-Cabrera, Markus Keller, Lav Khot, Sandhya Saisubramanian और Alan Fern ने पोस्ट किया। पेपर में टीम ने अंगूर की बेलों की ठंड सहनशीलता की दैनिक भविष्यवाणी के लिए एक विधि का वर्णन किया है, जो सुप्त कलियों की हिमांक तापमान के प्रति प्रतिरोध क्षमता का माप है और जो अगले मौसम में पैदावार घटा सकती है।

अंगूर उत्पादकों के लिए यह मुद्दा व्यावहारिक भी है और महंगा भी। सर्दियों में और तापमान के अचानक गिरने पर, बढ़वार मौसम शुरू होने से पहले ही सुप्त कलियाँ क्षतिग्रस्त हो सकती हैं। ऐसी क्षति फल उत्पादन कम कर सकती है, बेल के पुनर्प्राप्त होने की प्रक्रिया को प्रभावित कर सकती है और उत्पादकों को छंटाई, पुनःप्रशिक्षण या पुनर्रोपण योजनाएँ बदलने के लिए मजबूर कर सकती है। ठंड सहनशीलता के भरोसेमंद दैनिक पूर्वानुमान उत्पादकों को जोखिम का आकलन अधिक सटीकता से करने में मदद कर सकते हैं, लेकिन सर्वोत्तम प्रदर्शन करने वाले मॉडल आम तौर पर स्थानीय डेटा के बड़े सेटों पर निर्भर रहे हैं और नए दाख़बानों, क्षेत्रों या अंगूर किस्मों में आसानी से स्थानांतरित नहीं हुए हैं।

लेखकों का कहना है कि इस सीमा ने इन उपकरणों के व्यापक उपयोग को धीमा किया है, खासकर उन जगहों पर जहाँ ठंड सहनशीलता के ऐतिहासिक रिकॉर्ड दुर्लभ हैं। पेपर के अनुसार, मौजूदा जैव-भौतिक, हाइब्रिड और डीप लर्निंग प्रणालियाँ तब सटीक हो सकती हैं जब उन्हें स्थानीय जानकारी के साथ एक ही स्थान पर प्रशिक्षित किया जाए, लेकिन वे अक्सर स्थल-विशिष्ट ही बनी रहती हैं। इससे वे उन उत्पादकों के लिए कम उपयोगी हो जाती हैं जिन्हें कम माप वाले क्षेत्रों में या ऐसी किस्में लगाने वाले दाख़बानों में मार्गदर्शन चाहिए, जिन पर उतना विस्तार से अध्ययन नहीं हुआ है।

इस समस्या से निपटने के लिए शोधकर्ताओं ने जिसे वे transferable latent representation कहते हैं, उसे विकसित किया। सरल शब्दों में, यह प्रणाली उन क्षेत्रीय अंतरों को सीखने की कोशिश करती है जो बेल की सर्दियों की परिस्थितियों पर प्रतिक्रिया को आकार देते हैं और फिर उस ज्ञान को ऐसे स्थानों तक ले जाती है जिन्हें उसने पहले नहीं देखा है। यह मॉडल learned embeddings बनाकर ऐसा करता है, जो किसी क्षेत्र और किसी cultivar के बारे में जानकारी के संकुचित संख्यात्मक निरूपण होते हैं।

पेपर के अनुसार, इन embeddings का अनुमान दो तरीकों से लगाया जा सकता है। एक तरीका cultivar और growing region के पाठ्य विवरणों का उपयोग करता है। दूसरा सीमित ऐतिहासिक अवलोकनों के एक छोटे सेट का। यह डिज़ाइन मॉडल को “zero-shot” और “few-shot” दोनों स्थितियों में काम करने देता है। zero-shot स्थिति में सिस्टम उस क्षेत्र से सीधे प्रशिक्षण डेटा के बिना नए क्षेत्र के लिए पूर्वानुमान लगाने की कोशिश करता है और इसके बजाय वर्णनात्मक जानकारी पर निर्भर रहता है। few-shot स्थिति में यह स्थानीय ऐतिहासिक डेटा की केवल थोड़ी मात्रा के साथ काम करता है।

पेपर के अनुसार, शोधकर्ताओं ने इस पद्धति का परीक्षण उत्तर अमेरिका के छह क्षेत्रों के डेटासेट पर किया। उनकी रिपोर्ट में कहा गया है कि मॉडल ने अंगूर की बेलों की ठंड सहनशीलता की भविष्यवाणी के लिए मौजूदा अग्रणी तरीकों को लगातार पीछे छोड़ा और सीमित डेटा वाले क्षेत्रों में स्थानांतरण को काफी बेहतर बनाया। arXiv प्रविष्टि अपने सार में परीक्षण परिणामों का पूरा विवरण नहीं देती, लेकिन लेखकों ने इन लाभों को कुल मिलाकर अधिक सटीक और खास तौर पर डेटा-गरीब परिस्थितियों में उपयोगी बताया है।

क्षेत्रीय स्थानांतरण की यह समस्या वाइन व्यवसाय के लिए छोटी नहीं है। स्थापित ठंडे-जलवायु क्षेत्रों और नए वाइन क्षेत्रों के दाख़बानों को अक्सर एक ही बाधा का सामना करना पड़ता है: उन्हें स्थल-विशिष्ट जोखिम उपकरण चाहिए, लेकिन उन्हें हमेशा उन्हें बनाने के लिए वर्षों का मापा गया bud hardiness डेटा नहीं मिलता। एक ऐसा मॉडल जो क्षेत्रों के बीच बेहतर ढंग से स्थानांतरित हो सके और स्थानीय जानकारी की केवल थोड़ी मात्रा के साथ काम कर सके, अंततः अधिक उत्पादकों के लिए frost planning को अधिक व्यावहारिक बना सकता है। यह उन जगहों पर varietal selection, winter risk management और precision viticulture के अन्य निर्णयों में भी सहायता कर सकता है जहाँ डेटा संग्रह अभी भी सीमित है।

यह दृष्टिकोण इसलिए भी महत्वपूर्ण है क्योंकि climate variability दाख़बा प्रबंधकों पर दबाव बढ़ा रही है। शीत-क्षति केवल अत्यधिक न्यूनतम तापमान पर निर्भर नहीं करती। यह इस बात से भी प्रभावित हो सकती है कि बेलें पतझड़ में कैसे acclimate करती हैं, गर्म अवधि के दौरान कैसे deacclimate करती हैं और परिस्थितियाँ कितनी तेजी से बदलती हैं। ये गतिशीलताएँ क्षेत्रों के बीच काफी भिन्न हो सकती हैं, भले ही एक ही cultivar उगाई जा रही हो। ऐसा सिस्टम जो वर्णनात्मक पाठ और विरल अवलोकनों, दोनों से सीखता है, उस स्थानीय विविधता का कुछ हिस्सा पकड़ने के लिए बनाया गया है, बिना शुरुआत से पूरी तरह विकसित स्थानीय डेटासेट की आवश्यकता के।

यह पेपर grapevines पर केंद्रित है, लेकिन काम को woody plants के व्यापक संदर्भ में रखता है, जहाँ freeze damage से बचने के लिए cold hardiness की भविष्यवाणियाँ महत्वपूर्ण होती हैं। दाख़बानों में दाँव खास तौर पर स्पष्ट है, क्योंकि bud losses सीधे अगले harvest को प्रभावित कर सकती हैं। उत्पादकों के लिए, बेहतर अग्रिम अनुमान श्रम, insurance documentation, vineyard renewal और crop expectations से जुड़े फैसलों को आकार दे सकते हैं। wineries के लिए, अधिक स्थिर yields grape supply planning और दीर्घकालिक production के लिए महत्वपूर्ण हो सकती हैं।

यह अध्ययन अभी preprint चरण में है। arXiv पर पोस्ट किए गए पेपर औपचारिक peer review से पहले सार्वजनिक रूप से उपलब्ध होते हैं, और निष्कर्षों को इसी संदर्भ में पढ़ा जाना चाहिए। फिर भी, यह काम agricultural AI में एक स्पष्ट दिशा की ओर इशारा करता है: ऐसे मॉडल जो केवल वहीं अच्छा प्रदर्शन न करें जहाँ उन्हें प्रशिक्षित किया गया था, बल्कि geography और cultivar differences के बीच अधिक आसानी से अनुकूलित किए जा सकें।

लेखक इस प्रणाली को कुछ ही अच्छी तरह अध्ययन किए गए स्थानों से बाहर cold hardiness prediction को अधिक उपयोगी बनाने के एक तरीके के रूप में प्रस्तुत करते हैं। यदि आगे की समीक्षा और field use में यह लक्ष्य टिकता है, तो ठंडे या कम-अध्ययनित क्षेत्रों के दाख़बानों को ऐसे forecasting tools तक पहुँच मिल सकती है, जो अब तक उन्हीं जगहों पर केंद्रित रहे हैं जहाँ लंबे रिकॉर्ड पहले से मौजूद हैं।