AI dan masa depan pertanian

Menurut PBB, hampir separuh populasi dunia hidup dalam rumah tangga yang mengandalkan sistem agrifood sebagai sumber pekerjaan utama mereka. Dan dengan populasi dunia yang diproyeksikan meningkat dari 7,3 miliar menjadi 9,7 miliar pada tahun 2050, kelangkaan air dan kegagalan panen karena perubahan iklim dapat menyebabkan bencana kekurangan pangan global.

Untuk mengimbangi pertumbuhan populasi, dunia perlu meningkatkan produksi pertanian sebesar 60% dalam 25 tahun ke depan—dan bahkan saat ini masih ada 300 juta orang yang kelaparan. Pada saat yang sama, hasil panen baris diperkirakan turun 11% karena cuaca yang lebih parah dan lebih banyak hama. Saat ini, dibutuhkan sekitar 136 juta USD di Amerika Serikat dan sekitar 12 tahun untuk mengembangkan sifat tanaman baru.

Bumi makin panas, air tawar makin langka, dan tanaman yang dulu berhasil tidak lagi bisa diandalkan dalam waktu dekat. Dapatkah AI membantu mengurangi krisis pertanian yang akan datang yang akan kita hadapi selama beberapa dekade ke depan?

Dr. Abhisesh Silwal, seorang ilmuwan sistem di Carnegie Mellon University yang risetnya berfokus pada AI dan robotika di bidang pertanian, berpikir demikian. “AI dapat menghasilkan prediksi yang lebih akurat dan tepat waktu, terutama untuk mendeteksi penyakit sejak dini,” jelasnya, “dan AI dapat membantu mengurangi jejak karbon dan dampak lingkungan dengan meningkatkan cara kita menggunakan energi dan sumber daya.”

Berikut adalah beberapa bisnis teknologi pertanian dan organisasi nirlaba yang bekerja untuk mengalahkan waktu dalam perubahan iklim.

Di Tanzania, David Guerena, seorang ilmuwan pertanian di Pusat Internasional untuk Pertanian Tropis, menggunakan AI untuk mendorong evolusi tanaman menjadi jaugh lebih cepat.

Proyek Guerena, yang disebut Artemis, menggunakan AI dan visi komputer untuk mempercepat proses fenotipe. “Kita cenderung kurang akurat ketika diminta memberi estimasi angka atas sesuatu yang kita lihat,” katanya. “Tidak mungkin kita dapat menghitung bunga pada ratusan tanaman di ribuan petak secara akurat.” Kita bisa lelah, kehilangan fokus, atau hanya secara fisik tidak dapat melihat semua yang kita butuhkan. Komputer tidak memiliki masalah ini. Model visi komputer yang terlatih dengan baik menghasilkan data kuantitatif yang konsisten secara instan.”

Ketika tim Guerena pertama kali mulai bekerja dengan gambar ponsel cerdas, mereka menggunakan jaringan saraf neural networks (CNN). Model tersebut mampu menjalankan tugasnya, namun membutuhkan jumlah data—berlabel yang sangat besar untuk proses pelatihan, yang pada akhirnya menimbulkan biaya tinggi dan memakan waktu panjang. Tujuan mereka adalah membangun model yang mampu menganalisis berbagai sifat tanaman (seperti menghitung bunga) pada sejumlah jenis tanaman, tetapi kebutuhan komputasi CNN terlalu tinggi untuk memenuhi hal tersebut.

Menurut Guerena, beberapa tahun yang lalu hadirnya transformator visi dan mode sumber terbuka seperti YOLO dan Segment Anything membawa perubahan besar dalam bidang tersebut. Model-model ini secara drastis mengurangi kebutuhan akan data berlabel. Saat ini, kebutuhan data berkurang drastis; bukan lagi ribuan contoh gambar tanaman, melainkan hanya beberapa ratus. “Teknologi transformator visi dan model dasar telah memungkinkan kami mempercepat proses pengembangan model secara signifikan.”

Tim Guerena sekarang sedang berupaya mengintegrasikan Speech to Text dan pemrosesan bahasa alami bersama dengan visi komputer dalam sistem yang mereka bangun. Berinteraksi dengan orang-orang melalui ucapan alami dapat membantu mengatasi hambatan bahasa dan melek huruf, jelasnya. Selain itu, menggabungkan berbagai jenis data dapat menciptakan gambaran yang lebih lengkap tentang bagaimana kinerja tanaman di lapangan. “Petani sendiri dapat menggunakan fungsi bicara untuk menggambarkan apa beberapa tantangan yang mereka hadapi selama musim ini,” katanya. “Jika kita mengumpulkan data ini di ribuan peternakan di seluruh dunia, kita dapat menyatukan bagaimana kondisi lingkungan lokal mempengaruhi kinerja varietas dengan lebih baik.”

Tumbuh dewasa, Max Evans dan Himanshu Gupta melihat dari dekat bagaimana pola cuaca yang tidak teratur berdampak pada komunitas mereka. “Max dibesarkan di sebuah peternakan nanas di Ekuador, menyaksikan langsung dampak perubahan iklim pada tanaman,” kata Gupta kepada kami. “Saya dibesarkan di sebuah desa di India utara, di mana kami sering harus berjalan satu mil untuk mendapatkan air bersih selama musim kemarau dan defisit musim hujan.” 

Berbagai pengalaman tersebut meninggalkan kesan abadi pada Evans dan Gupta dan menginspirasi mereka untuk menemukan ClimateAI. “Sementara sebagian besar perusahaan teknologi bertujuan untuk meningkatkan ramalan cuaca 14 hari tradisional, kerangka waktu ini tidak dapat ditindaklanjuti oleh petani dan perusahaan makanan,” kata Gupta. "Kami berinovasi dalam memprakirakan cuaca lebih dari dua minggu, menerapkan pendekatan AI berbasis biofisika yang telah dipatenkan untuk memperkirakan risiko cuaca ekstrem dengan lebih murah, lebih cepat, dan lebih dapat diandalkan daripada model superkomputer yang digunakan oleh badan meteorologi, termasuk NOAA." Hal ini memungkinkan ClimateAI untuk memberi petani prediksi cuaca ultra-lokal untuk hari itu atau berbulan-bulan sebelumnya. Mereka juga dapat merekomendasikan waktu optimal untuk menanam dan memanen tanaman tertentu dan memperkirakan hasil panen mereka.

ClimateAI menjalankan simulasi untuk petani di Maharashtra, India, dan menemukan bahwa panas dan kekeringan yang ekstrem akan menyebabkan penurunan sekitar 30% dalam output tomat di wilayah tersebut selama dua dekade ke depan. Insight ini kemudian digunakan oleh perusahaan benih tomat untuk mempercepat uji coba peluncuran benih tahan kekeringan bagi petani kecil di daerah tersebut. Mereka juga bekerja sama dengan perusahaan makanan dan minuman besar di India untuk meluncurkan buku pedoman adaptasi di 300 desa, membantu sekitar 100.000 petani kecil. Buku pedoman menawarkan tips tentang benih terbaik untuk digunakan, cara mengelola air, dan waktu terbaik untuk menanam dan memanen, menghasilkan produktivitas yang meningkat sebanyak 40%.

Tujuannya adalah untuk membuat sistem pangan dan air lebih kokoh terhadap perubahan iklim dan untuk meningkatkan kehidupan di seluruh dunia, Gupta menjelaskan, dan petani adalah bagian kunci dari sistem ini: “[Mereka] adalah node paling penting dalam rantai nilai makanan dan air.

Perusahaan teknologi pertanian yang berbasis di North Carolina, Avalo, menggunakan AI yang dapat dijelaskan (xAI) untuk secara tepat mengidentifikasi berbagai gen yang terkait dengan sifat-sifat tanaman yang kompleks. Menggunakan profil genetik terperinci untuk memandu pemuliaan memungkinkan Avalo mengembangkan tanaman lima kali lebih cepat dan 50 kali lebih murah daripada pesaing mereka, menurut CEO Brendan Collins. Salah satu proyek yang telah ditangani Avalo adalah pertanian vertikal, yang merupakan metode menanam tanaman di dalam ruangan sepanjang tahun. Meskipun bagus untuk siklus panen yang berkelanjutan, Avalo berjuang dengan biaya energi dan pupuk yang tinggi, yang mengarah pada keuntungan yang tipis.

Jika peternakan ini dapat menumbuhkan tanaman yang lebih berharga lebih cepat, Collins mencatat, mereka akan melihat keuntungan yang lebih baik. Saat ini, satu-satunya tanaman yang bekerja dengan baik dalam sistem mereka adalah selada yang murah. Avalo menjalin kolaborasi dengan sebuah pertanian vertikal untuk membudidayakan brokoli, yang dikenal sebagai salah satu sayuran bernilai tinggi namun memerlukan lebih dari 120 hari untuk tumbuh di lingkungan luar. Mereka melihat lebih dari 500 varietas brokoli untuk membuat versi yang dapat dipanen hanya dalam 37 hari. Dengan waktu panen yang singkat, mereka tidak perlu menggunakan pestisida karena hama tidak sempat berkembang.

“Genom tanaman itu gila-gilaan,” kata Collins. “Mereka beroperasi di bawah aturan yang berbeda dari genom hewan.” Sementara hewan memiliki genom kecil dan efisien untuk menghemat energi, tanaman memiliki genom yang besar dan fleksibel karena mereka tidak dapat berpindah untuk menghindari ancaman, jelasnya. Berbeda dari hewan yang hanya punya genom diploid sederhana, banyak tanaman memiliki beberapa kopi genom—empat pada kapas, delapan pada stroberi, dan hingga sepuluh pada tebu—sehingga lebih rumit untuk diteliti. “Kami senang menggunakan XAi untuk memahami genom tanaman yang kompleks ini.”

IBM® Sustainability Accelerator juga bermitra dengan petani di seluruh dunia, berbagi keahlian cloud dan AI IBM® untuk membantu mereka beradaptasi dengan perubahan planet.

“Kami bertujuan untuk membantu membekali petani dengan data dan insight AI yang diperlukan untuk tetap menguntungkan, produktif, dan berkelanjutan dalam menghadapi tantangan iklim dan ancaman lingkungan,” kata Michael Jacobs, Pemimpin Keberlanjutan dan Inovasi Sosial, Tanggung Jawab Sosial Perusahaan IBM®. “Akibatnya, empat dari lima proyek pertanian kami sekarang telah selesai dengan sekitar 65.300 penerima manfaat langsung petani dan keluarga mereka menggunakan teknologi untuk membantu meningkatkan hasil dan membuat operasinya lebih tangguh. Solusi ini dapat diskalakan di berbagai geografi dan industri.”

Berikut ini sekilas tentang salah satu keberhasilan mereka.

Kekeringan, banjir, panas yang ekstrem , dan hawa dingin yang ekstrem adalah beberapa cara perubahan iklim mempengaruhi Texas, menyebabkan masalah yang terus berlanjut bagi para petani dan peternaknya. Hal ini berdampak pada semua warga Texas: tahun lalu departemen pertanian negara bagian ini merilis laporan yang mengaitkan perubahan iklim dengan harga pangan yang lebih tinggi dan meningkatnya kerawanan pangan.

David Chapin, seorang petani dan IBMer di Lampasas, Texas, yang telah bekerja dengan IBM® untuk menguji solusi pengelolaan air, telah menghabiskan lebih dari satu dekade menyaksikan perubahan iklim mendatangkan malapetaka di kebunnya. Dia memulai dengan 3.600 pohon zaitun, yang semuanya terbunuh oleh Badai Musim Dingin Uri pada tahun 2021. Tahun berikutnya ia menerima hibah USDA untuk mengganti pohon dengan pir, prem, aprikot, dan persik, yang lebih tahan musim dingin tetapi juga membutuhkan lebih banyak air—dan sistem irigasinya tidak dapat mengimbanginya.

“Pemantauan kelembapan pada zona perakaran sangat penting—bukan hanya pada permukaan tanah—sehingga saya membutuhkan metode yang presisi untuk pengelolaannya,” ujar Chapin. “AI dapat membantu dengan menganalisis kebutuhan air di area yang berbeda, tetapi akan membutuhkan banyak sensor bawah permukaan. Idealnya, saya ingin peta kondisi tanah real-time dan prediksi irigasi di masa depan untuk mengelola penyimpanan air dengan lebih baik dan menghindari kekurangan.”

IBM® dan Texas A & M AgriLife berkolaborasi untuk membantu petani skala kecil seperti Chapin. Hasilnya adalah Liquid Prep, sebuah alat yang bertujuan memberikan informasi kepada para petani tentang di mana dan kapan mereka harus menyiram tanaman seefisien mungkin, dengan rencana untuk menerapkan dan memperluas teknologi ini di wilayah-wilayah kering di AS.

Liquid Prep menggunakan sensor IoT yang dikombinasikan dengan aplikasi mobile yang berjalan di IBM® Cloud. Petani dapat memasang sensor kelembapan di tanah dan menautkannya ke aplikasi seluler mereka untuk memantau kelembapan tanah, lalu mengunggahnya untuk dianalisis. Tim proyek saat ini memperluas aplikasi untuk memasukkan data cuaca, jenis tanah, dan dukungan keputusan kapan ke air, sehingga petani dapat mengelola irigasi dengan lebih efektif.

“Petani kecil biasanya tidak terlalu maju secara teknologi, dan itulah salah satu perbedaan penting antara petani kecil dan petani besar,” kata Chapin. “Tetapi Masyarakat kini memahami penggunaan ponsel dan berbagai aplikasi, dan Liquid Prep sendiri merupakan aplikasi yang mudah dijalankan… hal tersebut yang akan mengubah dinamika yang ada.”