Aulanews.id – Kecerdasan buatan (AI) adalah istilah populer tahun 2024. Meskipun jauh dari sorotan budaya, para ilmuwan dari latar belakang pertanian, biologi, dan teknologi juga beralih ke AI saat mereka berkolaborasi untuk menemukan cara bagi algoritme dan model ini untuk menganalisis kumpulan data guna lebih memahami dan memprediksi dunia yang terkena dampak perubahan iklim.
Dalam sebuah makalah baru-baru ini yang diterbitkan dalam Frontiers in Plant Science , kandidat doktor geomatika Universitas Purdue, Claudia Aviles Toledo, bekerja dengan penasihat fakultas dan rekan penulisnya Melba Crawford dan Mitch Tuinstra, menunjukkan kemampuan jaringan saraf berulang—sebuah model yang mengajarkan komputer untuk memproses data menggunakan memori jangka pendek yang panjang —untuk memprediksi hasil panen jagung dari beberapa teknologi penginderaan jarak jauh dan data lingkungan serta genetik.
Fenotipe tanaman, yang mana karakteristik tanaman diperiksa dan dikarakterisasi, dapat menjadi tugas yang padat karya. Mengukur tinggi tanaman dengan pita pengukur, mengukur cahaya yang dipantulkan pada beberapa panjang gelombang menggunakan peralatan genggam yang berat, dan menarik serta mengeringkan tanaman secara individual untuk analisis kimia semuanya merupakan upaya yang padat karya dan mahal. Penginderaan jarak jauh, atau pengumpulan titik data ini dari jarak jauh menggunakan kendaraan udara tanpa awak (UAV) dan satelit, membuat informasi lapangan dan tanaman tersebut lebih mudah diakses.
Tuinstra, Ketua Keunggulan Riset Pertanian Wickersham, profesor pemuliaan tanaman dan genetika di departemen agronomi serta direktur sains untuk Institut Ilmu Tanaman Purdue, mengatakan, “Studi ini menyoroti bagaimana kemajuan dalam akuisisi dan pemrosesan data berbasis UAV yang dipadukan dengan jaringan pembelajaran mendalam dapat berkontribusi pada prediksi sifat kompleks pada tanaman pangan seperti jagung.”
Crawford, Nancy Uridil dan Francis Bossu Distinguished Professor di bidang Teknik Sipil dan seorang profesor agronomi, memberikan penghargaan kepada Aviles Toledo dan yang lainnya yang mengumpulkan data fenotipe di lapangan dan dengan penginderaan jarak jauh. Melalui kolaborasi ini dan studi serupa, dunia telah melihat fenotipe berbasis penginderaan jarak jauh secara bersamaan mengurangi kebutuhan tenaga kerja dan mengumpulkan informasi baru tentang tanaman yang tidak dapat dilihat oleh indera manusia saja.
Kamera hiperspektral, yang melakukan pengukuran reflektansi terperinci terhadap panjang gelombang cahaya di luar spektrum tampak, kini dapat dipasang pada robot dan UAV. Instrumen Deteksi dan Pengukuran Cahaya (LiDAR) melepaskan pulsa laser dan mengukur waktu saat pulsa tersebut dipantulkan kembali ke sensor untuk menghasilkan peta yang disebut “titik awan” dari struktur geometris tanaman.
“Tumbuhan menceritakan kisahnya sendiri,” kata Crawford. “Tumbuhan bereaksi jika mereka stres. Jika mereka bereaksi, Anda mungkin dapat mengaitkannya dengan sifat, masukan lingkungan, praktik pengelolaan seperti pemberian pupuk, irigasi, atau hama.”
Sebagai insinyur, Aviles Toledo dan Crawford membangun algoritme yang memperoleh kumpulan data besar dan menganalisis pola di dalamnya untuk memprediksi kemungkinan statistik berbagai hasil, termasuk hasil berbagai hibrida yang dikembangkan oleh pemulia tanaman seperti Tuinstra. Algoritme ini mengkategorikan tanaman yang sehat dan yang stres sebelum petani atau pengintai mana pun dapat menemukan perbedaannya, dan memberikan informasi tentang efektivitas berbagai praktik pengelolaan.
Tuinstra menerapkan pola pikir biologis dalam penelitian ini. Pemulia tanaman menggunakan data untuk mengidentifikasi gen yang mengendalikan sifat tanaman tertentu.
“Ini adalah salah satu model AI pertama yang menambahkan genetika tanaman ke dalam cerita tentang hasil panen dalam eksperimen skala petak besar selama beberapa tahun,” kata Tuinstra. “Kini, pemulia tanaman dapat melihat bagaimana sifat-sifat yang berbeda bereaksi terhadap berbagai kondisi, yang akan membantu mereka memilih sifat-sifat untuk varietas yang lebih tangguh di masa mendatang. Petani juga dapat menggunakan ini untuk melihat varietas mana yang mungkin paling cocok di wilayah mereka.”
Data hiperspektral penginderaan jarak jauh dan LiDAR dari jagung, penanda genetik varietas jagung populer, dan data lingkungan dari stasiun cuaca digabungkan untuk membangun jaringan saraf ini. Model pembelajaran mendalam ini merupakan bagian dari AI yang belajar dari pola spasial dan temporal data dan membuat prediksi masa depan. Setelah dilatih di satu lokasi atau periode waktu, jaringan dapat diperbarui dengan data pelatihan terbatas di lokasi geografis atau waktu lain, sehingga membatasi kebutuhan akan data referensi.
Crawford berkata, “Sebelumnya, kami menggunakan pembelajaran mesin klasik, yang berfokus pada statistik dan matematika. Kami tidak dapat benar-benar menggunakan jaringan saraf karena kami tidak memiliki kekuatan komputasi.”
Jaringan saraf tampak seperti kawat kasa, dengan hubungan yang menghubungkan titik-titik yang pada akhirnya berkomunikasi dengan setiap titik lainnya. Aviles Toledo mengadaptasi model ini dengan memori jangka pendek yang panjang, yang memungkinkan data masa lalu disimpan secara konstan di garis depan “pikiran” komputer di samping data saat ini saat memprediksi hasil di masa mendatang. Model memori jangka pendek yang panjang, ditambah dengan mekanisme perhatian, juga membawa perhatian pada saat-saat yang penting secara fisiologis dalam siklus pertumbuhan, termasuk pembungaan.
Sementara penginderaan jarak jauh dan data cuaca dimasukkan ke dalam arsitektur baru ini, Crawford mengatakan data genetik masih diproses untuk mengekstrak “fitur statistik agregat.”
Bekerja sama dengan Tuinstra, tujuan jangka panjang Crawford adalah untuk memasukkan penanda genetik secara lebih bermakna ke dalam jaringan saraf dan menambahkan sifat yang lebih kompleks ke dalam kumpulan data mereka. Dengan mencapai hal ini, biaya tenaga kerja akan berkurang sekaligus memberikan informasi yang lebih efektif kepada petani untuk membuat keputusan terbaik bagi tanaman dan lahan mereka. Dilansir dari phys.org pada hari Rabu (25/09/2024)
