کارشناس مطالعات امکان‌سنجی طرح‌های سرمایه‌گذاری
/// فزایش روزافزون جمعیت جهان و همچنین کاهش سطح اراضی قابل کشت، تغییر رویکرد اساسی، از کشاورزی سنتی به کشاورزی مدرن و هوشمند جهت تحقق امنیت غذایی نسل‌های آینده را اجتناب‌ناپذیر نموده است. هدف کشاورزی هوشمند بهره‌گیری از فناوری‌های دیجیتال نظیر فناوری اطلاعات، هوش مصنوعی، اینتـــرنت اشیاء، ربات‌ها و سامــــانه‌های هوشمنــــد جهت افزایش رانــــدمان تولید، کاهش مصرف انرژی و هزینه‌های تولید، بهینه‌سازی مصرف نهاده‌های تولید و ارتقای کیفیت محصولات است. در حقیقت عملکرد فناوری‌های دیجیتال مبتنی بر اطلاعاتی می‌باشند که توسط زیرساخت‌های فناوری اطلاعات جمع‌آوری، ذخیره و پردازش گردیده‌اند. در این مقاله تلاش گردیده تا نقش و تأثیر مدیریت داده و فناوری‌های هوشمند در صنعت کشاورزی کشورهای پیشرفته دنیا به‌طور خلاصه مورد واکاوی قرار گیرد.
روند تصاعدی افزایش جمعیت در طی یک قرن گذشته و مواجهه جوامع با بحران‌های چند لایه جهانی نظیر تغییرات اقلیمی، آینده امنیت غذایی جهان را با چالش جدی مواجه نموده است. از این‌رو، سیاست‌گذاران و متخصصین حوزه کشاورزی تغییرات بنیادین در چهار حوزه زیر را لازمه ایجاد تحول در نظام‌های غذایی جهان قلمداد می‌کنند.
• گسترش نوآوری و دیجیتالی‌سازی،
• افزایش سرمایه‌گذاری پایدار در صنعت کشاورزی،
• بهبود شفافیت داده‌ها و عملکرد بازارها،
• ارتقای سیاست‌گذاری‌های یکپارچه در حوزه کشاورزی (تولید، فرآوری و عرضه).
بنابراین پر واضح است که گسترش نوآوری و دیجیتالی سازی می‌تواند با ایجاد تحولی عظیم در صنعت کشاورزی دنیا، تأمین غذای بشر در دهه‌های آتی را تضمین نماید. فناوری‌های دیجیتال به‌سرعت در حال متحول‌سازی ماهیت عملکردی جوامع، کسب‌وکارها و حکومت‌ها می‌باشند. در حال حاضر، سطح دیجیتالی‌سازی صنعت کشاورزی در کشورهای مختلف دنیا، اختلافات فاحشی با یکدیگر دارد. بسیاری از کشورهای درحال‌توسعه دسترسی محدودی به انواع فناوری‌های دیجیتال دارند. علی‌رغم پیشرو بودن اروپا در توسعه کشاورزی دیجیتال، در حال حاضر بخش کشاورزی الکترونیکی (1) در بسیاری از نقاط اروپا از مشکل کمبود سرمایه‌گذاری در این حوزه رنج می‌برد.
آمریکا از جمله کشور هایی به‌شمار می‌رود که صنعت کشاورزی آن در بیست سال گذشته همراه با انقلاب اطلاعاتی پیشرفت نموده است. ایالات‌متحده آمریکا توانسته با بهره‌گیری از انواع فناوری‌های دیجیتال، بهبود حاصلخیزی خاک، کاهش ضایعات و ارتقای سطح کمّی و کیفی تولیدات کشاورزی و همچنین بهبود راندمان انرژی و مواد اولیه‌ی تولید را محقق سازد. در کشورهای اروپایی نظیر آلمان و انگلستان، بهره‌گیری از فناوری‌های دیجیتال موجب افزایش کارایی نهاده‌ها و کاهش مصرف سموم گردیده است. بر اساس اطلاعات منتشر شده در پایگاه‌های WOS و Scopus، علاوه بر کشورهای مذکور، کشورهایی همچون هند، ایتالیا، چین، برزیل، یونان و استرالیا نیز از کشورهای پیشگام در عرصه تحقیقات و توسعه کشاورزی دیجیتال محسوب می‌گردند (1).
تشریح کاربرد انواع فناوری‌های هوشمند مبتنی بر مدیریت داده در کشاورزی مدرن
کشاورزی دیجیتال از پتانسیل لازم جهت تحقق کشاورزی پایدار از نظر اقتصادی، زیست محیطی و اجتماعی برخوردار می‌باشد. کارشناسان بر این باورند که انقلاب دیجیتال در صنعت کشاورزی دنیا، می‌تواند به‌عنوان کاتالیزوری جهت تأمین نیازهای نسل‌های آینده عمل نماید (2). تلفیق سیستم‌های کشاورزی هوشمند و بهره‌گیری از فناوری اطلاعات در این حوزه می‌تواند دستیابی کشورها به توسعه پایدار را تسریع نماید. یکپارچه‌سازی سه عامل کلیدی اطلاعات، فناوری و مدیریت در بخش‌های مختلف صنعت کشاورزی که اصطلاحاً تحت عنوان کشاورزی دقیق تعریف می‌گردد، می‌تواند مسیر دستیابی به چشم‌انداز تبیین شده برای صنعت کشاورزی دنیا را با شتابی فزاینده تسهیل نماید.
در حقیقت دیجیتالی کردن (2) (پیاده‌سازی زیرساخت فناوری اطلاعات) پیش‌نیاز تحقق کشاورزی هوشمند به‌شمار می‌رود. از فناوری‌های مورد استفاده در دیجیتالی‌کردن سیستم‌های کشاورزی، می‌توان به اینترنت اشیاء(3)، سامانه موقعیت‌یاب جهانی(4)، سامانه اطلاعات جغرافیایی(5)، پایگاه‌های داده و پهپادهای پایش اشاره نمود. در کشاورزی هوشمند، اطلاعات گردآوری شده توسط فناوری‌های دیجیتال، به‌وسیله فناوری‌های هوشمند نظیر هوش مصنوعی، بینایی ماشین و سیستم‌های کنترل هوشمند مورد تجزیه و تحلیل قرار گرفته و در نهایت داده‌های حاصله توسط ماشین‌آلات و تجهیزات هوشمند نظیر ربات‌ها در سیستم‌های کشاورزی پیاده‌سازی می‌گردند. داده‌ها می‌توانند به‌صورت ساختاریافته ارائه شوند و در قالب‌های مختلفی از جمله متن، تصاویر، صوت و ویدئو وجود داشته باشند. همچنین، داده‌ها را می‌توان از طریق منابع مختلف منتقل و در مکان‌های گوناگونی مانند پایگاه‌های داده، صفحات گسترده (6) و فایل‌ها ذخیره کرد. علاوه بر این، منابع متنوعی از جمله حسگرها، وب‌سایت‌ها و شبکه‌های اجتماعی می‌توانند برای جمع‌آوری داده‌ها مورد استفاده قرار گیرند. مدیریت داده‌ها این امکان را برای کشاورزان فراهم می‌کند که داده‌های جمع‌آوری‌شده را به شیوه‌ای کاربردی و ارزشمند سازمان‌دهی و تفسیر کنند. همچنین، مدیریت مناسب داده‌ها می‌تواند به کشاورزان در اشتراک‌گذاری اطلاعات و همکاری با سایر ذی‌نفعان، مانند پژوهشگران، کارشناسان ترویج کشاورزی و شرکت‌های فعال در حوزه کسب‌وکارهای کشاورزی، کمک کند. این امر همچنین در حفظ صحت، دقت و یکپارچگی داده‌ها نقش مهمی دارد.به‌طورکلی، داده‌ها به دو نوع اصلی، یعنی داده‌های طبقه‌ای(7)و داده‌های عددی(8)تقسیم می‌شوند. داده‌های طبقه‌ای خود به دو نوع اسمی(9) و ترتیبی (10) تقسیم می‌شوند. داده‌های عددی نیز به دو گروه اصلی داده‌های گسسته (11) و پیوسته (12) تقسیم می‌شوند. در ساختار صنعت کشاورزی مبتنی بر فناوری‌های دیجیتال و مدیریت داده، امکان جمع‌آوری انواع فرمت‌های داده وجود دارد. داده‌های طبقه‌ای برای مثال شامل نوع محصول کشت‌شده، نوع سیستم آبیاری مورد استفاده و نوع کود مصرفی (مانند کودهای آلی یا شیمیایی) هستند. داده‌های عددی نیز شامل مواردی مانند میزان بارندگی، دمای هوا و خاک و اندازه محصول برداشت‌شده می‌شوند. بر اساس داده‌های جمع‌آوری‌شده، می‌توان بینش‌های مختلفی به دست آورد و تصمیمات آگاهانه‌ای اتخاذ کرد؛ برای مثال، با استفاده از داده‌های طبقه‌ای می‌توان محبوب‌ترین یا رایج‌ترین انواع محصولات کشت‌شده در یک منطقه را تعیین کرد. همچنین، با استفاده از داده‌های عددی می‌توان عملکرد آینده یک محصول را بر اساس داده‌های تاریخی مربوط به دما، میزان بارندگی و کوددهی پیش‌بینی کرد.
به هر ترتیب، سطح هوشمند‌سازی صنعت کشاورزی می‌تواند از اتوماسیون ساده سیستم‌ها و تجهیزات تولید تا کنترل هوشمند تمامی فرایندهای کاشت، داشت و برداشت محصولات متغیر باشد. در ادامه نحوه و میزان تأثیرگذاری استفاده از فناوری‌های دیجیتال (که مبتنی بر گردآوری، ذخیره‌سازی، تحلیل و مدیریت داده می‌باشند) بر صنعت کشاورزی دنیا بویژه کشورهای پیشرو در این حوزه، به‌طور خلاصه تشریح گردیده است.
ســــیستم‌های اتومــــاسیون (کــــنترل اقـــلیم در سیستم‌های کشت فضای باز و بسته)
تحقیقات صورت گرفته بیانگر این است که در گلخانه‌های پیشرفته (13) ، استفاده از تجهیزات کنترل کننده فاکتورهای محیطی نظیر سیستم کنترل اقلیم، می‌توانند میزان عملکرد محصولات را تا 25 برابر کشت‌های فضای باز افزایش دهند (3). در این سیستم‌ها، داده‌های مربوط به فاکتورهای محیطی رشد از طریق حسگرهای مختلف جمع‌آوری گردیده و جهت پردازش و اتخاذ تصمیمات لازم به یک سیستم مرکزی منتقل می‌گردند. در نهایت، سیستم کنترل مرکزی بر اساس تنظیمات صورت گرفته، دستور لازم را به تجهیزات، جهت روشن و یا خاموش شدن صادر می‌نماید. همچنین این سیستم‌ها می‌توانند با بهره‌گیری از استراتژی کنترل و مدیریت داده، موجب کاهش مصرف انرژی گردند. در یکی از تحقیقات صورت گرفته، استفاده از یک روش کنترل فازی (14) توانست میزان مصرف انرژی را تا 22 درصد کاهش دهد (4). همچنین، مطالعات نشان داد که استفاده از روش کنترلی مبتنی بر مدل و داده محور(15) ، می‌تواند موجب کاهش 57/16 درصدی هزینه انرژی سرمایش در فصول گرم و 7/7 درصدی هزینه انرژی گرمایشی در فصول سرد گردد (5).
سیستم‌های آبیاری هوشمند
بهره‌گیری از فناوری‌های هوشمند در آبیاری محصولات کشاورزی، موجب بهبود راندمان آبیاری و مدیریت آب و در عین حال حفظ بهره‌وری و عملکرد محصولات کشاورزی گردیده است. این فناوری‌ها از طریق ادغام حسگرهای رطوبت خاک، فناوری‌های اینترنت اشیاء، سامانه‌های ارتباطی بی‌سیم و واحدهای کنترل خودکار، راندمان آبیاری را نسبت به روش‌های سنتی، به میزان قابل توجهی ارتقا داده‌اند. سیستم‌های آبیاری هوشمند اساساً مبتنی بر گردآوری، ذخیره‌سازی و در نهایت تجزیه و تحلیل داده‌های ثبت شده از وضعیت تبخیر و تعرق در سطح میکرو اقلیم گیاهان طراحی و پیاده‌سازی می‌گردند. سیستم‌های آبیاری مجهز به فناوری اینترنت اشیاء امکان مدیریت پویا و مبتنی بر داده آب را فراهم نموده و در نتیجه عملیات آبیاری را در شرایط محدودیت منابع آب، دقیق‌تر، پاسخگوتر و پایدارتر می‌سازند. گروهی از محققان با بررسی تأثیر سیستم مذکور بر روی راندمان مصرف آب در کشت برنج گزارش دادند که سیستم مذکور می‌تواند میزان مصرف آب را در مقایسه با آبیاری غرقابی متداول و سیستم آبیاری قطره‌ای سنتی، به ترتیب حدود 5/41 و 13 درصد کاهش دهد (6).
در تحقیقات دیگری، سیستم آبیاری قطره‌ای زیر سطحی (16) مبتنی بر تبخیر و تعرق، موجب تحقق حداکثر رشد رویشی و عملکرد در گیاهان تحت کشت، گردید. نتایج حاصله نشان داد که در سیستم آبیاری زیر سطحی، تنظیم برنامه آبیاری بر اساس محتوای رطوبتی خاک (حفظ رطوبت خاک در محدوده 70 تا 90 درصد ظرفیت زراعی) و یا بر اساس تیمار تبخیر و تعرق، می‌تواند سطوح بالایی از راندمان تولید را محقق سازد، اما پیاده‌سازی سیستم آبیاری قطره‌ای سطحی در سطح رطوبتی 60 تا 75 درصد، کمترین افزایش در راندمان تولید را موجب می‌گردد. در تاکستان‌های کشور اسپانیا، یکپارچه‌سازی سنسورهای رطوبت خاک مبتنی بر اینترنت اشیاء توانست میزان مصرف آب آبیاری را در حدود 25 درصد کاهش دهد (7). در مجموع، با نگاه اجمالی به نتایج تحقیقات صورت گرفته، می‌توان این‌گونه استنباط نمود که این سیستم‌ها بسته به سطح فناوری مورد استفاده و نوع طراحی می‌توانند موجب تحقق سطوح مختلفی از افزایش راندمان مصرف آب و تولیدات کشاورزی گردند.
سیستم تغذیه هوشمند
سطح مکانیزاسیون تغذیه و کوددهی در کشاورزی مدرن دنیا، در طی بیش از 2 دهه گذشته از سنسورهای خاک مبتنی بر اینترنت اشیاء (دهه 2000)، به تصویربرداری با پهپاد و ماهواره (دهه 2010) و در نهایت استفاده از سامانه‌های پشتیبان تصمیم‌گیری مبتنی بر هوش مصنوعی (دهه 2020)، ارتقا یافته است. همچنین، فناوری‌های دیگری نظیر تکنیک پردازش تصویر جهت تعیین میزان کود مورد نیاز از طریق آنالیز رنگ برگ گیاهان درحال‌توسعه می‌باشند. کوددهی دقیق (17) با استفاده از فناوری‌های پیشرفته، مواد غذایی مورد نیاز گیاه را دقیقاً در مکان و زمان مورد نیاز تأمین می‌کند. بهره‌گیری از فناوری‌های مذکور و تجزیه‌وتحلیل داده‌ها می‌تواند میزان و نحوه مصرف کود را حتی برای تک‌تک گیاهان تنظیم نموده و ضمن کاهش هدررفت کود و مواد غذایی، موجب افزایش عملکرد محصولات کشاورزی گردد.گروهی از محققین با بررسی میزان تأثیرگذاری استفاده از سیستم‌های تغذیه هوشمند (مبتنی بر نقشه و یا حسگرها) بر میزان مصرف کود نیتروژن در کشت محصولاتی نظیر ذرت سیلاژ گزارش دادند که استفاده از این فناوری‌ها می‌توانند ضمن حفظ و یا در مواردی افزایش عملکرد در واحد سطح، مصرف این کود را تا 30 درصد کاهش دهند. همچنین پژوهش‌های تجربی صورت گرفته در طیف گسترده‌ای از محیط‌های کشاورزی، تأثیر این سیستم‌ها بر کاهش 15 تا 30 درصدی مصرف نیتروژن بدون کاهش عملکرد در واحد سطح را اثبات نموده‌اند (8). نتایج تحقیقی در یکی از ایالت‌های آمریکا بیانگر آن است که استفاده از سیستم‌های هوشمند کود دهی مبتنی بر نرخ متغیر، می‌تواند میزان مصرف فسفر را، نسبت به روش کوددهی با نرخ یکنواخت، به میزان 12 الی 41 درصد کاهش دهد (9).
سیستم هوشمند مدیریت آفات و بیماری‌ها
دانشمندان در طی بیش از دو دهه گذشته تلاش نموده‌اند تا استفاده از فناوری‌های هوشمندی نظیر یادگیری ماشین و یادگیری عمیق در شناسایی و تشخیص آفات و بیماری‌های کشاورزی را توسعه دهند. این فناوری‌ها با تجزیه و تحلیل داده‌های کشاورزی، امکان شناسایی زودهنگام، پیش‌بینی و کنترل آفات و بیماری‌ها را فراهم می‌کنند و در نتیجه در مقایسه با روش‌های سنتی عملکرد بسیار بهتری دارند؛ به‌عنوان مثال، ارتقای مدل الکس نت(18) که یک معماری کلاسیک شبکه عصبی کانولوشنی عمیق(19) می‌باشد، امکان طبقه‌بندی بیماری‌های برگ گوجه‌فرنگی با دقت 3/95 درصد و تشخیص و تفکیک انواع بیماری را فراهم نموده است. در نمونه دیگری، مدل VGG توسط گروه هندسه بصری در دانشگاه آکسفورد جهت شناسایی و تشخیص آفات و بیماری‌ها ارائه گردیده است. تحقیقات صورت گرفته اثبات نمود که این مدل می‌تواند بیماری‌های برگ انگور و گوجه‌فرنگی را به ترتیب با دقت‌های بالای 4/98 و 71/95 درصد شناسایی نماید (10).
بنابراین بهره‌گیری از فناوری‌های مذکور، امکان شناسایی زودهنگام آفات و بیماری‌ها و انجام اقدامات پیشگیرانه را فراهم ساخته و در نتیجه می‌تواند با کاهش بروز خسارت بر گیاهان و محصولات، موجب افزایش عملکرد در واحد سطح گردد. با توجه به هدف‌گذاری اتحادیه اروپا جهت کاهش 50 درصدی استفاده از آفت‌کش‌ها تا سال 2030، روند انجام تحقیقات در زمینه بهره‌گیری از فناوری‌های هوشمند و سیستم‌های پشتیبان تصمیم‌گیری(20) جهت بهینه‌سازی کاربرد سموم و قارچ‌کش‌ها شتاب بیشتری گرفته است.
در یکی از این تحقیقات، در طی سال‌های 2019 تا 2021 از سه سیستم پشتیبان تصمیم‌گیری با منشأ متفاوت در سه منطقه تحت کشت گندم در شمال آلمان، جهت بررسی اثربخشی قارچ‌کش‌ها هم از نظر میزان تأثیر بر عملکرد محصول و هم از نظر کنترل عوامل بیماری‌زای شایع مورد ارزیابی قرار گرفت. نتایج حاصله بیانگر این بود که استفاده از سیستم‌های پشتیبان تصمیم‌گیری در مقایسه با سیستم استاندارد مبتنی بر مراحل رشد گیاه (21) می‌تواند بدون کاهش معنی‌دار عملکرد، موجب کاهش 50 درصدی مصرف قارچ‌کش‌ها گردد. در نهایت، نتایج نشان داد که شدت‌های پایین بیماری اغلب بیش از حد واقعی برآورد می‌شوند و استفاده از سیستم‌های پشتیبان تصمیم می‌تواند به افزایش پایداری مصرف قارچ‌کش‌ها در گندم و به‌طورکلی استفاده پایدارتر از آفت‌کش‌ها کمک کند (11).
در تحقیق دیگری که در سه منطقه چین انجام گردید، از چندین فناوری مبتنی بر یادگیری ماشین جهت بررسی میزان تأثیرگذاری آن‌ها بر بهینه‌سازی مصرف انرژی و نهاده‌ها، افزایش تاب‌آوری در برابر تغییرات اقلیمی و بهبود تشخیص زود هنگام بیماری‌ها استفاده گردید. طبق نتایج حاصله، استفاده از این فناوری‌ها توانست عملکرد محصولات در مزارع تحت مطالعه را به میزان 20 درصد افزایش دهد. ضمن اینکه موجب کاهش 15 درصدی مصرف آب گردید. مسئله حائز اهمیت در مطالعات صورت گرفته این بود که این فناوری‌ها توانستند هزینه آفت‌کش‌ها را در مقایسه با روش‌های سنتی و متداول کشاورزی به میزان 5000 دلار در سال کاهش دهند (12). ///
1- e-Agriculture sector
2 .Digitalization
3 .Internet Of Thing
4 . Global Positioning System
5 . Geographic Information System
6 . Spreadsheets
7 . Categorical
8 . Numerical
9 . Nominal
10 . Ordinal
11 . Discrete Data
12 . Continuous Data
13- High-tech Greenhouses
14 . fuzzy control method
15 . data-driven model-based predictive control method
16.Subsurface Drip Irrigation
17 . Precision fertilization
18 . AlexNet
19 . Deep Convolutional Neural Network
20 . Decision Support Systems (DSS)
21. stage-oriented standard system
منابع
1. Kumar, R. Harpal, Prakash, O. Lohiya, N. K. & Kumar, S. (2023). IoT based smart irrigation system using sensors: A revolutionary idea in the field of agriculture in India. In K. V. S. Ramachandra Murthy, S. Kumar, & M. Kumar Singh (Eds.), Recent developments in electronics and communication systems (Advances in Transdisciplinary Engineering, Vol. 32, pp. 222–227). IOS Press.
2-Lazebnyk, L. Voitenko V. Digital Technologies in Agricultural Enterprise management. 2021.
3. Katzin, D. Energy Saving by LED Lighting in Greenhouses: A Process-Based Modelling Approach. Ph.D. Thesis, Wageningen University, Wageningen, The Netherlands, 2021.
4. Azaza, M. Tanougast, C. Fabrizio, E. Mami, A. Smart greenhouse fuzzy logic-based control system enhanced with wireless data monitoring. ISA (Instrum. Soc. Am.) Trans. 2016, 61, 297–307.
5. Mahmood, F. Govindan, R. Bermak, A. Yang, D. Khadra, C. Al-Ansari, T. Energy utilization assessment of a semi-closed greenhouse using data-driven model predictive control. J. Clean. Prod. 2021, 324, 129172.
6. Barkunan, S. R. Bhanumathi, V. & Sethuram, J. (2019). Smart sensor for automatic drip irrigation system for paddy cultivation. Computers & Electrical Engineering, 73, 180–193.
7. Jaiswal, N. Kumar, T. V. & Shukla, C. (2025). Smart drip irrigation systems using IoT: A review of architectures, machine learning models, and emerging trends. Discover Agriculture, 3(1), 253.
8. Á. Illés et al. “Optimizing nitrogen fertilization in maize based on UAV NDVI vegetation assessment,” Agriculture, vol. 15, no. 21, p. 2279, 2025.
9. Bermudez, M. & Mallarino, A. P. (2007). Impacts of variable-rate phosphorus fertilization based on dense grid soil sampling on soil-test phosphorus & grain yield of corn & soybean. Agronomy Journal, 99,
10. Paymode, A.S. Malode, V.B. Transfer Learning for Multi-Crop Leaf Disease Image Classification Using Convolutional Neural Network VGG. Artif. Intell. Agric. 2022, 6, 23–33
11. Prahl, K.C. Klink, H. Hasler, M. Hagen, S. Verreet, J.A. and Birr, T. 2022. Can decision support systems help improve the sustainable use of fungicides in wheat? Sustainability, 14(23), p.15599. DOI: 10.3390/su142315599.
12. Wang W, Li Q. Smart farming revolution: Leveraging machine learning for sustainable agriculture. Journal of Cleaner Production. 2025; 527:146434. doi: 10.1016/j.jclepro.2025.146434.
