<p>ಭಾರತದ ಆರ್ಥಿಕತೆಗೆ ಕೃಷಿಕ್ಷೇತ್ರ ಪ್ರಮುಖ ಆಧಾರ. ಕೃಷಿ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಭಾರತ ವಿಶ್ವದಲ್ಲಿ ಎರಡನೇ ಸ್ಥಾನದಲ್ಲಿದೆ. ಬೆಳೆಯನ್ನು ಬಿತ್ತುವ ಮೊದಲು ಅಥವಾ ಬೆಳವಣಿಗೆಯ ಆರಂಭದಲ್ಲೇ ಎಷ್ಟು ಇಳುವರಿ ನಿರೀಕ್ಷಿಸಬಹುದು ಎಂದು ತಿಳಿದರೆ, ಉತ್ಪಾದನೆ ಮತ್ತು ಲಾಭಗಳು ಹೆಚ್ಚುತ್ತವೆ. ಇದರಿಂದ ರೈತರು ನೀರು, ಗೊಬ್ಬರದಂತಹ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಉತ್ತಮವಾಗಿ ಬಳಸಬಹುದು ಮತ್ತು ಯಾವ ಬೆಳೆಗಳನ್ನು ಬೆಳೆಯಬೇಕು ಎಂದು ನಿರ್ಧರಿಸಬಹುದು.</p><p>ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ, ರೈತರು ಮತ್ತು ತಜ್ಞರು ತಮ್ಮ ಅನುಭವದ ಮೂಲಕ ಹೊಲಗಳನ್ನು ನೋಡಿ, ಮಣ್ಣು, ಬೀಜ, ಬೆಳೆ, ನೀರು ಮತ್ತು ಹವಾಮಾನವನ್ನು ಪರಿಶೀಲಿಸಿ ಇಳುವರಿಯನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತಾರೆ. ಇದು ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಮತ್ತು ಅನಿಶ್ಚಿತ ಪ್ರಕ್ರಿಯೆ. ಈಗ, ಸಂಶೋಧಕರು ಕೃತಕಬುದ್ಧಿಮತ್ತೆ (AI) ಬಳಸಿ ಈ ಅಂದಾಜುಗಳನ್ನು ಹೆಚ್ಚು ನಿಖರ ಮತ್ತು ಸಮಯಕ್ಕೆ ಸರಿಯಾಗಿ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದಾರೆ.</p><p>ಸೂರತ್ನ ಸರ್ದಾರ್ ವಲ್ಲಭಭಾಯಿ ನ್ಯಾಷನಲ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಟೆಕ್ನಾಲಜಿ ಸೇರಿದಂತೆ ಕೆಲವು ಸಂಸ್ಥೆಗಳ ಸಂಶೋಧಕರು, ಎಎನ್ಎಫ್ಐಎಸ್ ANFIS - Adaptive Neuro-Fuzzy Inference System) ಎಂಬ ವಿಶೇಷ ಎಐ ತಂತ್ರಜ್ಞಾನವನ್ನು ರೂಪಿಸಿದ್ದಾರೆ. ಮಹಾರಾಷ್ಟ್ರದ ನಾಸಿಕ್ ಪ್ರದೇಶದಲ್ಲಿ ಪ್ರಮುಖ ಐದು ಬೆಳೆಗಳಾದ ಭತ್ತ, ಜೋಳ, ಮೆಕ್ಕೆಜೋಳ, ನೆಲಗಡಲೆ ಮತ್ತು ಕಬ್ಬಿನ ಇಳುವರಿಯನ್ನು ಅಂದಾಜಿಸಲು ಬಳಸಲಾಗಿದೆ.</p><p>ನಾಸಿಕ್ ಅರೆ-ಶುಷ್ಕ ಪ್ರದೇಶ; ‘ಭಾರತದ ವೈನ್ ರಾಜಧಾನಿ’ ಎಂದೂ ಪ್ರಸಿದ್ಧವಾಗಿದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಕೇವಲ ಐದು ಹವಾಮಾನ ಅಂಶಗಳನ್ನು ಮಾತ್ರ ಬಳಸಲಾಯಿತು: ಸರಾಸರಿ ಮಳೆ, ಕನಿಷ್ಠ ಮತ್ತು ಗರಿಷ್ಠ ತಾಪಮಾನ, ಸರಾಸರಿ ಸಾಪೇಕ್ಷ ಆರ್ದ್ರತೆ ಮತ್ತು ಸರಾಸರಿ ಆವಿಯಾಗುವಿಕೆ. ಇವು ಬೆಳೆಗಳ ಬೆಳವಣಿಗೆಯ ಮೇಲೆ ನೇರವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ.</p><p>ಎಎನ್ಎಫ್ಐಎಸ್ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು, ಸಂಶೋಧಕರು 1987ರಿಂದ 2020ರವರೆಗಿನ ನಾಸಿಕ್ ಪ್ರದೇಶದ ಹವಾಮಾನ ಮತ್ತು ಬೆಳೆ ಇಳುವರಿಯ ದತ್ತಾಂಶವನ್ನು ಬಳಸಿದರು. 33 ವರ್ಷಗಳ ದತ್ತಾಂಶವು ಎ.ಐ. ಮಾದರಿಗಳಿಗೆ ಬೇಕಾದಷ್ಟು ನಿಖರತೆಯನ್ನು ಪಡೆಯಲು ಸಾಕಾಗದ ಕಾರಣ, ಅವರು ಗಣಿತದ ತಂತ್ರಗಳನ್ನು ಬಳಸಿ ಹೆಚ್ಚು ವಾಸ್ತವಿಕವಾದ ಕೃತಕ ದತ್ತಾಂಶವನ್ನು ಸೃಷ್ಟಿಸಿದರು. ಇದು ಎಐಗೆ ಕಲಿಯಲು ಹೆಚ್ಚು ಅವಕಾಶ ನೀಡಿ, ಹವಾಮಾನ ಮತ್ತು ಇಳುವರಿ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡಿತು. ಸಂಗ್ರಹಿಸಿದ ದತ್ತಾಂಶದಲ್ಲಿ, ಶೇ 70ರಷ್ಟು ಭಾಗವನ್ನು ಎಐ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಬಳಸಲಾಯಿತು ಮತ್ತು ಉಳಿದ ಶೇ 30ರಷ್ಟು ಭಾಗವನ್ನು ಮಾದರಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ಮೀಸಲಿಡಲಾಯಿತು. ಎಎನ್ಎಫ್ಐಎಸ್ ಎರಡು ರೀತಿಯ ಎಐಗಳ ಸಂಯೋಜನೆಯಾಗಿದೆ. ಒಂದು ಭಾಗವು ನರಜಾಲದ (neural network) ತರಹ ಕೆಲಸ ಮಾಡುತ್ತದೆ; ಇದು ಸಂಕೀರ್ಣ ಮಾದರಿಗಳನ್ನು ಕಲಿಯುವಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾಗಿದೆ. ಮತ್ತೊಂದು ಭಾಗವು ‘ಫಜಿ ಲಾಜಿಕ್’ (fuzzy logic) ಎಂಬ ಪರಿಕಲ್ಪನೆಯನ್ನು ಆಧರಿಸಿದೆ, ಇದು ಮಾನವನ ಚಿಂತನೆಯನ್ನು ಅನುಕರಿಸುತ್ತದೆ. ಫಜಿ ಲಾಜಿಕ್ ‘ಹೆಚ್ಚಿನ ತಾಪಮಾನ’ ಅಥವಾ ‘ಕಡಿಮೆ ಮಳೆ’ಯಂಥ ಪದಗಳನ್ನು ಬಳಸಿ ‘ಹಾಗಾದರೆ–ಹೀಗೆ’ (‘ಇಫ್-ದೆನ್’, if-Then) ಎಂಬಂತೆ ನಿಯಮಗಳನ್ನು ರಚಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ‘ಮಳೆ ಕಡಿಮೆ ಇದ್ದರೆ ಮತ್ತು ತಾಪಮಾನ ಹೆಚ್ಚಿದ್ದರೆ, ನಿರೀಕ್ಷಿತ ಇಳುವರಿ ಕಡಿಮೆಯಿರುತ್ತದೆ’. ನರಜಾಲದ ಭಾಗವು ಈ ನಿಯಮಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸರಿಪಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.</p><p>ಈ ಅಧ್ಯಯನದ ಪ್ರಕಾರ, ಅವರ ಎಎನ್ಎಫ್ಐಎಸ್ ಮಾದರಿಗಳು ಸ್ವೀಕಾರಾರ್ಹ ನಿಖರತೆಯೊಂದಿಗೆ ಬೆಳೆ ಇಳುವರಿಯನ್ನು ಊಹಿಸಿದವು. ಕಬ್ಬಿನ ಇಳುವರಿಯ ಅಂದಾಜು ಅತ್ಯಂತ ನಿಖರವಾಗಿತ್ತು. ಆದರೆ, ಜೋಳದ ಇಳುವರಿ ಅಂದಾಜಿನಲ್ಲಿ ನಿಖರತೆ ಕಡಿಮೆ ಇತ್ತು. ಬಹುಶಃ ಜೋಳವು ಅಧ್ಯಯನ ಮಾಡಿದ ಹವಾಮಾನ ಅಂಶಗಳ ಮೇಲೆ ಕಡಿಮೆ ಅವಲಂಬಿತವಾಗಿರಬಹುದು. ಇದಕ್ಕೆ ಇನ್ನಷ್ಟು ಮಾಹಿತಿಯ ಅವಶ್ಯಕತೆ ಇರಬಹುದು.</p><p>ಈ ಅಧ್ಯಯನವು ಭರವಸೆದಾಯಕವಾಗಿದ್ದರೂ, ಕೆಲವು ಮಿತಿಗಳಿವೆ. ಹೆಚ್ಚು ಮಾಹಿತಿ (ಉದಾಹರಣೆಗೆ, ಹೆಚ್ಚು ಹವಾಮಾನ ಅಂಶಗಳು) ಸೇರಿಸಿದಾಗ, ಎಎನ್ಎಫ್ಐಎಸ್ ವ್ಯವಸ್ಥೆಯು ಕ್ಲಿಷ್ಟಕರವಾಗ<br>ಬಹುದು ಮತ್ತು ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯು ನಿಧಾನವಾಗಬಹುದು. ಅಲ್ಲದೆ, ಓವರ್ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ತಡೆಗಟ್ಟಲು ದತ್ತಾಂಶ ಮೌಲ್ಯೀಕರಣ (data validation) ಮುಖ್ಯವಾಗಿದೆ. ಈ ಅಧ್ಯಯನ ಕೇವಲ ಹವಾಮಾನ ದತ್ತಾಂಶವನ್ನು ಮಾತ್ರ ಬಳಸಿದೆ ಎಂಬುದು ಒಂದು ಪ್ರಮುಖ ಮಿತಿ. ಮಣ್ಣಿನ ಪ್ರಕಾರ, ಬಳಸಿದ ಗೊಬ್ಬರದ ಪ್ರಮಾಣ, ನೀರಾವರಿ ಪದ್ಧತಿಗಳು ಮತ್ತು ಕೀಟಗಳಂತಹ ಇತರ ಅಂಶಗಳು ಇಳುವರಿಯ ಮೇಲೆ ಗಮನಾರ್ಹ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ. ಇವುಗಳನ್ನು ಸೇರಿಸಿದರೆ ಭವಿಷ್ಯದ ಅಂದಾಜುಗಳ ನಿಖರತೆಯನ್ನು ಮತ್ತಷ್ಟು ಸುಧಾರಿಸಬಹುದು.</p><p>ಈ ಮಿತಿಗಳ ಹೊರತಾಗಿಯೂ, ಹವಾಮಾನ ದತ್ತಾಂಶದೊಂದಿಗೆ ಎಎನ್ಎಫ್ಐಎಸ್ ಅನ್ನು ಬಳಸುವುದು ಕಾಲೋಚಿತ ಬಹು-ಬೆಳೆ ಇಳುವರಿಯನ್ನು ಮೊದಲೇ ಊಹಿಸಲು ಒಂದು ಭರವಸೆಯ ವಿಧಾನ ಎಂದು ಈ ಅಧ್ಯಯನ ತೋರಿಸುತ್ತದೆ.</p><p>ಸಂಶೋಧಕರು ಸಾಕಷ್ಟು ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶದ ಕೊರತೆಯ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಯನ್ನು ನಿವಾರಿಸಲು ದತ್ತಾಂಶ ಸಂಶ್ಲೇಷಣೆಯನ್ನು (data synthesis) ಯಶಸ್ವಿಯಾಗಿ ಬಳಸಿದರು. ಹವಾಮಾನದ ಸವಾಲುಗಳನ್ನು ಎದುರಿಸುತ್ತಿರುವ ಪ್ರದೇಶಗಳ ಆಹಾರದ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ನವೀನ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸುವಲ್ಲಿ ಇದು ಒಂದು ಪ್ರಮುಖ ಹೆಜ್ಜೆಯಾಗಿದೆ.</p>.<div><p><strong>ಪ್ರಜಾವಾಣಿ ಆ್ಯಪ್ ಇಲ್ಲಿದೆ: <a href="https://play.google.com/store/apps/details?id=com.tpml.pv">ಆಂಡ್ರಾಯ್ಡ್ </a>| <a href="https://apps.apple.com/in/app/prajavani-kannada-news-app/id1535764933">ಐಒಎಸ್</a> | <a href="https://whatsapp.com/channel/0029Va94OfB1dAw2Z4q5mK40">ವಾಟ್ಸ್ಆ್ಯಪ್</a>, <a href="https://www.twitter.com/prajavani">ಎಕ್ಸ್</a>, <a href="https://www.fb.com/prajavani.net">ಫೇಸ್ಬುಕ್</a> ಮತ್ತು <a href="https://www.instagram.com/prajavani">ಇನ್ಸ್ಟಾಗ್ರಾಂ</a>ನಲ್ಲಿ ಪ್ರಜಾವಾಣಿ ಫಾಲೋ ಮಾಡಿ.</strong></p></div>
<p>ಭಾರತದ ಆರ್ಥಿಕತೆಗೆ ಕೃಷಿಕ್ಷೇತ್ರ ಪ್ರಮುಖ ಆಧಾರ. ಕೃಷಿ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಭಾರತ ವಿಶ್ವದಲ್ಲಿ ಎರಡನೇ ಸ್ಥಾನದಲ್ಲಿದೆ. ಬೆಳೆಯನ್ನು ಬಿತ್ತುವ ಮೊದಲು ಅಥವಾ ಬೆಳವಣಿಗೆಯ ಆರಂಭದಲ್ಲೇ ಎಷ್ಟು ಇಳುವರಿ ನಿರೀಕ್ಷಿಸಬಹುದು ಎಂದು ತಿಳಿದರೆ, ಉತ್ಪಾದನೆ ಮತ್ತು ಲಾಭಗಳು ಹೆಚ್ಚುತ್ತವೆ. ಇದರಿಂದ ರೈತರು ನೀರು, ಗೊಬ್ಬರದಂತಹ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಉತ್ತಮವಾಗಿ ಬಳಸಬಹುದು ಮತ್ತು ಯಾವ ಬೆಳೆಗಳನ್ನು ಬೆಳೆಯಬೇಕು ಎಂದು ನಿರ್ಧರಿಸಬಹುದು.</p><p>ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ, ರೈತರು ಮತ್ತು ತಜ್ಞರು ತಮ್ಮ ಅನುಭವದ ಮೂಲಕ ಹೊಲಗಳನ್ನು ನೋಡಿ, ಮಣ್ಣು, ಬೀಜ, ಬೆಳೆ, ನೀರು ಮತ್ತು ಹವಾಮಾನವನ್ನು ಪರಿಶೀಲಿಸಿ ಇಳುವರಿಯನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತಾರೆ. ಇದು ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಮತ್ತು ಅನಿಶ್ಚಿತ ಪ್ರಕ್ರಿಯೆ. ಈಗ, ಸಂಶೋಧಕರು ಕೃತಕಬುದ್ಧಿಮತ್ತೆ (AI) ಬಳಸಿ ಈ ಅಂದಾಜುಗಳನ್ನು ಹೆಚ್ಚು ನಿಖರ ಮತ್ತು ಸಮಯಕ್ಕೆ ಸರಿಯಾಗಿ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದಾರೆ.</p><p>ಸೂರತ್ನ ಸರ್ದಾರ್ ವಲ್ಲಭಭಾಯಿ ನ್ಯಾಷನಲ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಟೆಕ್ನಾಲಜಿ ಸೇರಿದಂತೆ ಕೆಲವು ಸಂಸ್ಥೆಗಳ ಸಂಶೋಧಕರು, ಎಎನ್ಎಫ್ಐಎಸ್ ANFIS - Adaptive Neuro-Fuzzy Inference System) ಎಂಬ ವಿಶೇಷ ಎಐ ತಂತ್ರಜ್ಞಾನವನ್ನು ರೂಪಿಸಿದ್ದಾರೆ. ಮಹಾರಾಷ್ಟ್ರದ ನಾಸಿಕ್ ಪ್ರದೇಶದಲ್ಲಿ ಪ್ರಮುಖ ಐದು ಬೆಳೆಗಳಾದ ಭತ್ತ, ಜೋಳ, ಮೆಕ್ಕೆಜೋಳ, ನೆಲಗಡಲೆ ಮತ್ತು ಕಬ್ಬಿನ ಇಳುವರಿಯನ್ನು ಅಂದಾಜಿಸಲು ಬಳಸಲಾಗಿದೆ.</p><p>ನಾಸಿಕ್ ಅರೆ-ಶುಷ್ಕ ಪ್ರದೇಶ; ‘ಭಾರತದ ವೈನ್ ರಾಜಧಾನಿ’ ಎಂದೂ ಪ್ರಸಿದ್ಧವಾಗಿದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಕೇವಲ ಐದು ಹವಾಮಾನ ಅಂಶಗಳನ್ನು ಮಾತ್ರ ಬಳಸಲಾಯಿತು: ಸರಾಸರಿ ಮಳೆ, ಕನಿಷ್ಠ ಮತ್ತು ಗರಿಷ್ಠ ತಾಪಮಾನ, ಸರಾಸರಿ ಸಾಪೇಕ್ಷ ಆರ್ದ್ರತೆ ಮತ್ತು ಸರಾಸರಿ ಆವಿಯಾಗುವಿಕೆ. ಇವು ಬೆಳೆಗಳ ಬೆಳವಣಿಗೆಯ ಮೇಲೆ ನೇರವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ.</p><p>ಎಎನ್ಎಫ್ಐಎಸ್ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು, ಸಂಶೋಧಕರು 1987ರಿಂದ 2020ರವರೆಗಿನ ನಾಸಿಕ್ ಪ್ರದೇಶದ ಹವಾಮಾನ ಮತ್ತು ಬೆಳೆ ಇಳುವರಿಯ ದತ್ತಾಂಶವನ್ನು ಬಳಸಿದರು. 33 ವರ್ಷಗಳ ದತ್ತಾಂಶವು ಎ.ಐ. ಮಾದರಿಗಳಿಗೆ ಬೇಕಾದಷ್ಟು ನಿಖರತೆಯನ್ನು ಪಡೆಯಲು ಸಾಕಾಗದ ಕಾರಣ, ಅವರು ಗಣಿತದ ತಂತ್ರಗಳನ್ನು ಬಳಸಿ ಹೆಚ್ಚು ವಾಸ್ತವಿಕವಾದ ಕೃತಕ ದತ್ತಾಂಶವನ್ನು ಸೃಷ್ಟಿಸಿದರು. ಇದು ಎಐಗೆ ಕಲಿಯಲು ಹೆಚ್ಚು ಅವಕಾಶ ನೀಡಿ, ಹವಾಮಾನ ಮತ್ತು ಇಳುವರಿ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡಿತು. ಸಂಗ್ರಹಿಸಿದ ದತ್ತಾಂಶದಲ್ಲಿ, ಶೇ 70ರಷ್ಟು ಭಾಗವನ್ನು ಎಐ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಬಳಸಲಾಯಿತು ಮತ್ತು ಉಳಿದ ಶೇ 30ರಷ್ಟು ಭಾಗವನ್ನು ಮಾದರಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ಮೀಸಲಿಡಲಾಯಿತು. ಎಎನ್ಎಫ್ಐಎಸ್ ಎರಡು ರೀತಿಯ ಎಐಗಳ ಸಂಯೋಜನೆಯಾಗಿದೆ. ಒಂದು ಭಾಗವು ನರಜಾಲದ (neural network) ತರಹ ಕೆಲಸ ಮಾಡುತ್ತದೆ; ಇದು ಸಂಕೀರ್ಣ ಮಾದರಿಗಳನ್ನು ಕಲಿಯುವಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾಗಿದೆ. ಮತ್ತೊಂದು ಭಾಗವು ‘ಫಜಿ ಲಾಜಿಕ್’ (fuzzy logic) ಎಂಬ ಪರಿಕಲ್ಪನೆಯನ್ನು ಆಧರಿಸಿದೆ, ಇದು ಮಾನವನ ಚಿಂತನೆಯನ್ನು ಅನುಕರಿಸುತ್ತದೆ. ಫಜಿ ಲಾಜಿಕ್ ‘ಹೆಚ್ಚಿನ ತಾಪಮಾನ’ ಅಥವಾ ‘ಕಡಿಮೆ ಮಳೆ’ಯಂಥ ಪದಗಳನ್ನು ಬಳಸಿ ‘ಹಾಗಾದರೆ–ಹೀಗೆ’ (‘ಇಫ್-ದೆನ್’, if-Then) ಎಂಬಂತೆ ನಿಯಮಗಳನ್ನು ರಚಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ‘ಮಳೆ ಕಡಿಮೆ ಇದ್ದರೆ ಮತ್ತು ತಾಪಮಾನ ಹೆಚ್ಚಿದ್ದರೆ, ನಿರೀಕ್ಷಿತ ಇಳುವರಿ ಕಡಿಮೆಯಿರುತ್ತದೆ’. ನರಜಾಲದ ಭಾಗವು ಈ ನಿಯಮಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸರಿಪಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.</p><p>ಈ ಅಧ್ಯಯನದ ಪ್ರಕಾರ, ಅವರ ಎಎನ್ಎಫ್ಐಎಸ್ ಮಾದರಿಗಳು ಸ್ವೀಕಾರಾರ್ಹ ನಿಖರತೆಯೊಂದಿಗೆ ಬೆಳೆ ಇಳುವರಿಯನ್ನು ಊಹಿಸಿದವು. ಕಬ್ಬಿನ ಇಳುವರಿಯ ಅಂದಾಜು ಅತ್ಯಂತ ನಿಖರವಾಗಿತ್ತು. ಆದರೆ, ಜೋಳದ ಇಳುವರಿ ಅಂದಾಜಿನಲ್ಲಿ ನಿಖರತೆ ಕಡಿಮೆ ಇತ್ತು. ಬಹುಶಃ ಜೋಳವು ಅಧ್ಯಯನ ಮಾಡಿದ ಹವಾಮಾನ ಅಂಶಗಳ ಮೇಲೆ ಕಡಿಮೆ ಅವಲಂಬಿತವಾಗಿರಬಹುದು. ಇದಕ್ಕೆ ಇನ್ನಷ್ಟು ಮಾಹಿತಿಯ ಅವಶ್ಯಕತೆ ಇರಬಹುದು.</p><p>ಈ ಅಧ್ಯಯನವು ಭರವಸೆದಾಯಕವಾಗಿದ್ದರೂ, ಕೆಲವು ಮಿತಿಗಳಿವೆ. ಹೆಚ್ಚು ಮಾಹಿತಿ (ಉದಾಹರಣೆಗೆ, ಹೆಚ್ಚು ಹವಾಮಾನ ಅಂಶಗಳು) ಸೇರಿಸಿದಾಗ, ಎಎನ್ಎಫ್ಐಎಸ್ ವ್ಯವಸ್ಥೆಯು ಕ್ಲಿಷ್ಟಕರವಾಗ<br>ಬಹುದು ಮತ್ತು ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯು ನಿಧಾನವಾಗಬಹುದು. ಅಲ್ಲದೆ, ಓವರ್ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ತಡೆಗಟ್ಟಲು ದತ್ತಾಂಶ ಮೌಲ್ಯೀಕರಣ (data validation) ಮುಖ್ಯವಾಗಿದೆ. ಈ ಅಧ್ಯಯನ ಕೇವಲ ಹವಾಮಾನ ದತ್ತಾಂಶವನ್ನು ಮಾತ್ರ ಬಳಸಿದೆ ಎಂಬುದು ಒಂದು ಪ್ರಮುಖ ಮಿತಿ. ಮಣ್ಣಿನ ಪ್ರಕಾರ, ಬಳಸಿದ ಗೊಬ್ಬರದ ಪ್ರಮಾಣ, ನೀರಾವರಿ ಪದ್ಧತಿಗಳು ಮತ್ತು ಕೀಟಗಳಂತಹ ಇತರ ಅಂಶಗಳು ಇಳುವರಿಯ ಮೇಲೆ ಗಮನಾರ್ಹ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ. ಇವುಗಳನ್ನು ಸೇರಿಸಿದರೆ ಭವಿಷ್ಯದ ಅಂದಾಜುಗಳ ನಿಖರತೆಯನ್ನು ಮತ್ತಷ್ಟು ಸುಧಾರಿಸಬಹುದು.</p><p>ಈ ಮಿತಿಗಳ ಹೊರತಾಗಿಯೂ, ಹವಾಮಾನ ದತ್ತಾಂಶದೊಂದಿಗೆ ಎಎನ್ಎಫ್ಐಎಸ್ ಅನ್ನು ಬಳಸುವುದು ಕಾಲೋಚಿತ ಬಹು-ಬೆಳೆ ಇಳುವರಿಯನ್ನು ಮೊದಲೇ ಊಹಿಸಲು ಒಂದು ಭರವಸೆಯ ವಿಧಾನ ಎಂದು ಈ ಅಧ್ಯಯನ ತೋರಿಸುತ್ತದೆ.</p><p>ಸಂಶೋಧಕರು ಸಾಕಷ್ಟು ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶದ ಕೊರತೆಯ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಯನ್ನು ನಿವಾರಿಸಲು ದತ್ತಾಂಶ ಸಂಶ್ಲೇಷಣೆಯನ್ನು (data synthesis) ಯಶಸ್ವಿಯಾಗಿ ಬಳಸಿದರು. ಹವಾಮಾನದ ಸವಾಲುಗಳನ್ನು ಎದುರಿಸುತ್ತಿರುವ ಪ್ರದೇಶಗಳ ಆಹಾರದ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ನವೀನ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸುವಲ್ಲಿ ಇದು ಒಂದು ಪ್ರಮುಖ ಹೆಜ್ಜೆಯಾಗಿದೆ.</p>.<div><p><strong>ಪ್ರಜಾವಾಣಿ ಆ್ಯಪ್ ಇಲ್ಲಿದೆ: <a href="https://play.google.com/store/apps/details?id=com.tpml.pv">ಆಂಡ್ರಾಯ್ಡ್ </a>| <a href="https://apps.apple.com/in/app/prajavani-kannada-news-app/id1535764933">ಐಒಎಸ್</a> | <a href="https://whatsapp.com/channel/0029Va94OfB1dAw2Z4q5mK40">ವಾಟ್ಸ್ಆ್ಯಪ್</a>, <a href="https://www.twitter.com/prajavani">ಎಕ್ಸ್</a>, <a href="https://www.fb.com/prajavani.net">ಫೇಸ್ಬುಕ್</a> ಮತ್ತು <a href="https://www.instagram.com/prajavani">ಇನ್ಸ್ಟಾಗ್ರಾಂ</a>ನಲ್ಲಿ ಪ್ರಜಾವಾಣಿ ಫಾಲೋ ಮಾಡಿ.</strong></p></div>