afsis logo

Technology for Agriculture

ባለፉት አስርተ ዓመታት ማሽን ትምህርት፣ ክላውድ ኮመፒዩቲንግ (በኢንተርኔት ላይ መርጃን ማከማቸት እና በሚፈለገው መልኩ ማስተካከል)፣ እና .አይ.ኤስ ውስጥ የታዩት አስገራሚ እድገቶች በግብርና እና ምህዳራዊ ልማት ላይ የነበረውን አስተሳሰብ እየቀየሩት ሲሆን፣  በእነዚህ ዘርፎች ውስጥ አዳዲስ ቴክኖሎጂዎችን እና አስተሳሰቦችን ወደተግባር ማስገባት መቻል በዓለም ዙሪያ በሚገኙ ሳይንሳዊ ድርጅቶች ወደፊት እንደሚከሰቱ የተተነበዩትን የአፈር ምርት የመስጠት አቅም መዳከም እና የምግብ እጥረትን ለመዋጋት አስፈላጊ ነው። የዓለም ሕዝብ ቁጥር 2050 ዓ.ም 9 ቢሊዮን እንደሚደርስ መገመቱን ተከትሎ፣ የተለመደው የግብርና እና የመሬት አስተዳደር ተግባራት ላይ በአስቸኳይ ስር ነቀል የሆነ ለውጥ ማድረግ ከመቼውም ጊዜ ይበልጥ አስፈላጊ ነው።

በዚህ ትኩረትን በሚሻ ጉዳይ ተነሳስቶ ኪው.ኢ.ዲ የግብርናእና ስነ ምህዳራዊ ትንተናን ለመደገፍ የተለያዩ የመሬት አቀማመጦች እና በጠፈር እና በጊዜ መስፈርቶች ምቹ እንዲሆኑ የተዘጋጁ ቴክኖሎጂዎችን በመገንባት ላይ ይገኛል። በቢል እና ሚሊንዳ ጌትስ ፋውንዴሽን የገንዘብ ድጋፍ በሚደረግለት የአፍሪካ አፈር መረጃ አገልግሎት (ኤ.ኤፍ.ኤስ.አይ.ኤስ) ፕሮጀክት ውስጥ አጋር ሆኖ በመሥራት፣ ኪው.ኢ.ዲ የአፈር እና የመሬት ምህዳራዊ መረጃ ሂደት እና የዳታ አስተዳደርን ሙሉ ዑደተ-ህይወት ለመሸፈን ከመጀመሪያ – እስከ- መጨረሻ የሚያጠቃልል ዳታ የማቀነባበር የስራ ሂድት ሲገነባ ቆይቷል። ይህ የስራ ፍሰት፡ የመስክ የመረጃ አሰባሰብን፣ የቤተ ሙከራ ትንተናን፣ የመረጃ ማኅደር አስተዳደርን፣ ግምታዊ ሞዴሊንግን፣ የካርታ አይቶታን እና በመረጃ የተደገፈ ውሳኔ ለመስጠት የሚያሰችሉ መሳሪያዎችን ያጠቃልላል። እነዚህ ቴክኖሎጂዎች የመረጃ ክፍተት መዝጋትን እና አዎንታዊ በሆነ ጎኑ ፖሊሲ እና የኢንዱስትሪ ልማዶች ላይ ተጽእኖ ማሳደርን አላማ በማድረግ ከመንግሥታት ጋር በመተባበር በርካታ የአፍሪካ አገሮች ውስጥ እንዲተዋወቁና እንዲሰማሩ ተደርጓል። ቀጥሎ ከእነዚህ ቴክኖሎጂዎች መካከል አንዳንዶቹን በዝርዝር እንገልጻለን።

Predictive Maps of Croplands, Human Settlements, and Soil Chemistry

ኪው.ኢ.ዲ ሳይንቲስቶች የበለጠ ውጤታማ እና አስተማማኝ በሆነ ሁኔታ የአፍሪካን አፈር እና የመሬት አቀማመጥ መዝግበው ለማስቀመጥ የሚያስችሉ መስረታዊ የሆኑ ቴክኖሎጂዎችን ለኤ.ኤፍ.ኤስ.አይ.ኤስ ሲሰራ ቆይቷል። እንዲሁም እንደ የመረጃ መረብ እና የተንቀሳቃሽ ስልክ አፕሊኬሽኖች፣ ከበርካታ ገለሰቦች የተሰበሰበ መረጃ፣ መጠነ ሰፊ የሆነ የማሽን ትምህርት፣ በኢንተርኔት ላይ መርጃን ማከማቸት እና በሚፈለገው መልኩ ማስተካከል፣ የኮምፒውተር ቪዥን፣ ዩ.ኤ.ቪ፣ ኩዋድራኮፕተር፣ 3ዲ ሞዴሊንግ እና ህትመት፣ እና ሙያዊ የሶፍትዌር ምሕንድስና ምግባሮችን ጨምሮ በሌሎች የቅርብ ጊዜ ቴክኖሎጂዎች በመታገዝ ለየት ያለ አቀራረብ ያለቸው ምህዳራዊ ጥናቶችን ሲከውን ቆይቷል። ከልብ ተስፋ የምናደርገው፣ እየገነባናቸው ያሉት ቴክኖሎጂዎች በግብርናው ዘርፍ ስር ነቀል የሆነ ለውጥ ማምጣት የሚችሉ መሳሪያዎች ይሆናል ብለን ነው

ከእነዚህ ዘዴዎች መካከል እንደ ምሳሌ፣ ኤ.ኤፍ.ኤስ.አይ.ኤስ የቅርብ ጊዜ የሳተላይት ምስሎችን መረጃ በፍጥነት በበርካታ ግለሰቦች ተሰብስቦ እና ተገምግሞ እንዲሁም በባለሙያዎች ማረጋገጫ እንዲሰጠው የተደረገ መረጃን እንደ ስልጠና ዳታ በመጠቀም፣ ከዛም በዓለም አቀፍ ውድድር ላይ አዋጭ የሆኑ በእጅጉ ዘመናዊ የሆኑ የማሽን ትምህርት ሞዴሎችን በመገንባት እንዲሁም እርግጠኛነት ለሚጎላቸው ትንበያዎች ተጨማሪ መረጃ ለመስጠት የሚያስችሉ በቀኝ በኩል እንደሚገኙት ያሉ ዲጂታል ካርታዎችን ማመንጨት ችሏል።

Readers are encouraged to browse more examples of novel applications below.

End-to-End Data Processing Workflow

ከመነሻ – እስከ – መጨረሻ የመረጃ ቅንበራ የስራ ፍሰት

ኪው.ኢ.ዲ የአፈር እና የመሬት አቀማመጥ መረጃ ለመሰብሰብ፣ ለማስተዳደር፣ ስሌት ለመስራት እና ለማሰራጨት ከመነሻ – እስከ – መጨረሻ የሆነ ድጋፍ ለመስጠት የሚያስችሉ እርስ በርሳቸው የሚጣመሩ የሶፍትዌር ስብስቦችን ይሰራል። የዚህ የስራ ፍሰት የተለያዩ ክፍሎች በቀላሉ የሚለዋወጡ መሆን አለባቸው። ይህ ንድፋችን በአጠቃላይ ከዚህ በታች ድጋሚ በቀረቡት በርካታ ቁልፍ የኢ.ኤስ.አር መርሆች በሆኑት የዩኒክስ ደንቦች ላይ ተንተርሶ የተሰራ ነው:

  • የንዑስ ክፍሎች ሕግ: ቀላል የሆኑ እና በግልፅ ማቀናጃዎች የተገናኙ ክፍሎችን መስራት።
  • የጥንቅር ሕግ: ከሌሎች ፕሮግራሞች ጋር የሚገናኙ ፕሮግራሞችን መንደፍ።
  • ቀላል የመሆን ሕግ: ቀለል ያሉ ንድፎችን መስራት፤ ውስብስብነት መጨመር ያለበት አስፈላጊ ሆኖ ከተገኘ ብቻ ነው
  • የግልጽነት ሕግ: ምርመራ እና እርማትን ቀላል እንዲሆን ለማድረግ ያስችል ዘንድ በደምብ መታየት የሚችል ንድፍ መስራት።
  • የልዩነት ሕግ: ትክክለኛውን መንገድ ለማግኘት ሁሉንም ጥያቄዎች አለመቀበል።
workflow

Data Collection

  • Crowdsourced surveying of aerial imagery (satellites + drones) to efficiently generate land cover maps and determine regions of interest such as cropland masks.
  • Randomized survey design: statistical power analysis of sampling budgets, and multi-stage sampling algorithms for balancing broad coverage with collection efficiency.
  • Mobile data collection apps for efficient data entry in the field and real-time data collection monitoring.
  • Sampling protocols tested in twelve countries throughout in Africa.

Data Management

  • Customizable QR codes and barcodes for tagging samples in the field.
  • Secure and cost-effective data management systems stored in the cloud.
  • Supports relational data, binary data, and geospatial data on scalable cloud infrastructure.
  • Visual web interfaces for easily browsing data, uploading data, and conducting geospatial queries.

Data Computation

  • Generate maps of agroecological properties by leveraging crowdsourced data and scalable ML computation in the cloud.
  • Predict soil chemistry concentrations of critical nutrients and trace elements in the soil from cost-efficient spectroscopy measurements, using the best calibrated models to date and backed by uncertainty measurements.
  • Augment predictions with machine learning models tempered through international programming competitions.

Data Visualization

  • Interactive visualizations of agricultural metrics, presented as surfaces interpolated from point data and re-rendered in real-time when queried against geospatial and chemical constraints.
  • Building decision analysis tools for optimizing budget allocation across laboratory methodologies, fertilizer blends, and crop varieties.
+ Data Collection

Data Collection

  • Crowdsourced surveying of aerial imagery (satellites + drones) to efficiently generate land cover maps and determine regions of interest such as cropland masks.
  • Randomized survey design: statistical power analysis of sampling budgets, and multi-stage sampling algorithms for balancing broad coverage with collection efficiency.
  • Mobile data collection apps for efficient data entry in the field and real-time data collection monitoring.
  • Sampling protocols tested in twelve countries throughout in Africa.
+ Data Management

Data Management

  • Customizable QR codes and barcodes for tagging samples in the field.
  • Secure and cost-effective data management systems stored in the cloud.
  • Supports relational data, binary data, and geospatial data on scalable cloud infrastructure.
  • Visual web interfaces for easily browsing data, uploading data, and conducting geospatial queries.
+ Data Computation

Data Computation

  • Generate maps of agroecological properties by leveraging crowdsourced data and scalable ML computation in the cloud.
  • Predict soil chemistry concentrations of critical nutrients and trace elements in the soil from cost-efficient spectroscopy measurements, using the best calibrated models to date and backed by uncertainty measurements.
  • Augment predictions with machine learning models tempered through international programming competitions.
+ Data Visualization

Data Visualization

  • Interactive visualizations of agricultural metrics, presented as surfaces interpolated from point data and re-rendered in real-time when queried against geospatial and chemical constraints.
  • Building decision analysis tools for optimizing budget allocation across laboratory methodologies, fertilizer blends, and crop varieties.
Aerial Imagery
Aerial Imagery

Leverage networks of satellites, fixed-wing drones, and quadcopters to quickly scan regions of interest and generate maps of ecological indicators and digital elevation models.

Predict
Access Anywhere

Data is reliably stored on cloud infrastructure and replicated in multiple availability zones. Automated input validation of laboratory data and soil samples.

Predict
Predict

Predictions of soil chemistry and land usage using state-of-the-art machine learning techniques executed on remote hardware infrastructure.

Get In Touch Now

For more inquiries about our services or to request a demo, please e-mail: info@qed.ai