Cần tránh xung đột lợi ích khi xuất bản thông tin cây trồng công khai

(a) Phương pháp hồi quy với đầu vào là các yếu tố thời tiết và chỉ số thực vật; (b) Mô hình chỉ số sinh khối và thu hoạch; (c) Mô hình tăng trưởng cây trồng với đầu vào là điều kiện thời tiết, đất, thảm thực vật, phân bón, sâu bệnh và quản lý; (d) Các mô hình điều khiển dữ liệu với sự hỗ trợ máy móc hoặc các phương pháp máy học. Nguồn: Nhà xuất bản Khoa học Trung Quốc.

Giám sát cây trồng bằng vệ tinh đã trở thành một phương pháp chính để lấy thông tin cây trồng ở quy mô địa phương, khu vực và toàn cầu.

Tuy nhiên, thiếu các phương pháp định lượng, khách quan và mạnh mẽ để đảm bảo độ tin cậy của thông tin cây trồng, điều này sẽ làm giảm khả năng áp dụng giám sát cây trồng và dẫn đến sự không chắc chắn và những hậu quả không mong muốn. Trong bài báo này, những tiến bộ gần đây trong giám sát cây trồng đã được xem xét và những thách thức cũng như cơ hội cho tương lai đã được xác định.

Giáo sư Bingfang Wu (Viện Thông tin Hàng không Vũ trụ, Viện Khoa học Trung Quốc), trưởng nhóm CropWatch và đồng chủ tịch Sáng kiến ​​Giám sát Nông nghiệp Toàn cầu của Nhóm Quan sát Trái đất (GEOGLAM) cho biết: "Hệ thống giám sát cây trồng cho chúng ta biết lượng lương thực đã được sản xuất, loại thực phẩm đó là gì và được sản xuất ở đâu. Thông tin này rất cần thiết để các quốc gia đưa ra quyết định. Nếu không có sẵn hoặc không được xác minh chính xác, các quốc gia sẽ thiếu thông tin cơ bản cho quyết định của họ hoặc có nguy cơ đưa ra quyết định dựa trên thông tin không chính xác".

Thông tin về điều kiện cây trồng rất quan trọng đối với việc hoạch định chính sách cũng như ngăn chặn tình trạng gián đoạn thị trường và đầu cơ, qua đó góp phần đưa ra cảnh báo sớm về tình trạng mất an ninh lương thực. Hầu hết các hệ thống giám sát cây trồng đều có thành phần điều kiện cây trồng và sử dụng các chỉ số bất thường đơn giản từ các giá trị trung bình để điều tra các điều kiện cây trồng.

Tuy nhiên, các số liệu bất thường không thể đưa ra các đánh giá định lượng do thiếu các phương pháp phân loại tiêu chuẩn, đặc biệt là trong điều kiện cây trồng bị căng thẳng do hạn hán, thiếu hụt chất dinh dưỡng, dịch bệnh và sâu bệnh. Hơn nữa, bài báo phát hiện ra rằng một số chỉ số hạn hán được công bố trong tài liệu gây nhầm lẫn hạn hán khí tượng với hạn hán nông nghiệp. Chúng có thể tạo ra thông tin hạn hán sai nếu được áp dụng.

Sản xuất nông nghiệp được dự báo với sự hỗ trợ của ước tính diện tích cây trồng và dự đoán năng suất cho các vùng cụ thể. Đây là yếu tố cốt lõi của giám sát cây trồng, nhưng chỉ một số hệ thống giám sát nông nghiệp toàn cầu bao gồm các thành phần vận hành để ước tính diện tích cây trồng và dự đoán năng suất. Một trong những lý do là thiếu dữ liệu mặt đất bên ngoài quốc gia, chưa kể đến dữ liệu mặt đất sẵn có trên toàn cầu. Dữ liệu cộng đồng có thể phục vụ như một giải pháp tiềm năng để thu hẹp khoảng cách dữ liệu mặt đất.

Một phương pháp mới tính toán năng suất đồng ruộng liên quan đến AI và thị giác máy tính bằng cách đếm số lượng chồi, số hạt trên mỗi chồi và kích thước của hạt để xác định trọng lượng. Nguồn: Nhà xuất bản Khoa học Trung Quốc.

"Với nhiều loại cảm biến điện thoại thông minh, mọi người đều có thể chụp và tải lên các bức ảnh được gắn thẻ địa lý về cây trồng. Thông tin này có thể được sử dụng để hiệu chỉnh tình trạng cây trồng và các mô hình ước tính diện tích", tiến sỹ Miao Zhang, thành viên chính của Nhóm CropWatch cho biết. Trước đây, việc thu thập dữ liệu về năng suất cây trồng thực tế rất tốn công và tốn kém. Một phương pháp mới liên quan đến trí tuệ nhân tạo và thị giác máy tính dùng để đếm số lượng chồi, số hạt trên mỗi chồi và kích thước của hạt… đã được phát triển.

Tiến sỹ Hongwei Zeng, cũng là một thành viên chính của Nhóm CropWatch, cho biết thêm: “Đây là một phương pháp mới để thu thập dữ liệu năng suất trên đồng ruộng”.

Ngoài ra, dự đoán các yếu tố cấu thành năng suất là yếu tố yếu nhất trong giám sát cây trồng do tính không chắc chắn lớn. Các mô hình và/hoặc chỉ số thực vật hiện tại không nắm bắt đầy đủ các yếu tố quyết định sản lượng cây trồng. CropWatch đã áp dụng các giá trị trung bình của nhiều mô hình năng suất để giảm tính không chắc chắn của dự đoán năng suất. Cảm biến mới cần được khảo sát tỉ mỉ.

Mặc dù hình ảnh vệ tinh rất đẹp và khách quan, nhưng việc sản xuất và phân tích chúng có ý nghĩa kinh tế và chính trị sâu sắc. Phân tích dựa trên tri thức về các số liệu thu được từ vệ tinh có thể không chắc chắn và dẫn đến những hậu quả không mong muốn. Một giải pháp là tránh xung đột lợi ích khi các tổ chức xuất bản thông tin cây trồng công khai.

Sự tham gia của người dùng trong toàn bộ quá trình giám sát cây trồng có thể cải thiện độ tin cậy của thông tin cây trồng. Việc khuyến khích người dùng lấy thông tin cây trồng từ nhiều nguồn cũng có thể ngăn chặn những thiên vị vô thức.

"Giải pháp tốt nhất là người dùng có hệ thống giám sát cây trồng của riêng họ, nhưng hầu hết người dùng khó đạt được điều này do chi phí phát triển và bảo trì cũng như hạn chế về công nghệ. Vì lý do này, tất cả các thành phần và chức năng của CropWatch đã được nâng cấp để cung cấp ứng dụng giao diện lập trình (API) trong CropWatch-Cloud, cho phép người dùng hoàn thành giám sát cây trồng một cách độc lập và tự động từ tải xuống dữ liệu đến phân tích tổng hợp cuối cùng mà không cần đầu tư thêm vào tài nguyên lưu trữ và tính toán. Ví dụ, Bộ Nông nghiệp và Phát triển Nông thôn Mozambique (MARD) đã áp dụng CropWatch để nâng cao khả năng và độ tin cậy của việc giám sát cây trồng cho Mozambique. Nỗ lực này đã được Quỹ Phát triển Nông nghiệp Quốc tế công nhận là một trong những giải pháp nông thôn tốt nhất năm 2020 và là một trong những thực tiễn tốt trong Hợp tác Nam-Nam và Tam giác vì sự Phát triển Bền vững”, giáo sư Wu nói.

Nghiên cứu được công bố trên tạp chí National Science Review.

Huỳnh Thị Đan Anh theo Phys.org