بطور کلی آبیاری در بخش کشاورزی به دو عنصر اساسی یعنی آب و انرژی وابسته است. در اکثر نقاط جهان از جمله ایران مشکلات تنش آبی و بحران انرژی وجود دارد. در این شرایط، بهینه‌سازی در حوزه آبیاری محصولات کشاورزی می‌تواند بسیاری از مشکلات این بخش را حل کرده و به سمت بهره‌وری، صرفه‌جویی اقتصادی و حفظ محیط‌زیست سوق دهد. آشنایی با زمان و مقدار آب مورد نیاز برای آبیاری، ابهامات تصمیم‌گیری را کاهش داده و هزینه‌های انرژی و مصرف آب را بهینه می‌کند. در سال‌های اخیر پیشرفت‌های حوزه هوش مصنوعی و علوم داده این فرصت را فراهم کرده است.
محققان دانشگاه کوردوبا [۱] اسپانیا در سال ۲۰۲۴ در بخشی از پروژه بزرگ HOPE که بر روی توسعه یک مدل کل‌نگر آبیاری دقیق و بهره‌گیری از هوش مصنوعی در تصمیم‌گیری متمرکز است از ظرفیت‌های هوش مصنوعی در شبکه آبیاری تحت فشار و کشاورزی دقیق استفاده کردند. این پروژه با همکاری و حمایت وزارت علوم و نوآوری اسپانیا، حکومت خودمختار آندلس [۲] و آژانس تحقیقات دولتی اسپانیا انجام شده است. در چارچوب این مطالعه، مدل‌هایی توسعه داده شد که برآورد دقیقی از میزان آب مورد نیاز برای تولید محصولات کشاورزی به کشاورزان ارائه می‌کند. این مدل‌ها قادر هستند نیاز آبی گیاهان را در افق یک هفته با خطای استاندارد و بسیار مناسب ۲% به کاربر اطلاع بدهند.
در این تحقیق از یادگیری عمیق با ظرفیت یادگیری از داده‌های واقعی بدون وابستگی به مکان استفاده شده است. نقطه عطف این مدل نسبت به سایر مدل‌های توسعه داده شده عدم محوریت و وابستگی به کاربر عنوان شده است. در این پروژه از نسخه اصلاح‌شده شبکه‌های عصبی تبدیل‌کننده (TNN[۳])، منطق فازی و الگوریتم‌های ژنتیک به صورت ترکیبی استفاده شده و مدلی برای پیش‌بینی نیاز آب آبیاری در مقیاس محدوده‌های شبکه آبیاری تحت فشار با وضوح زمانی میان‌مدت [۴] (یک هفته) توسعه داده است.
کارشناسان بر این باورند که به‌کارگیری یادگیری عمیق مبدل [۵] نقطه عطفی در حوزه هوش مصنوعی است که ChatGPT یک نمونه موفق از آن بوده است. معماری تبدیل‌کننده به دلیل توانایی خود در ایجاد روابط بلندمدت در داده‌های متوالی از طریق مکانیسم‌های توجه [۶] متمایز شده است. در حوزه آبیاری، این معماری داده اجازه می‌دهد تا اطلاعات زیادی به طور هم‌زمان پردازش شوند و انتخاب و استخراج اطلاعات لازم برای پیش‌بینی بهینه را به شبکه عصبی مصنوعی آن محول می‌کند.
در این پروژه، داده‌های آبیاری روزانه یک شبکه آبیاری تحت فشار از سال ۲۰۱۵ تا ۲۰۲۲ برای اعتبارسنجی نتایج این مدل استفاده شد. در مجموع، بیش از ۱۸۰۰ داده مصرف آب برای آموزش مدل مورد استفاده قرار گرفت و با داده‌هایی نظیر دما، بارش، تابش خورشید، تبخیر و تعرق، سرعت باد، رطوبت، نوع محصولات ترکیب گردید. نتایج و جزئیات بیشتر در مقاله‌ای که در سال ۲۰۲۴ با عنوان “توجه تمام نیاز آبی است: پیش‌بینی چند مرحله‌ای تقاضای آب آبیاری در سری‌های زمانی در مناطق تحت آبیاری [۷]” در مجله “کامپیوتر و الکترونیک در کشاورزی [۸]” به چاپ رسیده و قابل مشاهده است.