بسیاری از پروژههای کشاورزی هوشمند با نصب حسگر آغاز میشوند و در همانجا متوقف میشوند. حسگر رطوبت خاک، ایستگاه هواشناسی و دوربین، هر یک دادهٔ خود را به اپلیکیشن سازندهٔ خود میفرستند و کشاورز با چند نمودار جداگانه روبهرو میشود که هیچکدام به او نمیگوید امروز چه کند. تصمیم آبیاری همچنان بر تجربه و حدس متکی است، فقط این بار با نمودار. دادهٔ جمعآوریشده بدون یکپارچگی، پردازش و مدل، صرفاً هزینهٔ ذخیرهسازی است.
اهمیت این موضوع در فشار همزمان بر آب، انرژی و نیروی کار است. در بسیاری از مناطق، آب محدودترین منبع است و هر مترمکعبی که بدون نیاز مصرف شود، مستقیماً از برداشت سال بعد کم میکند. از سوی دیگر، مقیاس بهرهبرداریها بزرگتر و نیروی متخصص کمیابتر میشود؛ یک کارشناس باید دهها هکتار را مدیریت کند. کشاورزی دادهمحور پاسخی به این فشار است: تصمیمهای تکرارشونده را با داده و مدل پشتیبانی میکند تا تخصص انسانی برای موارد استثنایی آزاد شود.
معماری کشاورزی دادهمحور را میتوان بهصورت یک زنجیره دید: حسگرها و کنترلکنندهها در مزرعه، یک دروازهٔ محلی که داده را جمع میکند و در نبود اینترنت ذخیره میکند، یک پلتفرم رویداد که خوانشها و هشدارها را بهصورت جریان منتقل میکند، یک دریاچهٔ داده که تاریخچه را با دادهٔ هواشناسی، تصاویر ماهوارهای و سوابق زراعی ترکیب میکند، و یک لایهٔ مدل که از این ترکیب توصیه میسازد. در انتها، توصیه یا به کشاورز نمایش داده میشود یا در حالت خودکار به کنترلکنندهٔ آبیاری فرمان میدهد. هر حلقه باید مستقل قابل جایگزینی باشد.
نخستین ملاحظهٔ عملی، کیفیت داده در محیط خشن است. حسگر خاک با گذر زمان کالیبراسیون خود را از دست میدهد، باتری ضعیف خوانش نادرست تولید میکند و یک حیوان ممکن است دستگاه را جابهجا کند. پلتفرم باید این ناهنجاریها را تشخیص دهد، خوانش مشکوک را علامتگذاری کند و پیش از تصمیم، آن را با حسگرهای مجاور و دادههای هواشناسی مقایسه کند. برای مثال، اگر یک حسگر افت ناگهانی رطوبت را گزارش کند در حالی که حسگرهای همسایه تغییری ندیدهاند، احتمال خرابی حسگر بیش از احتمال خشکی ناگهانی است.
دومین ملاحظه، اعتماد کشاورز است. یک توصیهٔ آبیاری که دلیل خود را توضیح ندهد، پذیرفته نمیشود، هرچقدر هم دقیق باشد. توصیه باید بگوید بر اساس کدام خوانشها، کدام پیشبینی هوا و کدام مرحلهٔ رشد گیاه به این نتیجه رسیده است، و باید امکان رد یا اصلاح آن وجود داشته باشد. هر تصمیم انسانی که مدل را رد میکند، دادهٔ ارزشمندی برای بهبود مدل است. مسیر عملی معمولاً از حالت توصیهای شروع میشود و تنها پس از یک یا دو فصل تأیید، به حالت خودکار میرود.
دامهای رایج آشنا هستند. نخست، اتکا به اتصال دائمی اینترنت در جایی که پوشش شبکه ناپایدار است؛ دروازهٔ محلی باید بتواند روزها بهصورت مستقل کار کند. دوم، قفل شدن به سختافزار یک سازنده که تعویض حسگر را به بازنویسی نرمافزار تبدیل میکند. سوم، ساختن مدل عمومی برای همهٔ محصولات و مناطق، در حالی که رفتار خاک و گیاه بهشدت محلی است. و چهارم، فراموش کردن اینکه خروجی نهایی یک فرمان فیزیکی است؛ یک خطای نرمافزاری در حالت خودکار میتواند یک مزرعه را غرق یا خشک کند و به سازوکار ایمنی مستقل نیاز دارد.
در نیاداد، پلتفرم «جریان» لایهٔ رویداد را در این زنجیره فراهم میکند: دریافت خوانشها و هشدارها از دروازههای محلی، انتقال جریانی و نگهداری تاریخچه. «دریا» دریاچهٔ داده است که این جریان را با دادهٔ هواشناسی، تصاویر و سوابق زراعی ترکیب میکند و بستر مدلسازی را میسازد. این دو در پروژهٔ کشاورزی هوشمند نیاداد با بردهای اختصاصی و کنترلکنندههای مزرعه یکپارچه شدهاند تا زنجیرهٔ حسگر تا تصمیم بهصورت یکپارچه کار کند.
کشاورزی دادهمحور نه دربارهٔ حسگر است و نه دربارهٔ الگوریتم؛ دربارهٔ زنجیرهای است که خوانش را به تصمیم قابل اعتماد تبدیل میکند. سازمانی که این زنجیره را با انضباط مهندسی بسازد، در هر فصل کمی بهتر میشود؛ و در کشاورزی، تفاوت میان فصلها همان چیزی است که باقی میماند. شروع کوچک، با یک مزرعه، یک محصول و یک تصمیم، و گسترش تنها پس از آنکه زنجیره خود را ثابت کرده باشد، مسیری است که بیشترین احتمال ماندگاری را دارد.