ਫਸਲਾਂ ਦੇ ਰੋਗਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ AI ਕਿਵੇਂ ਮਦਦ ਕਰਦਾ ਹੈ?

ਜੇਕਰ ਤੁਸੀਂ ਰੋਜ਼ੀ-ਰੋਟੀ ਲਈ ਕੁਝ ਵੀ ਉਗਾਉਂਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਜਦੋਂ ਬਰਸਾਤੀ ਹਫ਼ਤੇ ਤੋਂ ਬਾਅਦ ਪੱਤਿਆਂ ਦੇ ਅਜੀਬ ਧੱਬੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ ਤਾਂ ਪੇਟ ਡਿੱਗਣ ਦੀ ਭਾਵਨਾ ਹੁੰਦੀ ਹੈ। ਕੀ ਇਹ ਪੌਸ਼ਟਿਕ ਤਣਾਅ ਹੈ, ਵਾਇਰਸ ਹੈ, ਜਾਂ ਤੁਹਾਡੀਆਂ ਅੱਖਾਂ ਦੁਬਾਰਾ ਨਾਟਕੀ ਹੋ ਰਹੀਆਂ ਹਨ? AI ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਅਜੀਬ ਤੌਰ 'ਤੇ ਵਧੀਆ ਹੋ ਗਿਆ ਹੈ-ਤੇਜ਼ੀ ਨਾਲ। ਅਤੇ ਮੁੱਖ ਗੱਲ ਇਹ ਹੈ: ਬਿਹਤਰ, ਜਲਦੀ ਫਸਲ ਰੋਗ ਖੋਜ ਦਾ ਮਤਲਬ ਹੈ ਘੱਟ ਨੁਕਸਾਨ, ਸਮਾਰਟ ਸਪਰੇਅ, ਅਤੇ ਸ਼ਾਂਤ ਰਾਤਾਂ। ਸੰਪੂਰਨ ਨਹੀਂ, ਪਰ ਹੈਰਾਨੀਜਨਕ ਤੌਰ 'ਤੇ ਨੇੜੇ। 🌱✨

ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:

🔗 ਏਆਈ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ
ਮੁੱਖ AI ਸੰਕਲਪਾਂ, ਐਲਗੋਰਿਦਮ, ਅਤੇ ਵਿਹਾਰਕ ਉਪਯੋਗਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਸਮਝੋ।.

🔗 ਏਆਈ ਦਾ ਅਧਿਐਨ ਕਿਵੇਂ ਕਰੀਏ
ਏਆਈ ਨੂੰ ਕੁਸ਼ਲਤਾ ਅਤੇ ਨਿਰੰਤਰਤਾ ਨਾਲ ਸਿੱਖਣ ਲਈ ਵਿਹਾਰਕ ਰਣਨੀਤੀਆਂ ਅਤੇ ਸਰੋਤ।.

🔗 ਆਪਣੇ ਕਾਰੋਬਾਰ ਵਿੱਚ AI ਨੂੰ ਕਿਵੇਂ ਸ਼ਾਮਲ ਕਰਨਾ ਹੈ
ਕਾਰੋਬਾਰੀ ਕਾਰਜਾਂ ਵਿੱਚ AI ਟੂਲਸ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਕਦਮ-ਦਰ-ਕਦਮ ਮਾਰਗਦਰਸ਼ਨ।.

🔗 ਇੱਕ AI ਕੰਪਨੀ ਕਿਵੇਂ ਸ਼ੁਰੂ ਕਰੀਏ
ਇੱਕ AI ਸਟਾਰਟਅੱਪ ਨੂੰ ਲਾਂਚ ਕਰਨ, ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਅਤੇ ਸਕੇਲਿੰਗ ਕਰਨ ਲਈ ਬੁਨਿਆਦੀ ਕਦਮ।.

AI ਫਸਲ ਰੋਗ ਖੋਜ ✅

ਜਦੋਂ ਲੋਕ ਕਹਿੰਦੇ ਹਨ ਕਿ AI ਫਸਲਾਂ ਦੇ ਰੋਗਾਂ ਦੀ ਪਛਾਣ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਰਿਹਾ ਹੈ, ਤਾਂ ਉਪਯੋਗੀ ਸੰਸਕਰਣ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਇਹ ਸਮੱਗਰੀ ਹੁੰਦੀ ਹੈ:

• ਜਲਦੀ, ਸਿਰਫ਼ ਸਹੀ ਨਹੀਂ : ਮਨੁੱਖੀ ਅੱਖ ਜਾਂ ਮੁੱਢਲੇ ਸਕਾਊਟਿੰਗ ਦੁਆਰਾ ਨੋਟਿਸ ਕੀਤੇ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਬੇਹੋਸ਼ ਲੱਛਣਾਂ ਨੂੰ ਫੜਨਾ। ਮਲਟੀਸਪੈਕਟ੍ਰਲ/ਹਾਈਪਰਸਪੈਕਟ੍ਰਲ ਸਿਸਟਮ ਜਖਮਾਂ ਦੇ ਦਿਖਾਈ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਤਣਾਅ "ਫਿੰਗਰਪ੍ਰਿੰਟ" ਲੈ ਸਕਦੇ ਹਨ [3]।

• ਕਾਰਵਾਈਯੋਗ : ਇੱਕ ਸਪੱਸ਼ਟ ਅਗਲਾ ਕਦਮ, ਇੱਕ ਅਸਪਸ਼ਟ ਲੇਬਲ ਨਹੀਂ। ਸੋਚੋ: ਬਲਾਕ A ਨੂੰ ਸਕਾਊਟ ਕਰੋ, ਇੱਕ ਨਮੂਨਾ ਭੇਜੋ, ਪੁਸ਼ਟੀ ਹੋਣ ਤੱਕ ਛਿੜਕਾਅ ਰੋਕੋ।

• ਘੱਟ-ਰਗੜ : ਫ਼ੋਨ-ਜੇਬ ਵਿੱਚ ਸੌਖਾ ਜਾਂ ਡਰੋਨ-ਹਫ਼ਤੇ ਵਿੱਚ ਇੱਕ ਵਾਰ ਆਸਾਨ। ਬੈਟਰੀਆਂ, ਬੈਂਡਵਿਡਥ, ਅਤੇ ਬੂਟ-ਜ਼ਮੀਨ 'ਤੇ ਸਭ ਮਾਇਨੇ ਰੱਖਦੇ ਹਨ।

• ਕਾਫ਼ੀ ਸਮਝਾਉਣ ਯੋਗ : ਹੀਟਮੈਪ (ਜਿਵੇਂ ਕਿ, ਗ੍ਰੈੱਡ-ਸੀਏਐਮ) ਜਾਂ ਛੋਟੇ ਮਾਡਲ ਨੋਟਸ ਤਾਂ ਜੋ ਖੇਤੀ ਵਿਗਿਆਨੀ ਕਾਲ ਦੀ ਸਮਝਦਾਰੀ ਨਾਲ ਜਾਂਚ ਕਰ ਸਕਣ [2]।

• ਜੰਗਲੀ ਵਿੱਚ ਮਜ਼ਬੂਤ : ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ, ਰੋਸ਼ਨੀ, ਧੂੜ, ਕੋਣ, ਮਿਸ਼ਰਤ ਲਾਗ। ਅਸਲੀ ਖੇਤ ਗੜਬੜ ਵਾਲੇ ਹਨ।

• ਹਕੀਕਤ ਨਾਲ ਜੁੜਦਾ ਹੈ : ਡਕਟ ਟੇਪ ਤੋਂ ਬਿਨਾਂ ਤੁਹਾਡੀ ਸਕਾਊਟਿੰਗ ਐਪ, ਲੈਬ ਵਰਕਫਲੋ, ਜਾਂ ਐਗਰੋਨੋਮੀ ਨੋਟਬੁੱਕ ਵਿੱਚ ਪਲੱਗ ਇਨ ਕਰਦਾ ਹੈ।

ਇਹ ਮਿਸ਼ਰਣ AI ਨੂੰ ਇੱਕ ਲੈਬ ਟ੍ਰਿਕ ਵਾਂਗ ਘੱਟ ਅਤੇ ਇੱਕ ਭਰੋਸੇਮੰਦ ਫਾਰਮਹੈਂਡ ਵਾਂਗ ਵਧੇਰੇ ਮਹਿਸੂਸ ਕਰਵਾਉਂਦਾ ਹੈ। 🚜

ਛੋਟਾ ਜਵਾਬ: ਸਾਦੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, AI ਕਿਵੇਂ ਮਦਦ ਕਰਦਾ ਹੈ

AI ਤਸਵੀਰਾਂ, ਸਪੈਕਟਰਾ, ਅਤੇ ਕਈ ਵਾਰ ਅਣੂਆਂ ਨੂੰ ਤੇਜ਼, ਸੰਭਾਵੀ ਜਵਾਬਾਂ ਵਿੱਚ ਬਦਲ ਕੇ ਫਸਲਾਂ ਦੇ ਰੋਗਾਂ ਦੀ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਫ਼ੋਨ ਕੈਮਰੇ, ਡਰੋਨ, ਸੈਟੇਲਾਈਟ, ਅਤੇ ਫੀਲਡ ਕਿੱਟਾਂ ਉਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਫੀਡ ਕਰਦੀਆਂ ਹਨ ਜੋ ਵਿਗਾੜਾਂ ਜਾਂ ਖਾਸ ਰੋਗਾਣੂਆਂ ਨੂੰ ਫਲੈਗ ਕਰਦੇ ਹਨ। ਪਹਿਲਾਂ ਦੀਆਂ ਚੇਤਾਵਨੀਆਂ ਟਾਲਣਯੋਗ ਨੁਕਸਾਨਾਂ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ - ਪੌਦਿਆਂ ਦੀ ਸੁਰੱਖਿਆ ਅਤੇ ਭੋਜਨ ਸੁਰੱਖਿਆ ਪ੍ਰੋਗਰਾਮਾਂ ਵਿੱਚ ਇੱਕ ਸਦਾਬਹਾਰ ਤਰਜੀਹ [1]।.

ਪਰਤਾਂ: ਪੱਤੇ ਤੋਂ ਲੈ ਕੇ ਲੈਂਡਸਕੇਪ ਤੱਕ 🧅

ਪੱਤਿਆਂ ਦਾ ਪੱਧਰ

• ਇੱਕ ਫੋਟੋ ਲਓ, ਇੱਕ ਲੇਬਲ ਪ੍ਰਾਪਤ ਕਰੋ: ਝੁਲਸ ਬਨਾਮ ਜੰਗਾਲ ਬਨਾਮ ਮਾਈਟ ਨੁਕਸਾਨ। ਹਲਕੇ CNN ਅਤੇ ਵਿਜ਼ਨ ਟ੍ਰਾਂਸਫਾਰਮਰ ਹੁਣ ਡਿਵਾਈਸ 'ਤੇ ਚੱਲਦੇ ਹਨ, ਅਤੇ ਗ੍ਰੈਡ-CAM ਵਰਗੇ ਵਿਆਖਿਆਕਾਰ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਮਾਡਲ ਨੇ "ਕੀ ਦੇਖਿਆ", ਬਿਨਾਂ ਬਲੈਕ ਬਾਕਸ ਵਾਈਬ ਦੇ ਵਿਸ਼ਵਾਸ ਬਣਾਉਣਾ [2]।.

ਬਲਾਕ ਜਾਂ ਫੀਲਡ ਪੱਧਰ

• ਡਰੋਨ RGB ਜਾਂ ਮਲਟੀਸਪੈਕਟ੍ਰਲ ਕੈਮਰਿਆਂ ਨਾਲ ਕਤਾਰਾਂ ਸਾਫ਼ ਕਰਦੇ ਹਨ। ਮਾਡਲ ਤਣਾਅ ਦੇ ਪੈਟਰਨਾਂ ਦੀ ਭਾਲ ਕਰਦੇ ਹਨ ਜੋ ਤੁਸੀਂ ਕਦੇ ਵੀ ਜ਼ਮੀਨ ਤੋਂ ਨਹੀਂ ਦੇਖ ਸਕੋਗੇ। ਹਾਈਪਰਸਪੈਕਟ੍ਰਲ ਸੈਂਕੜੇ ਤੰਗ ਬੈਂਡ ਜੋੜਦਾ ਹੈ, ਤੋਂ ਪਹਿਲਾਂ - ਜਦੋਂ ਪਾਈਪਲਾਈਨਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਕੈਲੀਬਰੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ ਕਤਾਰ ਦੀਆਂ ਫਸਲਾਂ ਵਿੱਚ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ੀ ਤੌਰ 'ਤੇ [3]।

ਖੇਤ ਤੋਂ ਖੇਤਰ ਤੱਕ

• ਮੋਟੇ ਸੈਟੇਲਾਈਟ ਦ੍ਰਿਸ਼ ਅਤੇ ਸਲਾਹਕਾਰੀ ਨੈੱਟਵਰਕ ਸਕਾਊਟਸ ਅਤੇ ਸਮੇਂ ਦੇ ਦਖਲਅੰਦਾਜ਼ੀ ਨੂੰ ਰੂਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਇੱਥੇ ਉੱਤਰੀ ਤਾਰਾ ਉਹੀ ਹੈ: ਪਹਿਲਾਂ, ਇੱਕ ਪੌਦਾ-ਸਿਹਤ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਨਿਸ਼ਾਨਾਬੱਧ ਕਾਰਵਾਈ, ਨਾ ਕਿ ਕੰਬਲ ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ [1]।.

ਟੂਲਬਾਕਸ: ਭਾਰੀ ਭਾਰ ਚੁੱਕਣ ਵਾਲੀਆਂ ਮੁੱਖ AI ਤਕਨੀਕਾਂ 🧰

• ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟ ਅਤੇ ਵਿਜ਼ਨ ਟ੍ਰਾਂਸਫਾਰਮਰ ਜਖਮਾਂ ਦੀ ਸ਼ਕਲ/ਰੰਗ/ਬਣਤਰ ਨੂੰ ਪੜ੍ਹਦੇ ਹਨ; ਵਿਆਖਿਆਯੋਗਤਾ (ਜਿਵੇਂ ਕਿ, ਗ੍ਰੈਡ-ਸੀਏਐਮ) ਦੇ ਨਾਲ ਜੋੜਿਆ ਗਿਆ, ਉਹ ਖੇਤੀਬਾੜੀ ਵਿਗਿਆਨੀਆਂ ਲਈ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਆਡਿਟ ਕਰਨ ਯੋਗ ਬਣਾਉਂਦੇ ਹਨ [2]।

• ਅਨੌਮਲੀ ਡਿਟੈਕਸ਼ਨ "ਅਜੀਬ ਪੈਚ" ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ ਭਾਵੇਂ ਇੱਕ ਬਿਮਾਰੀ ਦਾ ਲੇਬਲ ਨਿਸ਼ਚਿਤ ਨਾ ਹੋਵੇ - ਸਕਾਊਟਿੰਗ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਲਈ ਵਧੀਆ।

• ਮਲਟੀਸਪੈਕਟ੍ਰਲ/ਹਾਈਪਰਸਪੈਕਟ੍ਰਲ ਡੇਟਾ 'ਤੇ ਸਪੈਕਟ੍ਰਲ ਲਰਨਿੰਗ

• ਅਣੂ AI ਪਾਈਪਲਾਈਨਿੰਗ LAMP ਜਾਂ CRISPR ਵਰਗੇ ਫੀਲਡ ਅਸੈਸ ਮਿੰਟਾਂ ਵਿੱਚ ਸਧਾਰਨ ਰੀਡਆਉਟ ਪੈਦਾ ਕਰਦੇ ਹਨ; ਇੱਕ ਐਪ ਅਗਲੇ ਕਦਮਾਂ ਦੀ ਅਗਵਾਈ ਕਰਦਾ ਹੈ, ਵੈੱਟ-ਲੈਬ ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਸਾਫਟਵੇਅਰ ਸਪੀਡ ਨਾਲ ਮਿਲਾਉਂਦਾ ਹੈ [4][5]।

ਹਕੀਕਤ ਜਾਂਚ: ਮਾਡਲ ਸ਼ਾਨਦਾਰ ਹਨ, ਪਰ ਜੇ ਤੁਸੀਂ ਕਿਸਮਾਂ, ਰੋਸ਼ਨੀ, ਜਾਂ ਸਟੇਜ ਬਦਲਦੇ ਹੋ ਤਾਂ ਉਹ ਭਰੋਸੇ ਨਾਲ ਗਲਤ ਹੋ ਸਕਦੇ ਹਨ। ਮੁੜ ਸਿਖਲਾਈ ਅਤੇ ਸਥਾਨਕ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਚੰਗੇ-ਲਈ-ਖਪਤ ਨਹੀਂ ਹਨ; ਉਹ ਆਕਸੀਜਨ ਹਨ [2][3]।.

ਤੁਲਨਾ ਸਾਰਣੀ: ਫਸਲਾਂ ਦੇ ਰੋਗਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਵਿਹਾਰਕ ਵਿਕਲਪ 📋

ਜਾਣਬੁੱਝ ਕੇ ਥੋੜ੍ਹਾ ਜਿਹਾ ਗੜਬੜ ਵਾਲਾ ਮੇਜ਼, ਕਿਉਂਕਿ ਅਸਲ ਖਰੀਦਦਾਰੀ ਵੀ ਗੜਬੜ ਵਾਲੀ ਹੁੰਦੀ ਹੈ।.

ਡੀਪ ਡਾਈਵ 1: ਜੇਬਾਂ ਵਿੱਚ ਫ਼ੋਨ, ਸਕਿੰਟਾਂ ਵਿੱਚ ਖੇਤੀ ਵਿਗਿਆਨ 📱

• ਇਹ ਕੀ ਕਰਦਾ ਹੈ : ਤੁਸੀਂ ਇੱਕ ਪੱਤਾ ਬਣਾਉਂਦੇ ਹੋ; ਮਾਡਲ ਸੰਭਾਵਿਤ ਬਿਮਾਰੀਆਂ ਅਤੇ ਅਗਲੇ ਕਦਮਾਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ। ਮਾਤਰਾਬੱਧ, ਹਲਕੇ ਮਾਡਲ ਹੁਣ ਪੇਂਡੂ ਖੇਤਰਾਂ ਵਿੱਚ ਸੱਚੀ ਔਫਲਾਈਨ ਵਰਤੋਂ ਨੂੰ ਸੰਭਵ ਬਣਾਉਂਦੇ ਹਨ [2]।

• ਤਾਕਤਾਂ : ਬਹੁਤ ਹੀ ਸੁਵਿਧਾਜਨਕ, ਕੋਈ ਵਾਧੂ ਹਾਰਡਵੇਅਰ ਨਹੀਂ, ਸਕਾਊਟਾਂ ਅਤੇ ਉਤਪਾਦਕਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਮਦਦਗਾਰ।

• ਗੌਚਾਸ : ਹਲਕੇ ਜਾਂ ਸ਼ੁਰੂਆਤੀ ਲੱਛਣਾਂ, ਅਸਾਧਾਰਨ ਕਿਸਮਾਂ, ਜਾਂ ਮਿਸ਼ਰਤ ਲਾਗਾਂ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਘੱਟ ਸਕਦਾ ਹੈ। ਇਸਨੂੰ ਟ੍ਰਾਈਏਜ ਵਜੋਂ ਮੰਨੋ, ਫੈਸਲੇ ਵਜੋਂ ਨਹੀਂ - ਇਸਨੂੰ ਸਕਾਊਟਿੰਗ ਅਤੇ ਸੈਂਪਲਿੰਗ ਨੂੰ ਨਿਰਦੇਸ਼ਤ ਕਰਨ ਲਈ ਵਰਤੋ [2]।

ਫੀਲਡ ਵਿਗਨੇਟ (ਉਦਾਹਰਣ): ਤੁਸੀਂ ਬਲਾਕ ਏ ਵਿੱਚ ਤਿੰਨ ਪੱਤੇ ਖਿੱਚਦੇ ਹੋ। ਐਪ "ਉੱਚ ਜੰਗਾਲ ਸੰਭਾਵਨਾ" ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ ਪਸਟੂਲ ਕਲੱਸਟਰਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਇੱਕ ਪਿੰਨ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰਦੇ ਹੋ, ਕਤਾਰ ਵਿੱਚ ਚੱਲਦੇ ਹੋ, ਅਤੇ ਸਪਰੇਅ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਅਣੂ ਟੈਸਟ ਕੱਢਣ ਦਾ ਫੈਸਲਾ ਕਰਦੇ ਹੋ। ਦਸ ਮਿੰਟ ਬਾਅਦ, ਤੁਹਾਡੇ ਕੋਲ ਹਾਂ/ਨਹੀਂ ਜਵਾਬ ਅਤੇ ਇੱਕ ਯੋਜਨਾ ਹੈ।

ਡੀਪ ਡਾਈਵ 2: ਡਰੋਨ ਅਤੇ ਹਾਈਪਰਸਪੈਕਟ੍ਰਲ ਜੋ ਤੁਹਾਡੇ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਦੇਖਦੇ ਹਨ 🛰️🛩️

• ਇਹ ਕੀ ਕਰਦਾ ਹੈ : ਹਫਤਾਵਾਰੀ ਜਾਂ ਮੰਗ 'ਤੇ ਉਡਾਣਾਂ ਬੈਂਡ-ਅਮੀਰ ਚਿੱਤਰਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦੀਆਂ ਹਨ। ਮਾਡਲ ਰੋਗਾਣੂ ਜਾਂ ਅਬਾਇਓਟਿਕ ਤਣਾਅ ਦੀ ਸ਼ੁਰੂਆਤ ਦੇ ਨਾਲ ਇਕਸਾਰ ਅਸਾਧਾਰਨ ਪ੍ਰਤੀਬਿੰਬ ਵਕਰਾਂ ਨੂੰ ਫਲੈਗ ਕਰਦੇ ਹਨ।

• ਤਾਕਤਾਂ : ਜਲਦੀ ਸੂਚਨਾ, ਵਿਆਪਕ ਕਵਰੇਜ, ਸਮੇਂ ਦੇ ਨਾਲ ਉਦੇਸ਼ਪੂਰਨ ਰੁਝਾਨ।

• ਗੌਟਚਾ : ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਪੈਨਲ, ਸੋਲਰ ਐਂਗਲ, ਫਾਈਲ ਸਾਈਜ਼, ਅਤੇ ਮਾਡਲ ਡ੍ਰਿਫਟ ਜਦੋਂ ਕਿਸਮ ਜਾਂ ਪ੍ਰਬੰਧਨ ਬਦਲਦਾ ਹੈ।

• ਸਬੂਤ : ਯੋਜਨਾਬੱਧ ਸਮੀਖਿਆਵਾਂ ਫਸਲਾਂ ਵਿੱਚ ਮਜ਼ਬੂਤ ​​ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਰਿਪੋਰਟ ਕਰਦੀਆਂ ਹਨ ਜਦੋਂ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ, ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਸਹੀ ਢੰਗ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ [3]।

ਡੀਪ ਡਾਈਵ 3: ਖੇਤਰ ਵਿੱਚ ਅਣੂ ਪੁਸ਼ਟੀ 🧪

ਕਈ ਵਾਰ ਤੁਸੀਂ ਕਿਸੇ ਖਾਸ ਰੋਗਾਣੂ ਲਈ ਹਾਂ/ਨਹੀਂ ਚਾਹੁੰਦੇ ਹੋ। ਇਹੀ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਅਣੂ ਕਿੱਟਾਂ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਸਹਾਇਤਾ ਲਈ AI ਐਪਸ ਨਾਲ ਜੋੜੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।.

• LAMP : ਕਲੋਰੀਮੈਟ੍ਰਿਕ/ਫਲੋਰੋਸੈਂਟ ਰੀਡਆਉਟਸ ਦੇ ਨਾਲ ਤੇਜ਼, ਆਈਸੋਥਰਮਲ ਐਂਪਲੀਫਿਕੇਸ਼ਨ; ਪੌਦਿਆਂ ਦੀ ਸਿਹਤ ਨਿਗਰਾਨੀ ਅਤੇ ਫਾਈਟੋਸੈਨੇਟਰੀ ਸੰਦਰਭਾਂ ਵਿੱਚ ਸਾਈਟ 'ਤੇ ਜਾਂਚਾਂ ਲਈ ਵਿਹਾਰਕ [4]।

• CRISPR ਡਾਇਗਨੌਸਟਿਕਸ : Cas ਐਨਜ਼ਾਈਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰੋਗਰਾਮੇਬਲ ਖੋਜ ਬਹੁਤ ਹੀ ਸੰਵੇਦਨਸ਼ੀਲ, ਖਾਸ ਟੈਸਟਾਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ ਜਿਸ ਵਿੱਚ ਸਧਾਰਨ ਲੇਟਰਲ-ਫਲੋ ਜਾਂ ਫਲੋਰੋਸੈਂਸ ਆਉਟਪੁੱਟ ਹੁੰਦੇ ਹਨ - ਜੋ ਖੇਤੀਬਾੜੀ ਵਿੱਚ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਤੋਂ ਫੀਲਡ ਕਿੱਟਾਂ ਵੱਲ ਸਥਿਰ ਰੂਪ ਵਿੱਚ ਵਧਦੇ ਹਨ [5]।

ਇਹਨਾਂ ਨੂੰ ਐਪ ਨਾਲ ਜੋੜਨ ਨਾਲ ਲੂਪ ਬੰਦ ਹੋ ਜਾਂਦਾ ਹੈ: ਸ਼ੱਕੀ ਨੂੰ ਤਸਵੀਰਾਂ ਦੁਆਰਾ ਫਲੈਗ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਤੇਜ਼ ਟੈਸਟ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਲੰਬੀ ਡਰਾਈਵ ਤੋਂ ਬਿਨਾਂ ਕਾਰਵਾਈ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।.

ਏਆਈ ਵਰਕਫਲੋ: ਪਿਕਸਲ ਤੋਂ ਪਲਾਨ ਤੱਕ

1. ਇਕੱਠਾ ਕਰੋ : ਪੱਤਿਆਂ ਦੀਆਂ ਫੋਟੋਆਂ, ਡਰੋਨ ਉਡਾਣਾਂ, ਸੈਟੇਲਾਈਟ ਪਾਸ।

2. ਪ੍ਰੀਪ੍ਰੋਸੈਸ : ਰੰਗ ਸੁਧਾਰ, ਜੀਓਰੈਫਰੈਂਸਿੰਗ, ਸਪੈਕਟ੍ਰਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ [3]।

3. ਅੰਦਾਜ਼ਾ : ਮਾਡਲ ਬਿਮਾਰੀ ਦੀ ਸੰਭਾਵਨਾ ਜਾਂ ਵਿਗਾੜ ਸਕੋਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ [2][3]।

4. ਸਮਝਾਓ : ਹੀਟਮੈਪ/ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਮਹੱਤਤਾ ਤਾਂ ਜੋ ਮਨੁੱਖ ਪੁਸ਼ਟੀ ਕਰ ਸਕਣ (ਜਿਵੇਂ ਕਿ, ਗ੍ਰੈਡ-ਸੀਏਐਮ) [2]।

5. ਫੈਸਲਾ ਕਰੋ : ਸਕਾਊਟਿੰਗ ਸ਼ੁਰੂ ਕਰੋ, ਇੱਕ LAMP/CRISPR ਟੈਸਟ ਚਲਾਓ, ਜਾਂ ਇੱਕ ਸਪਰੇਅ ਤਹਿ ਕਰੋ [4][5]।

6. ਲੂਪ ਬੰਦ ਕਰੋ : ਆਪਣੀਆਂ ਕਿਸਮਾਂ ਅਤੇ ਸੀਜ਼ਨਾਂ ਲਈ ਨਤੀਜਿਆਂ ਨੂੰ ਲੌਗ ਕਰੋ, ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦਿਓ, ਅਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਟਿਊਨ ਕਰੋ [2][3]।

ਇਮਾਨਦਾਰੀ ਨਾਲ, ਕਦਮ 6 ਉਹ ਹੈ ਜਿੱਥੇ ਮਿਸ਼ਰਿਤ ਲਾਭ ਰਹਿੰਦੇ ਹਨ। ਹਰੇਕ ਪ੍ਰਮਾਣਿਤ ਨਤੀਜਾ ਅਗਲੇ ਚੇਤਾਵਨੀ ਨੂੰ ਵਧੇਰੇ ਸਮਾਰਟ ਬਣਾਉਂਦਾ ਹੈ।.

ਇਹ ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ: ਉਪਜ, ਇਨਪੁਟ, ਅਤੇ ਜੋਖਮ 📈

ਪਹਿਲਾਂ, ਤਿੱਖੀ ਖੋਜ ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਪੌਦਿਆਂ ਦੇ ਉਤਪਾਦਨ ਅਤੇ ਸੁਰੱਖਿਆ ਯਤਨਾਂ ਲਈ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਮੁੱਖ ਟੀਚਿਆਂ ਨੂੰ ਘਟਾਉਂਦੇ ਹੋਏ ਉਪਜ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ [1]। ਨਿਸ਼ਾਨਾਬੱਧ, ਸੂਚਿਤ ਕਾਰਵਾਈ ਨਾਲ ਟਾਲਣਯੋਗ ਨੁਕਸਾਨ ਦੇ ਇੱਕ ਛੋਟੇ ਜਿਹੇ ਹਿੱਸੇ ਨੂੰ ਵੀ ਘਟਾਉਣਾ ਭੋਜਨ ਸੁਰੱਖਿਆ ਅਤੇ ਖੇਤੀ ਹਾਸ਼ੀਏ ਦੋਵਾਂ ਲਈ ਇੱਕ ਵੱਡਾ ਸੌਦਾ ਹੈ।.

ਆਮ ਅਸਫਲਤਾ ਮੋਡ, ਇਸ ਲਈ ਤੁਸੀਂ ਹੈਰਾਨ ਨਹੀਂ ਹੋਵੋਗੇ 🙃

• ਡੋਮੇਨ ਸ਼ਿਫਟ : ਨਵੀਂ ਕਿਸਮ, ਨਵਾਂ ਕੈਮਰਾ, ਜਾਂ ਵੱਖਰਾ ਵਿਕਾਸ ਪੜਾਅ; ਮਾਡਲ ਵਿਸ਼ਵਾਸ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦਾ ਹੈ [2]।

• ਦਿੱਖ ਵਰਗੇ : ਪੌਸ਼ਟਿਕ ਤੱਤਾਂ ਦੀ ਘਾਟ ਬਨਾਮ ਫੰਗਲ ਜਖਮ - ਆਪਣੀਆਂ ਅੱਖਾਂ ਨੂੰ ਜ਼ਿਆਦਾ ਫਿੱਟ ਹੋਣ ਤੋਂ ਬਚਾਉਣ ਲਈ ਵਿਆਖਿਆਯੋਗਤਾ + ਜ਼ਮੀਨੀ ਸੱਚਾਈ ਦੀ ਵਰਤੋਂ ਕਰੋ [2]।

• ਹਲਕੇ/ਮਿਸ਼ਰਿਤ ਲੱਛਣ : ਸੂਖਮ ਸ਼ੁਰੂਆਤੀ ਸੰਕੇਤ ਸ਼ੋਰ ਵਾਲੇ ਹੁੰਦੇ ਹਨ; ਚਿੱਤਰ ਮਾਡਲਾਂ ਨੂੰ ਅਸੰਗਤਤਾ ਖੋਜ ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਟੈਸਟਾਂ ਨਾਲ ਜੋੜੋ [2][4][5]।

• ਡੇਟਾ ਡ੍ਰਿਫਟ : ਸਪਰੇਅ ਜਾਂ ਹੀਟਵੇਵ ਤੋਂ ਬਾਅਦ, ਬਿਮਾਰੀ ਨਾਲ ਸੰਬੰਧਿਤ ਕਾਰਨਾਂ ਕਰਕੇ ਪ੍ਰਤੀਬਿੰਬ ਬਦਲਦਾ ਹੈ; ਘਬਰਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਰੀਕੈਲੀਬਰੇਟ ਕਰੋ [3]।

• ਪੁਸ਼ਟੀਕਰਨ ਪਾੜਾ : ਫੀਲਡ ਟੈਸਟ ਲਈ ਕੋਈ ਤੇਜ਼ ਰਸਤਾ ਫੈਸਲਿਆਂ ਨੂੰ ਰੋਕਦਾ ਨਹੀਂ ਹੈ - ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ LAMP/CRISPR ਸਲਾਟ [4][5] ਵਿੱਚ ਹੁੰਦਾ ਹੈ।

ਲਾਗੂਕਰਨ ਪਲੇਬੁੱਕ: ਮੁੱਲ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰਨਾ 🗺️

• ਸਧਾਰਨ ਸ਼ੁਰੂਆਤ ਕਰੋ : ਇੱਕ ਜਾਂ ਦੋ ਤਰਜੀਹੀ ਬਿਮਾਰੀਆਂ ਲਈ ਫ਼ੋਨ-ਅਧਾਰਤ ਸਕਾਊਟਿੰਗ; ਵਿਆਖਿਆਯੋਗਤਾ ਓਵਰਲੇਅ ਨੂੰ ਸਮਰੱਥ ਬਣਾਓ [2]।

• ਉਦੇਸ਼ਪੂਰਨ ਉਡਾਣ ਭਰੋ : ਉੱਚ-ਮੁੱਲ ਵਾਲੇ ਬਲਾਕਾਂ 'ਤੇ ਦੋ-ਹਫ਼ਤੇ ਚੱਲਣ ਵਾਲਾ ਡਰੋਨ ਕਦੇ-ਕਦਾਈਂ ਹੀਰੋ ਉਡਾਣਾਂ ਨੂੰ ਮਾਤ ਦਿੰਦਾ ਹੈ; ਆਪਣੀ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਰੁਟੀਨ ਨੂੰ ਸਖ਼ਤ ਰੱਖੋ [3]।

• ਪੁਸ਼ਟੀਕਰਨ ਟੈਸਟਿੰਗ ਸ਼ਾਮਲ ਕਰੋ : ਕੁਝ LAMP ਕਿੱਟਾਂ ਰੱਖੋ ਜਾਂ ਉੱਚ-ਦਾਅ ਵਾਲੀਆਂ ਕਾਲਾਂ ਲਈ CRISPR-ਅਧਾਰਿਤ ਅਸੈਸਾਂ ਤੱਕ ਤੇਜ਼ ਪਹੁੰਚ ਦਾ ਪ੍ਰਬੰਧ ਕਰੋ [4][5]।

• ਆਪਣੇ ਖੇਤੀ ਵਿਗਿਆਨ ਕੈਲੰਡਰ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਕਰੋ : ਬਿਮਾਰੀ ਦੇ ਜੋਖਮ ਦੀਆਂ ਵਿੰਡੋਜ਼, ਸਿੰਚਾਈ, ਅਤੇ ਸਪਰੇਅ ਦੀਆਂ ਪਾਬੰਦੀਆਂ।

• ਨਤੀਜਿਆਂ ਨੂੰ ਮਾਪੋ : ਘੱਟ ਕੰਬਲ ਸਪਰੇਅ, ਤੇਜ਼ ਦਖਲਅੰਦਾਜ਼ੀ, ਘੱਟ ਨੁਕਸਾਨ ਦਰ, ਖੁਸ਼ ਆਡੀਟਰ।

• ਮੁੜ ਸਿਖਲਾਈ ਦੀ ਯੋਜਨਾ : ਨਵਾਂ ਸੀਜ਼ਨ, ਮੁੜ ਸਿਖਲਾਈ। ਨਵੀਂ ਕਿਸਮ, ਮੁੜ ਸਿਖਲਾਈ। ਇਹ ਆਮ ਹੈ - ਅਤੇ ਇਹ ਭੁਗਤਾਨ ਕਰਦਾ ਹੈ [2][3]।

ਵਿਸ਼ਵਾਸ, ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਪਾਬੰਦੀਆਂ ਬਾਰੇ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਸ਼ਬਦ 🔍

• ਵਿਆਖਿਆਯੋਗਤਾ ਖੇਤੀ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨ ਜਾਂ ਚੁਣੌਤੀ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ, ਜੋ ਕਿ ਸਿਹਤਮੰਦ ਹੈ; ਆਧੁਨਿਕ ਮੁਲਾਂਕਣ ਸ਼ੁੱਧਤਾ ਤੋਂ ਪਰੇ ਦੇਖਦੇ ਹਨ ਕਿ ਮਾਡਲ ਕਿਹੜੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਸੀ [2]।

• ਪ੍ਰਬੰਧਕੀ : ਟੀਚਾ ਘੱਟ ਬੇਲੋੜੀਆਂ ਅਰਜ਼ੀਆਂ ਹਨ, ਜ਼ਿਆਦਾ ਨਹੀਂ।

• ਡੇਟਾ ਨੈਤਿਕਤਾ : ਫੀਲਡ ਚਿੱਤਰ ਅਤੇ ਉਪਜ ਨਕਸ਼ੇ ਕੀਮਤੀ ਹਨ। ਮਾਲਕੀ 'ਤੇ ਸਹਿਮਤ ਹੋਵੋ ਅਤੇ ਪਹਿਲਾਂ ਤੋਂ ਵਰਤੋਂ ਕਰੋ।

• ਠੰਢੀ ਹਕੀਕਤ : ਕਈ ਵਾਰ ਸਭ ਤੋਂ ਵਧੀਆ ਫੈਸਲਾ ਹੋਰ ਖੋਜ ਕਰਨਾ ਹੁੰਦਾ ਹੈ, ਹੋਰ ਸਪਰੇਅ ਨਹੀਂ ਕਰਨਾ।

ਅੰਤਿਮ ਟਿੱਪਣੀਆਂ: ਬਹੁਤ ਲੰਮਾ, ਮੈਂ ਇਸਨੂੰ ਨਹੀਂ ਪੜ੍ਹਿਆ ✂️

AI ਖੇਤੀ ਵਿਗਿਆਨ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈਂਦਾ। ਇਹ ਇਸਨੂੰ ਅੱਪਗ੍ਰੇਡ ਕਰਦਾ ਹੈ। ਫਸਲਾਂ ਦੀ ਬਿਮਾਰੀ ਦੀ ਪਛਾਣ ਲਈ, ਜਿੱਤਣ ਵਾਲਾ ਪੈਟਰਨ ਸਧਾਰਨ ਹੈ: ਤੇਜ਼ ਫ਼ੋਨ ਟ੍ਰਾਈਏਜ, ਸੰਵੇਦਨਸ਼ੀਲ ਬਲਾਕਾਂ 'ਤੇ ਸਮੇਂ-ਸਮੇਂ 'ਤੇ ਡਰੋਨ ਪਾਸ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਜਦੋਂ ਕਾਲ ਅਸਲ ਵਿੱਚ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ ਤਾਂ ਇੱਕ ਅਣੂ ਟੈਸਟ। ਇਸਨੂੰ ਆਪਣੇ ਖੇਤੀ ਵਿਗਿਆਨ ਕੈਲੰਡਰ ਨਾਲ ਜੋੜੋ, ਅਤੇ ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਪਤਲਾ, ਲਚਕੀਲਾ ਸਿਸਟਮ ਹੈ ਜੋ ਖਿੜਨ ਤੋਂ ਪਹਿਲਾਂ ਮੁਸ਼ਕਲ ਨੂੰ ਫੜ ਲੈਂਦਾ ਹੈ। ਤੁਸੀਂ ਅਜੇ ਵੀ ਦੋ ਵਾਰ ਜਾਂਚ ਕਰੋਗੇ, ਅਤੇ ਕਦੇ-ਕਦੇ ਪਿੱਛੇ ਹਟ ਜਾਓਗੇ, ਅਤੇ ਇਹ ਠੀਕ ਹੈ। ਪੌਦੇ ਜੀਵਤ ਚੀਜ਼ਾਂ ਹਨ। ਅਸੀਂ ਵੀ ਹਾਂ। 🌿🙂

ਹਵਾਲੇ

1. FAO - ਪੌਦਿਆਂ ਦਾ ਉਤਪਾਦਨ ਅਤੇ ਸੁਰੱਖਿਆ (ਪੌਦਿਆਂ ਦੀ ਸਿਹਤ ਦੀਆਂ ਤਰਜੀਹਾਂ ਅਤੇ ਪ੍ਰੋਗਰਾਮਾਂ ਦਾ ਸੰਖੇਪ)। ਲਿੰਕ

2. ਕੋਂਡਾਵੇਟੀ, ਐਚ.ਕੇ., ਆਦਿ। "ਸਮਝਾਉਣਯੋਗ ਏ.ਆਈ. ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਡੂੰਘੀ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ..." ਵਿਗਿਆਨਕ ਰਿਪੋਰਟਾਂ (ਕੁਦਰਤ), 2025। ਲਿੰਕ

3. ਰਾਮ, ਬੀਜੀ, ਆਦਿ। "ਪ੍ਰੀਸੀਜ਼ਨ ਐਗਰੀਕਲਚਰ ਵਿੱਚ ਹਾਈਪਰਸਪੈਕਟ੍ਰਲ ਇਮੇਜਿੰਗ ਦੀ ਇੱਕ ਯੋਜਨਾਬੱਧ ਸਮੀਖਿਆ।" ਖੇਤੀਬਾੜੀ ਵਿੱਚ ਕੰਪਿਊਟਰ ਅਤੇ ਇਲੈਕਟ੍ਰਾਨਿਕਸ , 2024। ਲਿੰਕ

4. ਐਗਲੀਏਟੀ, ਸੀ., ਆਦਿ। "ਪੌਦਿਆਂ ਦੀ ਬਿਮਾਰੀ ਨਿਗਰਾਨੀ ਵਿੱਚ LAMP ਪ੍ਰਤੀਕਿਰਿਆ।" ਲਾਈਫ (MDPI), 2024। ਲਿੰਕ

5. ਟੈਨੀ, ਟੀ., ਆਦਿ। "ਖੇਤੀਬਾੜੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ CRISPR/Cas-ਅਧਾਰਤ ਡਾਇਗਨੌਸਟਿਕਸ।" ਜਰਨਲ ਆਫ਼ ਐਗਰੀਕਲਚਰਲ ਐਂਡ ਫੂਡ ਕੈਮਿਸਟਰੀ (ACS), 2023। ਲਿੰਕ