บทบาทของปัญญาประดิษฐ์ต่อการสนับสนุนเกษตรอัจฉริยะสำหรับประเทศไทยในยุค 5.0
Main Article Content
บทคัดย่อ
บทความนี้นำเสนอบทบาทของปัญญาประดิษฐ์ต่อการเกษตรอัจฉริยะในประเทศไทยในยุค 5.0 โดยมุ่งเน้นการอธิบายความหมาย ขอบเขต และการประยุกต์ใช้ปัญญาประดิษฐ์ในภาคการเกษตร รวมถึงโอกาส ความท้าทาย และกรณีศึกษาที่เกิดขึ้น ปัญญาประดิษฐ์ถือเป็นเทคโนโลยีที่มีศักยภาพสูงในการแก้ปัญหาที่ซับซ้อนในระบบการเกษตร ไม่ว่าจะเป็นการจัดการทรัพยากรดิน น้ำ และสิ่งแวดล้อม การตรวจจับโรคพืชและศัตรูพืชด้วยภาพถ่ายและโดรน การพยากรณ์ผลผลิตและสภาพภูมิอากาศ ตลอดจนการบริหารจัดการห่วงโซ่อุปทานและตลาด ทั้งนี้การบูรณาการ ปัญญาประดิษฐ์เข้ากับภาคเกษตรสอดคล้องกับแนวคิด “ประเทศไทย 5.0” ที่เน้นการพัฒนาบนฐานวิทยาศาสตร์ เทคโนโลยี และนวัตกรรม โดยมีเป้าหมายในการสร้างสมดุลระหว่างเศรษฐกิจ สังคม และสิ่งแวดล้อม ผลการศึกษาแสดงให้เห็นว่า ปัญญาประดิษฐ์ช่วยเพิ่มผลผลิต ลดต้นทุน และสนับสนุนการทำเกษตรอย่างยั่งยืน อย่างไรก็ตาม ยังมีความท้าทายหลายประการ เช่น ข้อจำกัดด้านทุนของเกษตรกรรายย่อย การขาดบุคลากรที่มีทักษะด้านดิจิทัล และโครงสร้างพื้นฐานทางข้อมูลและอินเทอร์เน็ตที่ยังไม่ทั่วถึง กรณีศึกษาจากโครงการวิจัย ฟาร์มอัจฉริยะ และสตาร์ทอัพไทยสะท้อนให้เห็นถึงศักยภาพของปัญญาประดิษฐ์ในการพัฒนาเกษตรกรรมจริง ข้อเสนอแนะเชิงนโยบายจึงควรมุ่งเน้นการพัฒนานวัตกรรมปัญญาประดิษฐ์ที่เหมาะสมกับบริบทไทย การสนับสนุนงบประมาณและสิทธิประโยชน์ การอบรมเกษตรกรให้มีทักษะดิจิทัล และการสร้างความร่วมมือระหว่างภาครัฐ เอกชน และสถาบันการศึกษา เพื่อสร้างระบบนิเวศนวัตกรรมที่เกื้อหนุนการขับเคลื่อนเกษตรอัจฉริยะของไทยในอนาคตอย่างยั่งยืน
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารเกษตรพระจอมเกล้า
เอกสารอ้างอิง
Ahmed, A. A. M., Deo, R. C., Feng, Q., Ghahramani, A., Raj, N., Yin, Z., & Yang, L. (2021). Deep learning hybrid model with Boruta-Random Forest optimizer algorithm for streamflow forecasting with climate mode indices, rainfall, and periodicity. Journal of Hydrology, 599(1), 126350. https://doi.org/10.1016/j.jhydrol.2021.126350.
Bacco, M., Barsocchi, P., Ferro, E., Gotta, A., & Ruggeri, M. (2019). The digitisation of agriculture: A survey of research activities on smart farming. Array, 3-4(1), 100009. https://doi.org/10.1016/j.array.2019.100009.
Barbedo, J. G. A. (2019). Plant disease identification from individual lesions and spots using deep learning. Biosystems Engineering, 180(1), 96-107. https://doi.org/10.1016/j.biosystemseng.2019.02.002.
Barragán-Montero, A., Javaid, U., Valdés, G., Nguyen, D., Desbordes, P., Macq, B., Willems, S., Vandewinckele, L., Holmström, M., Löfman, F., Michiels, S., Souris, K., Sterpin, E., & Lee, J. A. (2021). Artificial intelligence and machine learning for medical imaging: A technology review. Physica Medica, 83(1), 242–256. https://doi.org/10.1016/j.ejmp.2021.04.016.
Chlingaryan, A., Sukkarieh, S., & Whelan, B. (2018). Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review. Computers and Electronics in Agriculture, 151(1), 61–69. https://doi.org/10.1016/j.compag.2018.05.012.
Deguchi, A., Hirai, C., Matsuoka, H., Nakano, T., Oshima, K., Tai, M., & Tani, S. (2020). What is Society 5.0? In Society 5.0: A People-centric Super-smart Society, pp. 1–23. Springer. https://doi.org/10.1007/978-981-15-2989-4_9.
Eastwood, C., Klerkx, L., Ayre, M., & Dela Rue, B. (2019). Managing socio-ethical challenges in the development of smart farming: From a fragmented to a comprehensive approach for responsible research and innovation. Journal of Agricultural and Environmental Ethics, 32(5), 741–768. https://doi.org/10.1007/s10806-017-9704-5.
Geo-Informatics and Space Technology Development Agency [GISTDA]. (2023). Aqua Intelligence Project: Application of space Technology for Aquaculture. GISTDA. (in Thai).
Goap, A., Sharma, D., Shukla, A. K., & Krishna, C. R. (2018). An IoT based smart irrigation management system using machine learning and open-source technologies. Computers and Electronics in Agriculture, 155(1), 41–49. https://doi.org/10.1016/j.compag.2018.09.040.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Retrieved from: https://mitpress.ublish.com/ebook/deep-learning-preview/107/viii.
Intergovernmental Panel on Climate Change [IPCC]. (2022). Climate Change 2022: Impacts, Adaptation and Vulnerability. Retrieved from: https://www.ipcc.ch/report/ar6/wg2/.
Jaiganesh, S., Gunaseelan, K., & Ellappan, V. (2017). IOT agriculture to improve food and farming technology. In 2017 Conference on Emerging Devices and Smart Systems, pp. 260–266. Institute of Electrical and Electronics Engineers (IEEE).
Jha, K., Doshi, A., Patel, P., & Shah, M. (2019). A comprehensive review on automation in agriculture using artificial intelligence. Artificial Intelligence in Agriculture, 2, 1–12. https://doi.org/10.1016/j.aiia.2019.05.004.
Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147(1), 70–90. https://doi.org/10.1016/j.compag.2018.02.016.
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 62(1), 15–25. https://doi.org/10.1016/j.bushor.2018.08.004.
Ken Research. (2024). Thailand Artificial Intelligence Ai Data Center Market. Retrieved from: https://www.kenresearch.com/thailand-artificial-intelligence-ai-data-center-market.
Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), 2674. https://doi.org/10.3390/s18082674.
ListenField. (2022). AI-Powered Precision Agriculture Platform. Retrieved from: https://www.listenfield.com/technologies
Ministry of Agriculture and Cooperatives. (2023). Agricultural and Cooperative Development Plan B.E. 2566–2570 (2023–2027). Ministry of Agriculture and Cooperatives. (in Thai).
National Economic and Social Development Council. (2021). Guidelines for Driving the BCG Economy of Thailand. National Economic and Social Development Council. (in Thai).
National Economic and Social Development Council. (2022). The 13th National Economic and Social Development Plan, B.E. 2566–2570 (2023–2027). Office of the Prime Minister. (in Thai).
National Science and Technology Development Agency [NSTDA]. (2023). Smart Agriculture System Using IoT and AI. National Electronics and Computer Technology Center (NECTEC). (in Thai).
National Statistical Office. (2022a). Household Socio-Economic Survey B.E. 2565 (2022). National Statistical Office. (in Thai).
National Statistical Office. (2022b). Labor Force Survey, Quarter 4, B.E. 2565 (2022). Ministry of Digital Economy and Society. (in Thai).
Nimpanich, N., Mansamut, C., Khongpeim, P., & Prangkratok, T. (2025). The use of 5G technology to support sustainable agriculture in Thailand. Journal of Science and Technology Dhonburi Rajabhat University, 3(1), B1–B11. https://li04.tci-thaijo.org/index.php/scidru/article/view/4725. (in Thai).
Office of Agricultural Economics. (2023). Situation of Agricultural Products and Trade of Thailand, B.E. 2566 (2023). Ministry of Agriculture and Cooperatives. (in Thai).
Patrício, D. I., & Rieder, R. (2018). Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review. Computers and Electronics in Agriculture, 153(1), 69–81. https://doi.org/10.1016/j.compag.2018.08.001.
Pattanayak, S. K., Loganathan, R., & Nath, S. K. (2017). Smart agriculture using IoT. In 2017 8th IEEE Annual Information Technology, Electronics and Mobile Communication Conference, pp. 278–280. Institute of Electrical and Electronics Engineers (IEEE).
Poapongsakorn, N., & Meethom, P. (2020). The Impact of COVID-19 on Thailand’s Agriculture in COVID-19 and Food Systems in Asia (PRCI Research Paper No. 4). ADB Institute. Retrieved from: https://www.canr.msu.edu/prci/PRCI-Research-Paper-4-Thailand_updated.pdf.
Prangkratok, T., & Khongpeim, P. (2025). Situation and trends in the application of Internet of Things (IoT) integration for smart plant farms in Thailand. Journal of Industrial Education, 24(1), C1–C10. https://doi.org/10.55003/JIE.24103. (in Thai).
Rigg, J., Phongsiri, M., Promphakping, B., Salamanca, A., & Sripun, M. (2019). Who will tend the farm? Interrogating the ageing Asian farmer. The Journal of Peasant Studies, 47(2), 306–325. https://doi.org/10.1080/03066150.2019.1572605.
Rotz, S., Gravely, E., Mosby, I., Duncan, E., Finnis, E., Horgan, M., & Fraser, E. (2019). Automated pastures and the digital divide: How agricultural technologies are shaping labour and rural communities. Journal of Rural Studies, 68(1), 112–122. https://doi.org/10.1016/j.jrurstud.2019.01.023.
Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson Education Limited.
Sharma, R., Kamble, S. S., Gunasekaran, A., Kumar, V., & Kumar, A. (2022). Machine learning for sustainable agriculture supply chain. Computers & Operations Research, 119(1), 104926. https://doi.org/10.1016/j.cor.2020.104926.
Tan, C. (2021). Thailand start-up Ricult has Mobile App Aesigned to Boost Crop Yields. Retrieved from: https://www.cnbc.com/2021/11/29/thailand-start-up-ricult-has-mobile-app-designed-to-boost-crop-yields.html.
Thailand Institute of Scientific and Technological Research [TISTR]. (2022). Project Performance Report: Smart Cassava. TISTR. (in Thai).
Trendov, N. M., Varas, S., & Zeng, M. (2019). Digital Technologies in Agriculture and Rural Areas. Food and Agriculture Organization (FAO). Retrieved from: https://openknowledge.fao.org/bitstreams/885161de-dccf-4589-8376-07fe37b68799/download
van Klompenburg, T., Kassahun, A., & Catal, C. (2020). Crop yield prediction using machine learning: A systematic review. Computers and Electronics in Agriculture, 177(1), 105709. https://doi.org/10.1016/j.compag.2020.105709.
Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M. J. (2017). Big data in smart farming: A review. Agricultural Systems, 153(1), 69–80. https://doi.org/10.1016/j.agsy.2017.01.023.
Zhai, Z., Martínez, J. F., Beltran, V., & Martínez, N. L. (2020). Decision support systems for agriculture 4.0. Computers and Electronics in Agriculture, 170(1), 105256. https://doi.org/10.1016/j.compag.2020.105256.
Zhang, Y., Wang, L., & Sun, W. (2020). AI in agricultural supply chain management. In Proceedings of International Conference on Big Data and Artificial Intelligence 2020, pp. 145–150. Institute of Electrical and Electronics Engineers (IEEE).
