Τεχνητή νοημοσύνη (ΤΝ) στη γεωργία

Τι είναι η τεχνητή νοημοσύνη;

Τεχνητή νοημοσύνη (ΤΝ) είναι η ικανότητα μιας μηχανής να επιδεικνύει ανθρώπινες ικανότητες, όπως η λογική, η μάθηση, ο προγραμματισμός και η δημιουργικότητα (ορισμός της Ευρωπαϊκής Επιτροπής, 2018). Η τεχνητή νοημοσύνη είναι τόσο επιστήμη όσο και μηχανική. Είναι επιστήμη επειδή μελετά θεωρητικά πώς θα μπορούσε να λειτουργήσει η "τεχνητή λογική". Είναι μηχανική επειδή κατασκευάζει μηχανές ή προγράμματα που πραγματικά υλοποιούν αυτές τις ικανότητες.
Ο κύριος στόχος της τεχνητής νοημοσύνης είναι η ανάπτυξη αλγορίθμων, μοντέλων και συστημάτων που επιτρέπουν στις μηχανές να μαθαίνουν από δεδομένα, να εξάγουν συμπεράσματα, να λαμβάνουν αποφάσεις και να επιλύουν προβλήματα αυτόνομα, σαν να ήταν άνθρωπος. Ένα σύστημα τεχνητής νοημοσύνης λειτουργεί όταν η απόδοσή του είναι μετρήσιμη και επαληθεύσιμη. Για παράδειγμα, αν η μηχανή λύνει ένα πρόβλημα, εκτελεί μια εργασία ή λαμβάνει αποφάσεις με επιτυχία σύμφωνα με προκαθορισμένα κριτήρια.

Σχήμα 1: Τεχνητή νοημοσύνη: επιστήμη και μηχανική.

Μηχανική μάθηση και βαθιά μάθηση

Η μηχανική μάθηση και η βαθιά μάθηση είναι δύο τεχνολογίες τεχνητής νοημοσύνης που εισέρχονται όλο και περισσότερο στην καθημερινή εργασία των αγροτών και των τεχνικών πεδίου ως πρακτικά εργαλεία για τη λήψη καλύτερων αποφάσεων.
Μηχανική μάθηση μπορεί να περιγραφεί ως η ικανότητα ενός συστήματος να "μαθαίνει από την εμπειρία". Στην πράξη, πολλά ιστορικά δεδομένα παρέχονται στο μοντέλο: μετεωρολογικά δεδομένα, δεδομένα παραγωγής, αναλύσεις εδάφους, εικόνες καλλιέργειας, γεωπονικές παρεμβάσεις και τα αποτελέσματά τους. Αναλύοντας αυτά τα δεδομένα, ο αλγόριθμος εντοπίζει αυτόματα επαναλαμβανόμενες σχέσεις, που ονομάζονται πρότυπα, και τις χρησιμοποιεί για να κάνει προβλέψεις ή να προτείνει ενέργειες. Στη γεωργία, αυτό σημαίνει, για παράδειγμα, την εκτίμηση των αναμενόμενων αποδόσεων, την πρόβλεψη του κινδύνου υδατικής καταπόνησης ή τον εντοπισμό συνθηκών που ευνοούν την ανάπτυξη μιας ασθένειας με βάση πραγματικά περιβαλλοντικά και αγρονομικά δεδομένα.
Βαθιά μάθηση είναι ένα υποσύνολο της μηχανικής μάθησης που είναι ιδιαίτερα ισχυρό όταν εργάζεται με πολύπλοκα δεδομένα, όπως εικόνες, σήματα ή πολύ λεπτομερείς χρονοσειρές. Το δυνατό της σημείο είναι η χρήση "βαθιών" νευρωνικών δικτύων, εμπνευσμένων από τη λειτουργία του ανθρώπινου εγκεφάλου, τα οποία είναι σε θέση να εξάγουν αυτόματα τις πιο σημαντικές πληροφορίες από τα ακατέργαστα δεδομένα. Στο γεωργικό πλαίσιο, η βαθιά μάθηση είναι αυτή που καθιστά δυνατή, για παράδειγμα, την αναγνώριση μιας ασθένειας των φύλλων από μια φωτογραφία που τραβήχτηκε στο χωράφι, τη διάκριση των παρασίτων από την καλλιέργεια, την ανάλυση της δομής ενός φυτικού θόλου ή την αξιολόγηση της κατάστασης της ζωτικότητας από δορυφορικές εικόνες ή εικόνες από μη επανδρωμένα αεροσκάφη.

Σχήμα 2: Μηχανική μάθηση και βαθιά μάθηση.

Η πρακτική διαφορά μεταξύ των δύο προσεγγίσεων είναι ότι η μηχανική μάθηση λειτουργεί πολύ καλά όταν οι βασικές μεταβλητές είναι ήδη γνωστές και μετρήσιμες, όπως τα φαινολογικά δεδομένα, η απόδοση, οι καιρικές συνθήκες. Αντίθετα, η βαθιά μάθηση καθίσταται απαραίτητη όταν οι πληροφορίες δεν είναι άμεσα αριθμητικές αλλά πρέπει να ερμηνευθούν, όπως στην περίπτωση των αεροφωτογραφιών. Συχνά, σε πιο προηγμένες γεωργικές εφαρμογές, οι δύο τεχνολογίες συνδυάζονται: η βαθιά μάθηση εξάγει πληροφορίες από εικόνες ή αισθητήρες και η μηχανική μάθηση τις ενσωματώνει με δεδομένα καιρού, εδάφους και αγρονομικής διαχείρισης για να υποστηρίξει την τελική απόφαση.

Είναι η τεχνητή νοημοσύνη πραγματικά χρήσιμη στη γεωργία;

Η αξία της τεχνητής νοημοσύνης αναδεικνύεται κυρίως όταν εφαρμόζεται σε συγκεκριμένα προβλήματα και ενσωματώνεται σωστά στις διαδικασίες λήψης επιχειρηματικών αποφάσεων. Η χρησιμότητα της μηχανικής μάθησης και των τεχνικών βαθιάς μάθησης έγκειται στην υποστήριξη του γεωργού σε ένα όλο και πιο πολύπλοκο και τυχαίο περιβάλλον που χαρακτηρίζεται από την κλιματική μεταβλητότητα, την αύξηση του κόστους παραγωγής, την αυξημένη ρυθμιστική πίεση και την ανάγκη μείωσης των περιβαλλοντικών επιπτώσεων.
Σήμερα, χάρη στη χρήση μετεωρολογικών σταθμών, δορυφορικών εικόνων και εικόνων από μη επανδρωμένα αεροσκάφη, αισθητήρων στο χωράφι ή τοποθετημένων σε τρακτέρ, η γεωργία έχει στη διάθεσή της πληθώρα δεδομένων. Τα δεδομένα αυτά πρέπει να μετατραπούν σε πληροφορίες για τον ίδιο τον αγρότη, ώστε να τον υποστηρίξουν στη λήψη τεκμηριωμένων και ορθών αποφάσεων. Ένα από τα κρίσιμα σημεία της σύγχρονης γεωργίας είναι η ανάγκη να ενεργεί κανείς άμεσα για να διασφαλίσει την ποιότητα και την ποσότητα του τελικού προϊόντος. Η τεχνητή νοημοσύνη επιτρέπει την ανάλυση δεδομένων από διάφορες πηγές και τη μετατροπή τους σε επιχειρησιακές ενδείξεις, όπως τα βέλτιστα παράθυρα επέμβασης, τα επίπεδα κινδύνου ή τις προτεραιότητες για δράση. Αυτό είναι ιδιαίτερα σημαντικό για δραστηριότητες όπως η διαχείριση της άρδευσης, η διαχείριση των παρασίτων, η διατροφή και η παρακολούθηση της κατάστασης της βλάστησης.

Διαχείριση της χωροχρονικής μεταβλητότητας

Ένα από τα μεγαλύτερα πλεονεκτήματα της χρήσης της ΤΝ είναι η δυνατότητα επεξεργασίας της χωρικής και χρονικής μεταβλητότητας των γεωργικών συστημάτων. Τα φαινομενικά ομοιογενή χωράφια μπορεί να παρουσιάζουν σημαντικές διαφορές στο έδαφος, τη ζωηρότητα ή τη φαινολογική ανάπτυξη. Χάρη στη μηχανική μάθηση και τη βαθιά μάθηση, οι διαφορές αυτές μπορούν να εντοπιστούν και να ποσοτικοποιηθούν, επιτρέποντας στοχευμένες παρεμβάσεις και, κατά συνέπεια, αποτελεσματικότερη χρήση νερού, λιπασμάτων και φυτοφαρμάκων. Πρόκειται για μια προσέγγιση με την οποία κερδίζουν όλοι, καθώς αφενός μειώνεται το κόστος για τον αγρότη και αφετέρου αυξάνεται η κοινωνική, οικονομική και περιβαλλοντική βιωσιμότητα.
Ωστόσο, είναι ζωτικής σημασίας να διευκρινιστεί ότι η αποτελεσματικότητα αυτών των εργαλείων εξαρτάται σε μεγάλο βαθμό από την ποιότητα των δεδομένων και την ορθότητα του υποκείμενου γεωπονικού μοντέλου. Ένας αλγόριθμος δεν μπορεί να αντισταθμίσει τα ελλιπή ή μη αντιπροσωπευτικά δεδομένα ή τη λανθασμένη γεωπονική ερμηνεία του προβλήματος. Γι’ αυτό το λόγο, η διεπιστημονική προσέγγιση είναι ζωτικής σημασίας: η συνεργασία μεταξύ γεωργών, γεωπόνων, τεχνικών και εμπειρογνωμόνων τεχνητής νοημοσύνης είναι απαραίτητη για να εξασφαλιστεί η καλύτερη δυνατή απόδοση της τεχνητής νοημοσύνης που εφαρμόζεται στη γεωργία. Η μηχανική μάθηση και οι αλγόριθμοι βαθιάς μάθησης λειτουργούν καλύτερα όταν βασίζονται σε στέρεα γεωπονικά θεμέλια και χρησιμοποιούνται ως εργαλεία υποστήριξης, ικανά να μετατρέπουν μεγάλες ποσότητες δεδομένων σε πιο έγκαιρη, στοχευμένη και βιώσιμη επιχειρησιακή καθοδήγηση.

Σχ.3: Η χρήση της μηχανικής μάθησης και της βαθιάς μάθησης στη γεωργία απαιτεί μια διεπιστημονική προσέγγιση.

Τεχνητή νοημοσύνη στους ελαιώνες εσπεριδοειδών: μια πραγματική μελέτη περίπτωσης

Ένα συγκεκριμένο παράδειγμα της εφαρμογής της τεχνητής νοημοσύνης και των ψηφιακών τεχνολογιών στη γεωργία αντιπροσωπεύεται από τηνπολυφασματική ανάλυση με μη επανδρωμένο αεροσκάφος που πραγματοποιήθηκε σε έναν ελαιώνα εσπεριδοειδών που βρίσκεται στη Σικελία. Στόχος της δραστηριότητας ήταν η αντικειμενική και ποσοτική αξιολόγηση της βλαστικής κατάστασης και της απόκρισης των φυτών σε διάφορα αγρονομικά προϊόντα (βιοδιεγερτικά), αξιοποιώντας εικόνες πολύ υψηλής ανάλυσης και προηγμένους αλγορίθμους ανάλυσης.
Η περιοχή μελέτης υποδιαιρέθηκε σε 25 πειραματικά τεμάχια 80 m² με 4 φυτά το καθένα. Η προσέγγιση αυτή επέτρεψε τη λήψη συγκρίσιμων και στατιστικά αξιόπιστων δεδομένων, τα οποία ήταν απαραίτητα για την αξιολόγηση της αποτελεσματικότητας των μεταχειρίσεων που δοκιμάστηκαν και για την ορθή ερμηνεία της χωρικής μεταβλητότητας του εσπεριδοειδούς.
Η έρευνα διεξήχθη πολύ γρήγορα με τη χρήση ενός πολυφασματικού drone DJI Mavic 3, του οποίου ο ενσωματωμένος πολυφασματικός αισθητήρας επιτρέπει την ταυτόχρονη και ευθυγραμμισμένη λήψη τεσσάρων φασματικών ζωνών (πράσινο, κόκκινο, κόκκινο άκρο και NIR), εκτός από την εικόνα RGB υψηλής ανάλυσης.

Σχήμα 4: Πειραματικά τεμάχια σε έναν κήπο εσπεριδοειδών στη Σικελία.

Τα αποτελέσματα του πειράματος

Από τις εικόνες RGB και τις πολυφασματικές εικόνες, δημιουργήθηκε ένα τρισδιάστατο μοντέλο (ψηφιακός δίδυμος) του ελαιώνα εσπεριδοειδών. Η χρήση αυτού του μοντέλου σε συνδυασμό με αλγόριθμους υπολογιστικής όρασης και τεχνητής νοημοσύνης επιτρέπει την αυτόματη εξαγωγή διαφόρων βιομετρικών και φυσιολογικών παραμέτρων της καλλιέργειας, ενδεχομένως ανά φυτό: φυτεμένη επιφάνεια, για την ποσοτικοποίηση της κάλυψης του θόλου- πάχος, ύψος και όγκος του θόλου, άμεσοι δείκτες της ανάπτυξης της βλάστησης- δείκτες βλάστησης, ιδίως NDVI για τη βλαστικότητα της βλάστησης, GNDVI και NDRE για την έμμεση εκτίμηση της συγκέντρωσης χλωροφύλλης και της θρεπτικής κατάστασης. Αυτές οι παράμετροι προκύπτουν από την εφαρμογή προηγμένων αλγορίθμων ανάλυσης που μετατρέπουν τα ακατέργαστα δεδομένα σε γεωπονικές πληροφορίες. Οι πολυφασματικές εικόνες, πολύπλοκες εξ ορισμού, υποβάλλονται σε επεξεργασία για την εξαγωγή χωρικών μοτίβων και διαφορών μεταξύ των αγροτεμαχίων που θα ήταν δύσκολο να εντοπιστούν με τις παραδοσιακές οπτικές παρατηρήσεις.
Ας δούμε δύο παραδείγματα βιομετρικών παραμέτρων που υπολογίζονται στον ελαιώνα εσπεριδοειδών. Πρώτον, η φυτεμένη έκταση αντιπροσωπεύει την πυκνότητα του θόλου κάθε μεμονωμένου φυτού εσπεριδοειδών και είναι θεμελιώδης για την απεικόνιση της χωρικής κατανομής της πυκνότητας, εντοπίζοντας περιοχές με χαμηλότερη ή υψηλότερη πυκνότητα.

Σχήμα 5: Έκταση θόλου για κάθε φυτό.

Ο χάρτης όγκου του θόλου επιτρέπει την απεικόνιση της συνολικής ανάπτυξης του θόλου ως μέση τιμή για κάθε αγροτεμάχιο. Ο όγκος του θόλου σχετίζεται άμεσα με τη βιομάζα και είναι παρόμοιος με τον προηγούμενο χάρτη φυτεμένης έκτασης.

Σχήμα 6: Όγκος θόλου για κάθε φυτό.

Με βάση τις πολυφασματικές πληροφορίες που κατέγραψε το μη επανδρωμένο αεροσκάφος, υπολογίστηκαν τρεις δείκτες βλάστησης: NDVI, GNDVI και NDRE. Ο δείκτης NDVI επηρεάζεται έντονα από τη ζωηρότητα της βλάστησης, αλλά περιορίζεται εξίσου από αυτήν, διότι, αφού φτάσει σε ένα μέγιστο σημείο, τείνει να κορεσθεί και να αποκρύψει κάθε μεταβλητότητα στο πεδίο. Στον ελαιώνα εσπεριδοειδών παρατηρείται μεταβλητότητα εντός του αγροτεμαχίου, καθώς και μεταβλητότητα μεταξύ των αγροτεμαχίων.

Σχήμα 7: Δείκτης βλάστησης NDVI του θόλου για κάθε φυτό.

Ο χάρτης GNDVI καθιστά δυνατή την παρακολούθηση της περιεκτικότητας των καλλιεργειών σε χλωροφύλλη και την καλύτερη διάκριση των υγιέστερων περιοχών σε σχέση με τον NDVI, όταν τα στέγαστρα είναι καλά αναπτυγμένα. Επιπλέον, το GNDVI μπορεί να χρησιμοποιηθεί για την αξιολόγηση της πρόσληψης νερού από τα φυτά και, συνεπώς, της υδατικής τους καταπόνησης. Και πάλι, υπάρχει υψηλή μεταβλητότητα μεταξύ των αγροτεμαχίων, ενώ η μεταβλητότητα εντός των αγροτεμαχίων είναι χαμηλή.

Σχήμα 8: Δείκτης βλάστησης GNDVI του θόλου για κάθε φυτό.

Όπως και με τον δείκτη GNDVI, ο χάρτης NDRE επιτρέπει την παρακολούθηση της περιεκτικότητας των καλλιεργειών σε χλωροφύλλη ακόμη και όταν τα στέγαστρα είναι καλά ανεπτυγμένα. Ο NDRE είναι καλύτερος δείκτης της υγείας των φυτών από τον NDVI για καλλιέργειες μέσης και όψιμης καλλιέργειας με υψηλό επίπεδο χλωροφύλλης. Επιπλέον, το NDRE μπορεί να χρησιμοποιηθεί για την αξιολόγηση της απορρόφησης αζώτου από τα φυτά και συνεπώς της αποτελεσματικότητάς τους.

Σχήμα 9: Δείκτης βλάστησης NDRE του θόλου για κάθε φυτό.

Συμπεράσματα

Η μελέτη περίπτωσης που διεξήχθη στον ελαιώνα εσπεριδοειδών δείχνει ότι η τεχνητή νοημοσύνη που εφαρμόζεται στην τηλεπισκόπηση με drone μπορεί να γίνει ένα συγκεκριμένο επιχειρησιακό εργαλείο για την υποστήριξη γεωπονικών αποφάσεων. Το iDrone της Agrobit καθιστά δυνατή τη μετατροπή πολυφασματικών εικόνων πολύ υψηλής ανάλυσης σε αντικειμενικές και μετρήσιμες πληροφορίες σχετικά με τη βλαστική κατάσταση των καλλιεργειών. Επιπλέον, μέσω του υπολογισμού βιομετρικών παραμέτρων και δεικτών βλάστησης, κατέστη δυνατός ο εντοπισμός και η ποσοτικοποίηση της χωρικής μεταβλητότητας του ελαιώνα εσπεριδοειδών, η αξιολόγηση της ανταπόκρισης των φυτών στις διάφορες μεταχειρίσεις και ο εντοπισμός καταστάσεων στρες σε πρώιμο στάδιο. Αυτές οι πληροφορίες, οι οποίες είναι δύσκολο να αποκτηθούν μόνο με την οπτική παρακολούθηση, επιτρέπουν πιο στοχευμένες, αποτελεσματικές και βιώσιμες παρεμβάσεις.
Σε ένα ολοένα και πιο πολύπλοκο γεωργικό περιβάλλον, η υπηρεσία iDrone παρέχει μια αξιόπιστη λύση AgTech για τη βελτίωση της αποτελεσματικότητας της διαχείρισης, τη μείωση του κόστους και την υποστήριξη αποφάσεων βάσει δεδομένων.