Τεχνητή νοημοσύνη (ΤΝ) στη γεωργία

Τι είναι η τεχνητή νοημοσύνη;

Η τεχνητή νοημοσύνη (ΤΝ) είναι η ικανότητα μιας μηχανής να επιδεικνύει ανθρώπινες ικανότητες όπως η λογική σκέψη, η μάθηση, ο σχεδιασμός και η δημιουργικότητα (ορισμός της Ευρωπαϊκής Επιτροπής, 2018). Η ΤΝ είναι ταυτόχρονα επιστήμη και μηχανική. Είναι επιστήμη επειδή μελετά σε θεωρητικό επίπεδο πώς θα μπορούσε να λειτουργεί μια «τεχνητή λογική σκέψη». Είναι μηχανική επειδή κατασκευάζονται μηχανές ή προγράμματα που υλοποιούν συγκεκριμένα αυτές τις ικανότητες. Ο κύριος στόχος της ΤΝ είναι να αναπτύξει αλγορίθμους, μοντέλα και συστήματα που επιτρέπουν στις μηχανές να μαθαίνουν από τα δεδομένα, να εξάγουν συμπεράσματα, να λαμβάνουν αποφάσεις και να επιλύουν προβλήματα αυτόνομα, όπως θα έκανε ένας άνθρωπος. Ένα σύστημα ΤΝ λειτουργεί όταν οι επιδόσεις του είναι μετρήσιμες και επαληθεύσιμες — για παράδειγμα, όταν η μηχανή επιλύει ένα πρόβλημα, εκτελεί μια εργασία ή λαμβάνει αποφάσεις με επιτυχία σύμφωνα με προκαθορισμένα κριτήρια.

Εικ.1: ΤΝ: επιστήμη και μηχανική.

Machine learning και deep learning

Το machine learning και το deep learning είναι δύο τεχνολογίες τεχνητής νοημοσύνης που εντάσσονται όλο και περισσότερο στην καθημερινή εργασία αγροτών και τεχνικών πεδίου, ως πρακτικά εργαλεία για τη λήψη καλύτερων αποφάσεων. Το machine learning μπορεί να περιγραφεί ως η ικανότητα ενός συστήματος να «μαθαίνει από την εμπειρία». Στην πράξη, στο μοντέλο παρέχονται πολλά ιστορικά δεδομένα: μετεωρολογικά δεδομένα, δεδομένα παραγωγής, αναλύσεις εδάφους, εικόνες καλλιεργειών, αγρονομικές παρεμβάσεις και τα αντίστοιχα αποτελέσματά τους. Αναλύοντας αυτά τα δεδομένα, ο αλγόριθμος εντοπίζει αυτόματα επαναλαμβανόμενες σχέσεις, που ονομάζονται μοτίβα (patterns), και τις χρησιμοποιεί για να κάνει προβλέψεις ή να προτείνει ενέργειες. Στη γεωργία αυτό σημαίνει, για παράδειγμα, εκτίμηση της αναμενόμενης απόδοσης, πρόβλεψη κινδύνου υδατικής καταπόνησης ή εντοπισμό συνθηκών ευνοϊκών για την ανάπτυξη μιας ασθένειας, με βάση πραγματικά περιβαλλοντικά και αγρονομικά δεδομένα. Το deep learning είναι ένα υποσύνολο του machine learning, ιδιαίτερα ισχυρό όταν εργάζεται κανείς με σύνθετα δεδομένα όπως εικόνες, σήματα ή πολύ λεπτομερείς χρονοσειρές. Το δυνατό του σημείο είναι η χρήση «βαθιών» νευρωνικών δικτύων, εμπνευσμένων από τον τρόπο λειτουργίας του ανθρώπινου εγκεφάλου, τα οποία μπορούν να εξάγουν αυτόματα τις πιο σχετικές πληροφορίες από ακατέργαστα δεδομένα. Στο γεωργικό πλαίσιο, το deep learning είναι αυτό που επιτρέπει, για παράδειγμα, την αναγνώριση μιας ασθένειας φύλλων από μια φωτογραφία που τραβήχτηκε στο χωράφι, τη διάκριση των ζιζανίων από την καλλιέργεια, την ανάλυση της δομής της κόμης ενός φυτού ή την αξιολόγηση της κατάστασης σφρίγους από δορυφορικές εικόνες ή εικόνες drone.

Εικ.2: Machine learning και deep learning.

Η πρακτική διαφορά μεταξύ των δύο προσεγγίσεων είναι ότι το machine learning λειτουργεί πολύ καλά όταν οι βασικές μεταβλητές είναι ήδη γνωστές και μετρήσιμες, όπως τα φαινολογικά δεδομένα, η απόδοση, οι καιρικές συνθήκες. Αντίθετα, το deep learning γίνεται απαραίτητο όταν η πληροφορία δεν είναι άμεσα αριθμητική αλλά πρέπει να ερμηνευτεί, όπως συμβαίνει με τις εναέριες εικόνες. Συχνά, στις πιο προηγμένες γεωργικές εφαρμογές, οι δύο τεχνολογίες συνδυάζονται: το deep learning εξάγει πληροφορίες από εικόνες ή αισθητήρες, και το machine learning τις ενσωματώνει με δεδομένα καιρού, εδάφους και αγρονομικής διαχείρισης για να υποστηρίξει την τελική απόφαση.

Είναι πραγματικά χρήσιμη η ΤΝ στη γεωργία;

Η αξία της τεχνητής νοημοσύνης αναδεικνύεται κυρίως όταν εφαρμόζεται σε συγκεκριμένα προβλήματα και ενσωματώνεται σωστά στις διαδικασίες λήψης αποφάσεων της εκμετάλλευσης. Η χρησιμότητα των τεχνικών machine learning και deep learning έγκειται στο ότι υποστηρίζουν τον αγρότη σε ένα ολοένα πιο σύνθετο και απρόβλεπτο πλαίσιο, που χαρακτηρίζεται από κλιματική μεταβλητότητα, αυξανόμενο κόστος παραγωγής, μεγαλύτερη κανονιστική πίεση και ανάγκη μείωσης των περιβαλλοντικών επιπτώσεων. Σήμερα, χάρη στη χρήση μετεωρολογικών σταθμών της εκμετάλλευσης, δορυφορικών εικόνων και εικόνων drone, καθώς και αισθητήρων στο χωράφι ή τοποθετημένων σε τρακτέρ, η γεωργία διαθέτει τεράστιο όγκο δεδομένων. Αυτά τα δεδομένα πρέπει να μετατραπούν σε πληροφορία για τον ίδιο τον αγρότη, ώστε να τον υποστηρίξουν στη λήψη τεκμηριωμένων και έγκυρων αποφάσεων. Ένα από τα κρίσιμα σημεία της σύγχρονης γεωργίας είναι η ανάγκη έγκαιρης δράσης για να διασφαλιστεί η ποιότητα και η ποσότητα του τελικού προϊόντος. Η τεχνητή νοημοσύνη επιτρέπει την ανάλυση δεδομένων από διάφορες πηγές και τη μετατροπή τους σε επιχειρησιακές οδηγίες, όπως βέλτιστα χρονικά παράθυρα παρέμβασης, επίπεδα κινδύνου ή προτεραιότητες δράσης. Αυτό είναι ιδιαίτερα σημαντικό για δραστηριότητες όπως η διαχείριση της άρδευσης, η φυτοπροστασία, η θρέψη και η παρακολούθηση της βλαστητικής κατάστασης.

Διαχείριση της χωροχρονικής μεταβλητότητας

Ένα από τα μεγαλύτερα πλεονεκτήματα της χρήσης ΤΝ είναι η ικανότητα διαχείρισης της χωρικής και χρονικής μεταβλητότητας των γεωργικών συστημάτων. Φαινομενικά ομοιογενή χωράφια μπορεί να παρουσιάζουν σημαντικές διαφορές στο έδαφος, στο σφρίγος ή στη φαινολογική ανάπτυξη. Χάρη στο machine learning και το deep learning, αυτές οι διαφορές μπορούν να εντοπιστούν και να ποσοτικοποιηθούν, επιτρέποντας στοχευμένες παρεμβάσεις και, κατά συνέπεια, πιο αποδοτική χρήση νερού, λιπασμάτων και φυτοφαρμάκων. Πρόκειται για μια προσέγγιση win-win: από τη μία πλευρά μειώνεται το κόστος για τον αγρότη, από την άλλη αυξάνεται η κοινωνική, οικονομική και περιβαλλοντική βιωσιμότητα. Είναι όμως απαραίτητο να διευκρινιστεί ότι η αποτελεσματικότητα αυτών των εργαλείων εξαρτάται σε μεγάλο βαθμό από την ποιότητα των δεδομένων και την ορθότητα του υποκείμενου αγρονομικού μοντέλου. Ένας αλγόριθμος δεν μπορεί να αντισταθμίσει ελλιπή, μη αντιπροσωπευτικά δεδομένα ή μια λανθασμένη αγρονομική ερμηνεία του προβλήματος. Γι’ αυτό είναι θεμελιώδης μια διεπιστημονική προσέγγιση: είναι απαραίτητη η συνεργασία μεταξύ αγροτών, γεωπόνων, τεχνικών και ειδικών τεχνητής νοημοσύνης για να διασφαλιστούν οι καλύτερες επιδόσεις της ΤΝ που εφαρμόζεται στη γεωργία. Οι αλγόριθμοι machine learning και deep learning λειτουργούν καλύτερα όταν βασίζονται σε στέρεες αγρονομικές βάσεις και χρησιμοποιούνται ως υποστηρικτικά εργαλεία, ικανά να μετατρέπουν μεγάλους όγκους δεδομένων σε πιο έγκαιρες, στοχευμένες και βιώσιμες επιχειρησιακές οδηγίες.

Εικ.3: Η χρήση του machine learning και του deep learning στη γεωργία απαιτεί διεπιστημονική προσέγγιση.

ΤΝ σε περιβόλι εσπεριδοειδών: μια πραγματική μελέτη περίπτωσης

Ένα συγκεκριμένο παράδειγμα εφαρμογής της τεχνητής νοημοσύνης και των ψηφιακών τεχνολογιών στη γεωργία αποτελεί η πολυφασματική ανάλυση με drone που πραγματοποιήθηκε σε ένα περιβόλι εσπεριδοειδών στη Σικελία. Στόχος της δραστηριότητας ήταν η αντικειμενική και ποσοτική αξιολόγηση της βλαστητικής κατάστασης και της απόκρισης των φυτών σε διαφορετικά αγρονομικά προϊόντα (βιοδιεγέρτες), αξιοποιώντας εικόνες πολύ υψηλής ανάλυσης και αλγορίθμους προηγμένης ανάλυσης. Η περιοχή μελέτης χωρίστηκε σε 25 πειραματικά αγροτεμάχια των 80 τ.μ., το καθένα με 4 φυτά. Αυτή η διάταξη επέτρεψε τη συλλογή συγκρίσιμων και στατιστικά αξιόπιστων δεδομένων, απαραίτητων για την αξιολόγηση της αποτελεσματικότητας των δοκιμασμένων επεμβάσεων και τη σωστή ερμηνεία της χωρικής μεταβλητότητας του περιβολιού εσπεριδοειδών. Η καταγραφή πραγματοποιήθηκε πολύ γρήγορα με τη χρήση ενός drone DJI Mavic 3 Multispectral, του οποίου ο ενσωματωμένος πολυφασματικός αισθητήρας επιτρέπει την ταυτόχρονη και ευθυγραμμισμένη λήψη τεσσάρων φασματικών ζωνών (πράσινο, κόκκινο, red edge και NIR), καθώς και εικόνας RGB υψηλής ανάλυσης.

Εικ.4: Πειραματικά αγροτεμάχια σε ένα σικελικό περιβόλι εσπεριδοειδών.

Τα αποτελέσματα του πειράματος

Ξεκινώντας από τις εικόνες RGB και τις πολυφασματικές εικόνες, δημιουργήθηκε ένα τρισδιάστατο μοντέλο (digital twin) του περιβολιού εσπεριδοειδών. Η χρήση αυτού του μοντέλου σε συνδυασμό με αλγορίθμους computer vision και ΤΝ επιτρέπει την αυτόματη εξαγωγή διάφορων βιομετρικών και φυσιολογικών παραμέτρων της καλλιέργειας, δυνητικά φυτό προς φυτό: βλαστημένη επιφάνεια, για την ποσοτικοποίηση της κάλυψης της κόμης· πάχος, ύψος και όγκο της κόμης, άμεσους δείκτες της βλαστητικής ανάπτυξης· δείκτες βλάστησης, ιδίως το NDVI για το βλαστητικό σφρίγος, και τα GNDVI και NDRE για την έμμεση εκτίμηση της συγκέντρωσης χλωροφύλλης και της θρεπτικής κατάστασης. Αυτές οι παράμετροι προκύπτουν από την εφαρμογή αλγορίθμων προηγμένης ανάλυσης που μετατρέπουν τα ακατέργαστα δεδομένα σε αγρονομική πληροφορία. Οι πολυφασματικές εικόνες, εξ ορισμού σύνθετες, επεξεργάζονται για να εξαχθούν χωρικά μοτίβα και διαφορές μεταξύ αγροτεμαχίων που θα ήταν δύσκολο να εντοπιστούν με την παραδοσιακή οπτική παρατήρηση. Ας δούμε δύο παραδείγματα βιομετρικών παραμέτρων που υπολογίστηκαν στο περιβόλι εσπεριδοειδών. Καταρχάς, η βλαστημένη επιφάνεια αντιπροσωπεύει την πυκνότητα της κόμης κάθε μεμονωμένου φυτού εσπεριδοειδούς και είναι θεμελιώδης για την οπτικοποίηση της χωρικής κατανομής της πυκνότητας, εντοπίζοντας περιοχές με μικρότερη ή μεγαλύτερη πυκνότητα.

Εικ.5: Επιφάνεια της κόμης για κάθε φυτό.

Ο χάρτης του όγκου της κόμης επιτρέπει την οπτικοποίηση της συνολικής ανάπτυξης των κομών ως μέση τιμή για κάθε αγροτεμάχιο. Ο όγκος της κόμης συσχετίζεται άμεσα με τη βιομάζα και επιβεβαιώνει όσα είχαν ήδη προκύψει από τον προηγούμενο χάρτη βλαστημένης επιφάνειας.

Εικ.6: Όγκος της κόμης για κάθε φυτό.

Με βάση τις πολυφασματικές πληροφορίες που καταγράφηκαν από το drone, υπολογίστηκαν τρεις δείκτες βλάστησης: NDVI, GNDVI και NDRE. Ο δείκτης NDVI επηρεάζεται έντονα από το σφρίγος της βλαστημένης επιφάνειας, αλλά περιορίζεται εξίσου από αυτήν, καθώς, αφού φτάσει σε ένα μέγιστο σημείο, τείνει να κορεστεί και να κρύβει την ενδεχόμενη μεταβλητότητα στο χωράφι. Στο περιβόλι εσπεριδοειδών παρατηρείται μεταβλητότητα εντός αγροτεμαχίου, εκτός από τη μεταβλητότητα μεταξύ αγροτεμαχίων.

Εικ.7: Δείκτης βλάστησης NDVI της κόμης για κάθε φυτό.

Ο χάρτης GNDVI επιτρέπει την παρακολούθηση της περιεκτικότητας σε χλωροφύλλη στις καλλιέργειες και την καλύτερη διάκριση των πιο υγιών περιοχών σε σύγκριση με το NDVI όταν οι κόμες είναι καλά αναπτυγμένες. Επιπλέον, το GNDVI μπορεί να χρησιμοποιηθεί για την αξιολόγηση της απορρόφησης νερού από τα φυτά και επομένως της υδατικής τους καταπόνησης. Και σε αυτή την περίπτωση παρατηρείται έντονη μεταβλητότητα μεταξύ αγροτεμαχίων, ενώ η μεταβλητότητα εντός αγροτεμαχίου είναι περιορισμένη.

Εικ.8: Δείκτης βλάστησης GNDVI της κόμης για κάθε φυτό.

Όπως και ο δείκτης GNDVI, ο χάρτης NDRE επιτρέπει την παρακολούθηση της περιεκτικότητας σε χλωροφύλλη στις καλλιέργειες, ακόμη και όταν οι κόμες είναι καλά αναπτυγμένες. Το NDRE είναι καλύτερος δείκτης της υγείας των φυτών σε σχέση με το NDVI για μεσο-όψιμες και όψιμες καλλιέργειες με υψηλό επίπεδο χλωροφύλλης. Επιπλέον, το NDRE μπορεί να χρησιμοποιηθεί για την αξιολόγηση της απορρόφησης αζώτου από τα φυτά και επομένως της αποδοτικότητάς τους.

Εικ.9: Δείκτης βλάστησης NDRE της κόμης για κάθε φυτό.

Συμπεράσματα

Η μελέτη περίπτωσης που πραγματοποιήθηκε στο περιβόλι εσπεριδοειδών αποδεικνύει ότι η τεχνητή νοημοσύνη που εφαρμόζεται στην τηλεπισκόπηση με drone μπορεί να γίνει ένα συγκεκριμένο επιχειρησιακό εργαλείο για την υποστήριξη αγρονομικών αποφάσεων. Η υπηρεσία iDrone της Agrobit επιτρέπει τη μετατροπή πολυφασματικών εικόνων πολύ υψηλής ανάλυσης σε αντικειμενικές, μετρήσιμες πληροφορίες σχετικά με τη βλαστητική κατάσταση των καλλιεργειών. Επιπλέον, μέσω του υπολογισμού βιομετρικών παραμέτρων και δεικτών βλάστησης, κατέστη δυνατός ο εντοπισμός και η ποσοτικοποίηση της χωρικής μεταβλητότητας του περιβολιού εσπεριδοειδών, η αξιολόγηση της απόκρισης των φυτών σε διαφορετικές επεμβάσεις και ο έγκαιρος εντοπισμός καταστάσεων καταπόνησης. Αυτές οι πληροφορίες, δύσκολο να αποκτηθούν μόνο με οπτική παρακολούθηση, επιτρέπουν πιο στοχευμένες, αποδοτικές και βιώσιμες παρεμβάσεις. Σε ένα γεωργικό πλαίσιο που γίνεται όλο και πιο σύνθετο, η υπηρεσία iDrone αποτελεί μια αξιόπιστη λύση AgTech για τη βελτίωση της διαχειριστικής αποδοτικότητας, τη μείωση του κόστους και την υποστήριξη αποφάσεων βασισμένων σε πραγματικά δεδομένα.