Sztuczna inteligencja (SI) w rolnictwie

Czym jest sztuczna inteligencja?

Sztuczna inteligencja (SI) to zdolność maszyny do wykazywania ludzkich umiejętności, takich jak rozumowanie, uczenie się, planowanie i kreatywność (definicja Komisji Europejskiej, 2018). SI jest zarówno nauką, jak i inżynierią. Jest nauką, ponieważ bada teoretycznie, jak mogłoby działać „sztuczne rozumowanie”. Jest inżynierią, ponieważ buduje się maszyny lub programy, które konkretnie realizują te zdolności. Głównym celem SI jest opracowywanie algorytmów, modeli i systemów, które umożliwiają maszynom uczenie się na podstawie danych, wyciąganie wniosków, podejmowanie decyzji i samodzielne rozwiązywanie problemów, tak jak zrobiłby to człowiek. System SI działa, gdy jego wyniki są mierzalne i weryfikowalne – na przykład wtedy, gdy maszyna skutecznie rozwiązuje problem, wykonuje zadanie lub podejmuje decyzje zgodnie z wcześniej ustalonymi kryteriami.

Rys.1: SI: nauka i inżynieria.

Machine learning i deep learning

Machine learning i deep learning to dwie technologie sztucznej inteligencji, które coraz częściej wchodzą do codziennej pracy rolników i techników polowych jako praktyczne narzędzia wspierające podejmowanie lepszych decyzji. Machine learning można opisać jako zdolność systemu do „uczenia się z doświadczenia”. W praktyce modelowi dostarcza się dużą ilość danych historycznych: dane meteorologiczne, dane produkcyjne, analizy gleby, zdjęcia upraw, zabiegi agrotechniczne i ich wyniki. Analizując te dane, algorytm automatycznie identyfikuje powtarzające się zależności, zwane wzorcami (patterns), i wykorzystuje je do formułowania prognoz lub sugerowania działań. W rolnictwie oznacza to na przykład szacowanie oczekiwanego plonu, przewidywanie ryzyka stresu wodnego lub identyfikowanie warunków sprzyjających rozwojowi choroby na podstawie rzeczywistych danych środowiskowych i agronomicznych. Deep learning jest podzbiorem machine learning, szczególnie skutecznym przy pracy ze złożonymi danymi, takimi jak obrazy, sygnały czy bardzo szczegółowe szeregi czasowe. Jego siła tkwi w wykorzystaniu „głębokich” sieci neuronowych, inspirowanych działaniem ludzkiego mózgu, które potrafią automatycznie wydobyć z surowych danych najważniejsze informacje. W kontekście rolniczym deep learning umożliwia na przykład rozpoznanie choroby liści na podstawie zdjęcia wykonanego w polu, odróżnienie chwastów od uprawy, analizę struktury korony rośliny czy ocenę stanu wigoru na podstawie zdjęć satelitarnych lub z drona.

Rys.2: Machine learning i deep learning.

Praktyczna różnica między tymi dwoma podejściami polega na tym, że machine learning działa bardzo dobrze, gdy kluczowe zmienne są już znane i mierzalne, jak dane fenologiczne, plon czy warunki pogodowe. Z kolei deep learning staje się niezbędny, gdy informacja nie jest bezpośrednio liczbowa, lecz wymaga interpretacji, jak w przypadku zdjęć lotniczych. W najbardziej zaawansowanych zastosowaniach rolniczych obie technologie są często łączone: deep learning wydobywa informacje ze zdjęć lub czujników, a machine learning integruje je z danymi meteorologicznymi, glebowymi i zarządczymi, aby wspierać ostateczną decyzję.

Czy SI naprawdę jest przydatna w rolnictwie?

Wartość sztucznej inteligencji ujawnia się przede wszystkim wtedy, gdy jest ona stosowana do konkretnych problemów i prawidłowo zintegrowana z procesami decyzyjnymi gospodarstwa. Przydatność technik machine learning i deep learning polega na wspieraniu rolnika w coraz bardziej złożonym i nieprzewidywalnym kontekście, charakteryzującym się zmiennością klimatyczną, rosnącymi kosztami produkcji, większą presją regulacyjną i potrzebą ograniczenia wpływu na środowisko. Obecnie, dzięki wykorzystaniu stacji meteorologicznych w gospodarstwie, zdjęć satelitarnych i z drona oraz czujników polowych lub montowanych na ciągnikach, rolnictwo dysponuje ogromną ilością danych. Dane te trzeba przekształcić w informację dla samego rolnika, aby wspierać go w podejmowaniu świadomych i trafnych decyzji. Jednym z kluczowych aspektów nowoczesnego rolnictwa jest konieczność szybkiego działania, aby zagwarantować jakość i ilość produktu końcowego. Sztuczna inteligencja umożliwia analizę danych pochodzących z różnych źródeł i przekształcanie ich we wskazówki operacyjne, takie jak optymalne okna interwencji, poziomy ryzyka czy priorytety działań. Jest to szczególnie istotne w przypadku takich działań jak zarządzanie nawadnianiem, ochrona roślin, nawożenie i monitorowanie stanu wegetacyjnego.

Zarządzanie zmiennością przestrzenno-czasową

Jedną z największych zalet wykorzystania SI jest zdolność do pracy ze zmiennością przestrzenną i czasową systemów rolniczych. Pozornie jednorodne pola mogą wykazywać istotne różnice w glebie, wigorze czy rozwoju fenologicznym. Dzięki machine learning i deep learning różnice te można zidentyfikować i skwantyfikować, umożliwiając zabiegi ukierunkowane, a w konsekwencji bardziej efektywne wykorzystanie wody, nawozów i środków ochrony roślin. Jest to podejście korzystne dla obu stron: z jednej strony zmniejszają się koszty ponoszone przez rolnika, z drugiej wzrasta zrównoważony rozwój społeczny, gospodarczy i środowiskowy. Należy jednak jasno podkreślić, że skuteczność tych narzędzi w dużej mierze zależy od jakości danych oraz poprawności leżącego u ich podstaw modelu agronomicznego. Algorytm nie jest w stanie zrekompensować brakujących, niereprezentatywnych danych ani błędnej agronomicznej interpretacji problemu. Dlatego kluczowe znaczenie ma podejście multidyscyplinarne: niezbędna jest współpraca między rolnikami, agronomami, technikami i ekspertami ds. sztucznej inteligencji, aby zapewnić najlepszą skuteczność SI stosowanej w rolnictwie. Algorytmy machine learning i deep learning działają najlepiej, gdy są budowane na solidnych podstawach agronomicznych i wykorzystywane jako narzędzia wspomagające, zdolne do przekształcania dużych ilości danych w szybsze, bardziej ukierunkowane i zrównoważone wskazówki operacyjne.

Rys.3: Wykorzystanie machine learning i deep learning w rolnictwie wymaga podejścia multidyscyplinarnego.

SI na plantacji cytrusów: rzeczywiste studium przypadku

Konkretnym przykładem zastosowania sztucznej inteligencji i technologii cyfrowych w rolnictwie jest wielospektralna analiza z drona przeprowadzona na plantacji cytrusów położonej na Sycylii. Celem działania była obiektywna i ilościowa ocena stanu wegetacyjnego oraz reakcji roślin na różne produkty agronomiczne (biostymulatory), z wykorzystaniem zdjęć o bardzo wysokiej rozdzielczości i zaawansowanych algorytmów analitycznych. Obszar badań podzielono na 25 poletek doświadczalnych o powierzchni 80 m², z których każde obejmowało 4 rośliny. Taki układ pozwolił uzyskać porównywalne i statystycznie wiarygodne dane, niezbędne do oceny skuteczności testowanych zabiegów oraz prawidłowej interpretacji zmienności przestrzennej plantacji cytrusów. Pomiar wykonano bardzo szybko za pomocą drona DJI Mavic 3 Multispectral, którego zintegrowany czujnik multispektralny umożliwia jednoczesną, wyrównaną rejestrację czterech pasm spektralnych (zielonego, czerwonego, red edge i NIR), a także obrazu RGB w wysokiej rozdzielczości.

Rys.4: Poletka doświadczalne na sycylijskiej plantacji cytrusów.

Wyniki eksperymentu

Na podstawie zdjęć RGB i wielospektralnych odtworzono model 3D (digital twin) plantacji cytrusów. Wykorzystanie tego modelu w połączeniu z algorytmami wizji komputerowej i SI pozwala automatycznie wyodrębnić kilka parametrów biometrycznych i fizjologicznych uprawy, potencjalnie roślina po roślinie: powierzchnię zielonej masy, do określenia pokrycia korony; grubość, wysokość i objętość korony, bezpośrednie wskaźniki rozwoju wegetacyjnego; wskaźniki wegetacji, w szczególności NDVI dla wigoru wegetacyjnego oraz GNDVI i NDRE do pośredniej oceny stężenia chlorofilu i stanu odżywienia. Parametry te wynikają z zastosowania zaawansowanych algorytmów analitycznych, które przekształcają surowe dane w informację agronomiczną. Zdjęcia wielospektralne, z definicji złożone, są przetwarzane w celu wyodrębnienia wzorców przestrzennych i różnic między poletkami, które byłyby trudne do wykrycia w tradycyjnej obserwacji wzrokowej. Przyjrzyjmy się dwóm przykładom parametrów biometrycznych obliczonych na plantacji cytrusów. Po pierwsze, powierzchnia zielonej masy odzwierciedla gęstość korony każdej pojedynczej rośliny cytrusowej i jest kluczowa do wizualizacji przestrzennego rozkładu gęstości, pozwalając zidentyfikować obszary o mniejszej lub większej gęstości.

Rys.5: Powierzchnia korony dla każdej rośliny.

Mapa objętości korony pozwala zwizualizować ogólny rozwój koron jako wartość średnią dla każdego poletka. Objętość korony jest bezpośrednio powiązana z biomasą i potwierdza to, co wynikało już z poprzedniej mapy powierzchni zielonej masy.

Rys.6: Objętość korony dla każdej rośliny.

Na podstawie informacji wielospektralnych zarejestrowanych przez drona obliczono trzy wskaźniki wegetacji: NDVI, GNDVI i NDRE. Wskaźnik NDVI jest silnie uzależniony od wigoru powierzchni zielonej masy, ale jest przez nią równie mocno ograniczony, ponieważ po osiągnięciu wartości maksymalnej ma tendencję do nasycania się i maskowania ewentualnej zmienności w polu. Na plantacji cytrusów obserwuje się zmienność wewnątrz poletek, a także między poletkami.

Rys.7: Wskaźnik wegetacji NDVI korony dla każdej rośliny.

Mapa GNDVI umożliwia monitorowanie zawartości chlorofilu w uprawach i lepsze rozróżnienie zdrowszych obszarów w porównaniu z NDVI, gdy korony są dobrze rozwinięte. Ponadto GNDVI można wykorzystać do oceny pobierania wody przez rośliny, a tym samym ich stresu wodnego. Również w tym przypadku obserwuje się dużą zmienność między poletkami, podczas gdy zmienność wewnątrz poletek jest ograniczona.

Rys.8: Wskaźnik wegetacji GNDVI korony dla każdej rośliny.

Podobnie jak wskaźnik GNDVI, mapa NDRE umożliwia monitorowanie zawartości chlorofilu w uprawach, nawet gdy korony są dobrze rozwinięte. NDRE jest lepszym wskaźnikiem zdrowia roślin niż NDVI w przypadku upraw o średnim i późnym cyklu z wysokim poziomem chlorofilu. Ponadto NDRE można wykorzystać do oceny pobierania azotu przez rośliny, a tym samym ich efektywności.

Rys.9: Wskaźnik wegetacji NDRE korony dla każdej rośliny.

Wnioski

Studium przypadku przeprowadzone na plantacji cytrusów pokazuje, że sztuczna inteligencja zastosowana do teledetekcji z drona może stać się konkretnym narzędziem operacyjnym wspierającym decyzje agronomiczne. Usługa iDrone firmy Agrobit umożliwia przekształcenie zdjęć wielospektralnych o bardzo wysokiej rozdzielczości w obiektywne, mierzalne informacje o stanie wegetacyjnym upraw. Ponadto dzięki obliczeniu parametrów biometrycznych i wskaźników wegetacji możliwe było zidentyfikowanie i skwantyfikowanie zmienności przestrzennej plantacji cytrusów, ocena reakcji roślin na różne zabiegi oraz wczesne wykrycie sytuacji stresowych. Informacje te, trudne do uzyskania wyłącznie poprzez obserwację wzrokową, umożliwiają bardziej ukierunkowane, efektywne i zrównoważone interwencje. W coraz bardziej złożonym kontekście rolniczym usługa iDrone stanowi wiarygodne rozwiązanie AgTech służące poprawie efektywności zarządzania, obniżeniu kosztów i wspieraniu decyzji opartych na rzeczywistych danych.