Az intelligens mezőgazdaságban alkalmazott változó adagolású technológiák (VRT-k) lehetővé teszik az olyan termelési tényezők – mint a vetőmag, a műtrágya, a víz és a növényvédő szerek – optimális mennyiségben és helyeken történő kijuttatását. Yann LeFaou, a Microchip Touch and Gesture üzletágának társigazgatója elmagyarázza, hogyan járulhat hozzá a mesterséges intelligencia és a gépi tanulás az intelligens mezőgazdaságban alkalmazott VRT-k fejlesztéséhez.
Jelenleg több mint 8,1 milliárd ember él a világon. A becslések szerint 2050-re ez a szám 9,7 milliárdra fog emelkedni. Az ENSZ Élelmezési és Mezőgazdasági Szervezete (FAO) szerint ennek a népességnek az ellátásához a mezőgazdasági termelés 70%-os növekedésére lesz szükség.
A jelenlegi termelési technikák egyszerű kiterjesztése a jövőbeli igények kielégítése érdekében nem jöhet szóba, hiszen érdemes megjegyezni, hogy a mezőgazdasági ágazat az ötödik legnagyobb energiafogyasztó, és jelentősen hozzájárul az üvegházhatású gázok kibocsátásához.
Az intelligens mezőgazdaság ma már az iparág egyik legfontosabb témája. Láthatjuk, hogy a mezőgazdaságban és az állattenyésztésben új technológiákat alkalmaznak a termelés mennyiségének és minőségének javítása érdekében. A technológiák közé tartoznak a GPS, az egyre intelligensebb érzékelők, a mezőgazdasági tárgyak internete (IoTAg), a felhőalapú számítástechnika, az automatizálás, a vezető nélküli járművek, a mesterséges intelligencia (MI) és a gépi tanulás (ML). Ezek a technológiák együttesen felhasználhatók egy rendkívül optimalizált, teljes körű rendszer létrehozására, amely egyre magasabb szintű autonómiát eredményez.
Az intelligens mezőgazdaság egyik legfontosabb eleme a precíziós mezőgazdaság (PA). Ez az automatizált termelési módszerek révén növeli a terméshozamot, és elméletileg már az 1980-as években megfogalmazódott. A gyakorlatba való első alkalmazás azonban a John Deere nevéhez fűződik: 1996-ban a vállalat piacra dobta a GreenStar precíziós mezőgazdasági rendszert, amely bevezette a GPS-alapú navigációt és az automatikus kormányzást.
Az adatok fontosságát már a precíziós mezőgazdaság kezdeti időszakában is egyértelműen felismerték, és érdekes módon a GreenStar brosúra szlogenje így szólt: „Az információ az új termésed!” A precíziós mezőgazdaság azóta hosszú utat tett meg, és ma már az intelligens gazdálkodás gyakorlatának központi elemének tekintik, amelynek lényege a pontos és valós idejű adatokhoz való hozzáférés és azok kihasználása a termés minőségének és mennyiségének javítása, a munkaerő hatékonyabb felhasználása, és természetesen az agráripar nyereségének növelése érdekében.
A jobb adatoknak köszönhetően nemcsak gyorsabban és nagyobb bizonyossággal lehet döntéseket hozni, hanem a döntéshozatali folyamat is nagyrészt automatizálható, ami azonnali cselekvéshez vezet.
Érzékelők
Az agronómia, vagyis a talajgazdálkodás és a növénytermesztés tudománya, kulcsfontosságú szerepet játszik a magasabb terméshozamok elérésében. Például a növény egészségi állapotának (és növekedési szakaszának) egyik alapvető mutatója a színe, beleértve az emberi szem számára láthatatlan spektrális tulajdonságokat is. A műholdas felvételek felhasználásával számos spektrális index állítható elő. A növénytermesztésben hasznosak közé tartozik a normalizált növényzetindex (NDVI, amely összehasonlítja a közeli infravörös [NIR] és a látható vörös fény szintjeit), a levélfelületi index (LAI) és a nedvességstressz-index (MSI). Az elmúlt években egyre gyakrabban használnak többrotoros és merevszárnyú pilóta nélküli légi járműveket (UAV-kat), amelyek standard képalkotó és hiperspektrális kamerákkal, valamint hőérzékelőkkel vannak felszerelve a műholdakkal való összehasonlítás céljából.
A spektrális tulajdonságok szintén a talaj egészségi állapotának mutatói lehetnek, és hasznos információkat nyújtanak az elektrokémiai érzékelők (amelyek a pH-értéket és a tápanyagszintet mérik) valamint a gamma-sugárzás-érzékelők.
A tágabb összefüggésben álló adatokkal – például a levegő- és harmatpont-hőmérséklet, a szél sebessége és iránya, a relatív páratartalom, a légnyomás és a napsugárzás – együtt ezek az információk beépülhetnek egy hálózatba kapcsolt mezőgazdasági ökoszisztémába.
A növényállomány egészségi állapotára vonatkozó adatok felhasználhatók egy kezelési terv (PM) elkészítéséhez, amely részletesen meghatározza, hol kell kijuttatni az olyan termelési tényezőket, mint a vetőmag, a műtrágya, a növényvédő szerek és a víz. Ezen felül az időjárás-előrejelzések, a termelési tényezők költségei, valamint a szükség esetén bérlendő gépek költségei és rendelkezésre állása is segíthetnek abban a legfőbb szintű döntésben, hogy mikor kell elvégezni a kijuttatást.
Fontos a bemeneti mennyiségek ellenőrzése, mivel azok közvetlen hatással vannak az agráripar jövedelmezőségére, valamint számos környezetvédelmi kérdésre is.
felismerni a rovarok nyomait, és eldönteni, mely növényeknél szükséges a növényvédőszer alkalmazása. Fontos azonban, hogy a döntés más tényezők – például a talaj nedvességtartalma – alapján is meghozatalra kerül, mivel az észlelt tünetek nem feltétlenül utalnak kizárólag betegségre vagy kártevőfertőzésre. A vízhiány is okozhat hervadást, ezért a gépi tanulási modellnek képesnek kell lennie különböző típusú bemeneti adatok feldolgozására.
Mint már említettük, az alacsony energiafogyasztású mikrokontrollereket már széles körben használják az IoT-eszközökben, ezért az IoTAg-eszközökben is alkalmazhatók. Ráadásul a Tiny Machine Learning (tinyML) mozgalomnak köszönhetően lehetőség nyílik a mesterséges intelligencia (MI) és a gépi tanulás (ML) mikrokontrollereken történő megvalósítására is. A gépi tanulási algoritmusok mikrokontrollereken történő megvalósításával biztosítható a számos VRT-alkalmazáshoz szükséges peremfeldolgozás és döntéshozatal.
Összefoglalás
Az intelligens mezőgazdaság lényege az adatokhoz való hozzáférés és azok hatékony kihasználása a terméshozam növelése érdekében. Ezek az adatok már most is olyan gyakorlatok életerejének bizonyulnak, mint például a VRT, segítve a gazdákat abban, hogy kevesebb ráfordítással többet érjenek el, és egyre magasabb szintű automatizálást tesznek lehetővé. Ugyanakkor az agráripar ökoszisztémájába bevezetett mesterséges intelligencia (MI) és gépi tanulás (ML) ígérik a legnagyobb terméshozamot azáltal, hogy helyszíni döntéseket hoznak és optimálisan kihasználják a termelési tényezőket.
További információkért látogasson el a Microchip weboldalára: www.microchip.com
A szerzőről:
Nilam Ruparelia vezeti a Microchip piacra lépési tevékenységét az peremhálózati számítástechnika alapú mesterséges intelligencia (MI) és gépi tanulás (ML), valamint az 5G és a kommunikációs piacok terén. Több mint 30 éves karriert tudhat maga mögött a félvezetőiparban, ahol piac-, ügyfél- és alkalmazásközpontú pozíciókat töltött be az MCU, FPGA és kommunikációs termékek területén piacvezető vállalatoknál. Nilam az indiai Gujarat Egyetem LD Műszaki Főiskoláján szerzett mérnöki diplomát, elektronika és kommunikáció szakirányon.
