A gazdálkodók naponta szembesülnek komoly kihívásokkal: az éghajlatváltozással, az időigényes kézi munkát igénylő feladatokkal, vagy a fogyasztók megváltozott étkezési szokásaival. Milyen megoldásokat kínálnak ezekre a legújabb technológiák, köztük az IoT, a számítógépes látás, a blockchain és a kiterjesztett valóság eszközei?
Az elmúlt évszázadok során az emberiség számtalan átalakuláson ment keresztül, amelyek forradalmasították a mezőgazdaságot is. Ezek a „forradalmak” fontos szerepet játszottak a termelés növelésében és a gyártási folyamatok optimalizálásában.
A kulturális átalakulások hatása a mezőgazdaság termelékenységére
Hosszú és átfedésekkel tarkított út vezetett az első forradalomtól a negyedikig, a vadászattól és gyűjtögetéstől a digitalizációig és a mesterséges intelligenciáig. Nézzük a részleteket, íme a négy mezőgazdasági forradalom:
Az elsőt 1700-tól datáljuk. Ezt a korszakot a helyhez kötött gazdálkodás jellemzi, amely főként a kétkezi munkára, a lóerőre és az egyszerű szerszámokra épült. Ez azt jelenti, hogy a termelékenység ebben az időszakban viszonylag alacsony maradt.
A második mezőgazdasági forradalom 1914-1980 között zajlott. Ebben az időszakban a természetes nitrogén-kiegészítőket a szintetikus műtrágyák váltották fel.
A vetésforgó és a vízelvezetés bevezetésével látványosan nőtt a növény- és állatállomány hozama, javult a talaj termőképessége és csökkent a parlagon lévő területek mérete.
A termelés növekedése és a munkaerő-igény csökkenése elvándorláshoz és a városi lakosság növekedéséhez vezetett.
A harmadik mezőgazdasági forradalom az 1920-as években kezdődött és napjainkig tart. Ez a korszak a belsőégésű motorokról, a vidék villamosításáról, a biotechnológia és a géntechnológia bevezetéséről, és a számítógépes programok alkalmazásáról szól. Eredményességük jól látható a piacokon.
A negyedik mezőgazdasági forradalom az 1970-es években indult. Ebben a szakaszban ment végbe a váltás az ipari termelésről a digitális modellre, amely optimalizálja a gyártási folyamatokat, csökkenti az időráfordítást és a költségeket, valamint hozzáadott értéket hoz létre a vásárlók számára.
A mezőgazdasági ágazatnak olyan kulcsfontosságú új tényezői lettek, mint a dolgok internete(IoT), a big data, a mesterséges intelligencia, a felhőalapú megoldások, a szenzoros adatgyűjtés, az adatok összegyűjtése és feldolgozása óriási adattárházakban, amelyek mind a döntéshozatal alapjaivá váltak.
Az első és a második mezőgazdasági forradalom a kézi munkáról az üzemi termelésre való áttérésről, míg a harmadik és negyedik forradalom a digitalizációról és az adatgyűjtés fontosságáráról szól. Az agrárszektorban azonban még így is óriási nehézségek vannak, amelyekre megoldást a gépi tanulás adhat.
A hagyományos mezőgazdaság problémái és a gépi tanulás szerepe
Az agrártermékek iránti kereslet jelentősen megnőtt az elmúlt években, ami a közeljövőben az infláció egyik fő okozója lehet az egész világon. Az intenzív mezőgazdasági hozamnövekedés azonban számos külső ok miatt korlátozott:
Egyfelől globálisan limitált a mezőgazdasági művelésre alkalmas földterület, az éghajlati viszonyok és a talajminőségének változása, valamint a városok növekedése miatt.
A legfrissebb statisztikák szerint bolygónk földterületének körülbelül 40%-át dzsungel, sivatag, lakott terület vagy más természetes szárazföldi képződmény, például erdő borítja. Így nagyon kevés terület maradt a mezőgazdaság bővítésére.
Másfelől a fogyasztók folyamatosan változó táplálkozási szokásai arra késztetik a gazdálkodókat, hogy egyik termelési típusról a másikra térjenek át. Egy példa erre, hogy a társadalmi egyenlőtlenségek miatt bizonyos piacokon gyorsan növekszik a húskészítmények iránti kereslet.
Az elmúlt évszázadban továbbá a súlyosbodó éghajlatváltozás és a természeti katasztrófák extrém időjárási mintákat és az átlaghőmérséklet emelkedését vonták maguk után, ami ingadozó hozamot és termeléskiesést okozott a mezőgazdaságban.
A gépi tanulás alkalmazása enyhítheti a fent említett problémákat, nézzünk egy példát. Képzeljünk el egy gazdálkodót, aki főként a költségek és a megtermelt hozamok számításaira támaszkodik. Ez a gazda a nyereségét matematikai számítások alapján prognosztizálja.
Tegyük fel, hogy ugyanez a gazda a mezőgazdasági gépeire szenzorokat szerel, amivel adatokat gyűjt a termésről a GPS koordináták segítségével, más adatokat pedig drónokról kér le, és vet össze a Földrajzi Információs Rendszer (FIR)adataival.
Tegyük fel, hogy emellett még felhőszerverekről gyűjt adatokat az árképzésről, állatállományának aktuális lokációjáról és a termékei iránti keresletről (1. ábra).
Mindezek együttesen pontos képet adnak a termékeinek potenciális értékéről és keresletéről. Emellett az időjárás-előrejelzések egyértelműen prognosztizálják a következő hét várható időjárási körülményeit.
A szenzorok észlelik a talaj nedvességét, ellenőrzik a növények és az állatok egészségi állapotát. Mindezek az adatok később is rendelkezésre állnak,további elemzések céljából.
A gazdálkodó és a fogyasztó minden terméket egyszerűen nyomon követhet és megfigyelhet egyetlen grafikus felületen. Ezen információk összegyűjtésével és elemzésével sok erőfeszítés takarítható meg, ami elősegítheti a gazdálkodók hatékonyabb munkáját, megoldást nyújtva a főbb problémákra.
A gépi tanulás és az adatmérnöki tevékenység integrálása az agráriumba
A Covid-19 világjárvány óriási hatással volt a mezőgazdaságra, ugyanakkor a gépi tanulás és az adatmérnöki megoldások fejlődésére is. A mezőgazdaság és a gépi tanulás integrációjának fő célja a terméshozam növelése, az energia- és erőforrások megtakarítása, valamint a növények és az állatok fejlődésének teljes körű ellenőrzése.
A gépi tanulás számos technikája segíti a mezőgazdasági adatok összegyűjtését és megkönnyíti a gazdálkodók munkáját. Az alábbi alkalmazások nagyon hasznosak lehetnek az adatgyűjtés és a tényleges termelés közötti összefüggések fejlesztésére.
1) Egységes protokoll
Célszerű, ha az elektronikus berendezések és alkatrészek kompatibilisek egymással, azaz egységes protokollra épülnek. Minden mechanikus eszköznek és mezőgazdasági gépjárműnek úgy kell egymáshoz illeszkednie, mint a LEGO daraboknak.
Így kell egyetlen nagy „gépet” alkotniuk, amelyben minden elem protokollok által kommunikál egymással. Ez az egységes protokoll az ISO 11783 nemzetközi szabványon alapul, amit 2008-ban kezdtek el alkalmazni világszerte.
2) A „dolgok internete” (IoT)
A rendszer különböző eszközeinek kapcsolódniuk kell az internethez, így valós időben tudnak kommunikálni egymással (2. ábra).
A szenzorok és az alkalmazások száma évről évre nő, a következő öt évben elérheti akár a 250 milliárdot is. A szoftveres szenzorok eme hihetetlen mértékű növekedése következtében nem triviális feladat lesz az információk egy helyen történő gyűjtése és tárolása.
3) Drónok és a távérzékelés
Az informatika és az agrártudomány fejlődése lehetővé tette a távérzékelő drónok alkalmazását, ami a precíziós gazdálkodás elterjedéséhez vezetett. Egy ilyen rendszer maximális profitot és termést biztosít, minimális ráfordítással és optimális erőforrás-felhasználással.
Az egyik érdekes alkalmazás a globális helymeghatározó rendszeren (GPS) és a földrajzi információs rendszeren (FIR) alapul, amelyekkel megtervezhető például a traktorok optimális útvonala.
A gépi tanulás algoritmusaival a bonyolult egyetemi trigonometria-feladat így egyszerűen megoldható lesz, a megtakarított üzemanyag pedig pénzben mérhető(3. ábra).
4) Adatgyűjtés és a közösségi hálózatok
Ennek kulcsa egy hatékony kommunikációs lánc létrehozatala a helyi élelmiszertermelési és állattenyésztési rendszerekkel. Ez a megközelítés elősegíti a teljes élelmiszer-ellátási lánc hatékonyságának jobb megértését.
A két rendszer integrációja pedig hosszú távon pozitív környezeti hatást és nagyobb élelmiszerbiztonságot eredményez.
5) Számítógépes látás
A képelemzés és képfelismerés az informatikai kutatások egyik leggyorsabban fejlődő területe. Minden automata gép szenzorokkal van ellátva, és leggyakrabban kamerákat használnak arra, hogy adatokat gyűjtsenek a termésről és a betakarítási terület földrajzi elhelyezkedéséről.
Ez lehet egy RGB-kamera, mélységmérő kamera vagy lézeres távolságmérő rendszer. A képeket a gépi tanulási rendszer következő fázisába továbbítják, ahol az adatokat hatékony osztályozási módszerekkel szelektálják, például támogatóvektor-gépekkel(SVM), neurális hálózatokkal, k-klaszterezéssel, elsődleges főkomponens-analízissel (PCA), a fő jellemzők kiemelésével.
A különböző alkalmazások közül a következőket érdemes megemlíteni:
Növénybetegségek azonosítása. A gazdálkodók hagyományosan nem túl tájékozottak a betegségek korai szakaszban történő felismerésével kapcsolatban.
Mivel nem rendelkeznek ismeretekkel a növények betegségeiről, ezért szakértők támogatására és javaslataira van szükségük. A fertőzések korai stádiumban történő diagnosztizálása sok termést menthet meg.
Gyümölcsök válogatása és osztályozása. A piacon a gyümölcsöket a méret és az ehhez tartozó ár szerint szelektálják. Ez a válogatás általában kézzel történik, ami nem objektív, illetve időigényes. Ez a folyamat az elsők között automatizálható.
Termőterület felmérése. A műholdak által gyűjtött információk sokasága a képszenzorok használatával bővült. A növekvő vagy eltűnő erdők területeit idősoros formában lehet gyűjteni és elemezni, a potenciális problémák felismerése érdekében.
Gyomfelismerés. Minden növény végső soron egy vadon élő gyomból származik. Ezért az ismeretlen növények felismerése, osztályozása, és közülük a legjobbak kiszűrése rendkívül fontos a jövőbeni mezőgazdasági hozam szempontjából.
A kutatók képfeldolgozási módszereket javasolnak a mezőgazdasági paraméterek elemzésére és annak leírására, hogy a különböző spektrumú képfeldolgozások, mint például az infravörös és hiperspektrális röntgen hogyan lehet hasznos a vegetációs indexek meghatározásában, a lombkorona mérésében, az öntözött talaj feltérképezésben és számos más területen (4. ábra).
6) Adatok átláthatósága és a blokklánc
A blokklánc az adatok titkosításának olyan módszere, amely minden egyes, egy célegységre alkalmazott transzformáció, például tárolás, összekapcsolás és visszaállítás esetén keresést végez.
A modern agráripar felgyorsult, ma már a mezőgazdasági értékláncban is blokkláncot használnak, mivel ez megfelelő mechanizmus lehet a különböző problémák optimalizálására – ilyen például az átláthatóság, a költséghatékonyság, a nyomonkövethetőség, a minőségi ellátórendszerek.
A francia Carrefour élelmiszerlánc például 2018 óta blokklánc-megoldásokat használ termékei nyomon követhetőségére. A cél az, hogy a fogyasztók egy QR-kód beszkennelésével mobiltelefonjaikra letölthessék a termékre vonatkozó adatokat , például a gyártás helyét és idejét, a termék összetételét, a termesztés módját és hasonlókat.
7) Kiterjesztett valóság
Ez a terület még fejlesztési stádiumban van, de máris nagy lehetőségeket kínál egy olyan speciális, 3D-s képfelbontást igénylő területen, mint a mezőgazdaság.
Felhasználási területe lehet az állatbetegségekvagy a terméskárok vizualizálása, a szükséges kezelések felmérése és elvégzése érdekében. A kiterjesztett valóság már a közeljövőben is nagy eredményeket ígér, különösen, ha mesterséges intelligenciával (MI) kombinálják.
Nem szabad alábecsülni a gépi tanulás és az adatfeldolgozás jelentőségét a mezőgazdaságban. Az új technológiák bevezetése biztosan mindenkinek javára válik: a gazdálkodóknak bevételnövekedést, a fogyasztóknak pedig időmegtakarítást eredményez.
A szerző szoftverfejlesztő, adatmérnök a Sigma Software Groupnál
