Πρακτικές όπως η άρδευση, η λίπανση, η προστασία των καλλιεργειών και το κλάδεμα εφαρμόζονται ομοιόμορφα σε ένα μικρό εύρος αγρού. «Δεν λέω ότι είναι λάθος», παρατηρεί ο καθηγητής Carlos Poblete-Echeverría, «αλλά θέλουμε να προχωρήσουμε σε κάτι νέο για να βοηθήσουμε τους καλλιεργητές να βελτιωθούν». Η Poblete-Echeverría είναι αναπληρώτρια καθηγήτρια στο Τμήμα Αμπελουργίας και Οινολογίας στο Πανεπιστήμιο Stellenbosch (SU) και συντονιστής της Ομάδας Έρευνας Ψηφιακής Γεωργίας στο Ινστιτούτο Έρευνας Σταφυλιών και Οίνου της Νότιας Αφρικής.

Η έρευνά του επικεντρώνεται στην ανάπτυξη και αξιοποίηση νέων ψηφιακών εργαλείων στην αμπελοκαλλιέργεια και τη γεωργία. Ενδιαφέρεται για την ψηφιακή αμπελοκαλλιέργεια, η οποία ορίζεται ως η εφαρμογή νέων τεχνολογιών για τη διαχείριση της χωρικής και χρονικής μεταβλητότητας εντός των αμπελώνων, παρέχοντας στους καλλιεργητές πολύτιμες πληροφορίες για την υποστήριξη της βέλτιστης διαχείρισης.

Αισθητήρες και πλατφόρμες συλλογής δεδομένων

Η απόκτηση δεδομένων μέσω αισθητήρων είναι το πρώτο βήμα στην ψηφιακή αμπελοκαλλιέργεια. Η Poblete-Echeverría παραθέτει αρκετές μη επεμβατικές τεχνολογίες για χρήση σε αισθητήρες. Η πιο οικεία είναι η ψηφιακή φωτογραφία που βασίζεται στο ορατό φως. «Οι κανονικές κάμερες είναι μια εξαιρετική τεχνολογία χαμηλού κόστους», λέει. «Υπάρχουν πολλές εφαρμογές για απλές κάμερες, ειδικά όταν τις συνδέετε σε drone ή όχημα. Μπορείτε επίσης να χρησιμοποιήσετε τη φωτογραφία time-lapse." Άλλες τεχνολογίες ψηφιακής απεικόνισης, για παράδειγμα, η φασματοσκοπία, η πολλαπλή και υπερφασματική απεικόνιση και η υπέρυθρη θερμογραφία, βασίζονται στο μη ορατό φως, ενώ ο φθορισμός χλωροφύλλης εκτιμά τη φωτοσύνθεση μετρώντας το φως που εκπέμπεται από τα φύλλα. Ο Poblete-Echeverría έχει δημοσιεύσει αρκετές εργασίες που διερευνούν αυτές τις τεχνολογίες στους αμπελώνες, συμπεριλαμβανομένης της πιο πρόσφατης εργασίας του χαρτογραφώντας την κατάσταση του αμπελιού με πολυφασματικές εικόνες που συλλέγονται από drone.

Εκτός από τους αισθητήρες που βασίζονται στο φως, ορισμένοι αισθητήρες ανιχνεύουν ηλεκτρική αντίσταση και αγωγιμότητα, οι οποίοι χρησιμοποιούνται για ανάλυση εδάφους. Προκειμένου οι αισθητήρες να συλλέγουν δεδομένα από έναν ολόκληρο αμπελώνα, πρέπει να είναι τοποθετημένοι σε πλατφόρμες. Οι επιλογές περιλαμβάνουν δορυφόρους, επανδρωμένα ή μη επανδρωμένα αεροσκάφη, επίγεια οχήματα και ρομπότ. Σύμφωνα με την Poblete-Echeverría, τα drones αντιπροσωπεύουν μια ριζική αλλαγή για τους αισθητήρες που βασίζονται στον αέρα. «Βρισκόμαστε σχεδόν σε μια στιγμή όπου τα μη επανδρωμένα εναέρια οχήματα είναι πλήρως αυτόματα», λέει. «Και μπορούμε να έχουμε εξαιρετική ανάλυση με τις εικόνες που λαμβάνουμε». Οι επίγειοι αισθητήρες μπορούν να τοποθετηθούν σε τρακτέρ ή τετράποδήλατα και να συνδεθούν με παγκόσμια συστήματα εντοπισμού θέσης για την απόκτηση ακριβών χωρικών δεδομένων. «Τα ρομπότ έρχονται – είναι βέβαιο ότι θα εκτελέσουν συγκεκριμένες εργασίες και θα καταγράψουν πληροφορίες», λέει η Poblete-Echeverría. Το Τμήμα Αμπελουργίας και Οινολογίας στο SU, σε συνεργασία με το Συμβούλιο Επιστημονικής και Βιομηχανικής Έρευνας (CSIR), έχει ήδη εφαρμόσει μια ρομποτική πλατφόρμα ειδικά σχεδιασμένη για αμπελώνες. Ονομάζεται Dassie, το ρομπότ κινείται πάνω-κάτω μεταξύ των διαδρόμων εργασίας, μεταφέροντας αισθητήρες για τη συλλογή δεδομένων για κάθε κλήμα που περνάει.

Βάζοντας σε λειτουργία την τεχνητή νοημοσύνη

«Σήμερα η τεχνητή νοημοσύνη είναι ένα καυτό θέμα – ζούμε σε μια επανάσταση με την τεχνητή νοημοσύνη», λέει η Poblete-Echeverría. «Είναι εκπληκτικό αυτό που μπορούμε να κάνουμε». Η τεχνητή νοημοσύνη είναι ο γενικός όρος που χρησιμοποιείται σε εργασίες στις οποίες οι υπολογιστές αποκτούν και εφαρμόζουν δεδομένα και δεξιότητες. Οι υπολογιστές είναι προγραμματισμένοι να προσομοιώνουν τον ανθρώπινο συλλογισμό για την εξαγωγή συμπερασμάτων από δεδομένα. «Στην παραδοσιακή μέθοδο προγραμματισμού που χρησιμοποιούσαμε στο παρελθόν, δημιουργήσαμε ένα μοντέλο που βασίζεται στη φυσική, τη φυσιολογία και τους κανόνες μιας διαδικασίας. Εισάγεις σε αυτό το μοντέλο τα δεδομένα σου στον υπολογιστή και σου παρέχει ένα αποτέλεσμα», εξηγεί η Poblete-Echeverría. «Σήμερα, με την τεχνητή νοημοσύνη και τη μηχανική μάθηση, δίνουμε στον υπολογιστή δεδομένα και αναμενόμενα αποτελέσματα και δημιουργεί το μοντέλο για εμάς. Έτσι, το μηχάνημα εξάγει τα μοτίβα – δεν του δίνονται κανόνες – και μπορούμε να χρησιμοποιήσουμε το μοντέλο του για να μας δώσει τελικά αποτελέσματα ως έξοδο.”

Η μηχανική μάθηση είναι το υποσύνολο της τεχνητής νοημοσύνης που μιμείται την ανθρώπινη μάθηση. Ομοίως, η όραση του υπολογιστή είναι ανάλογη με την ανθρώπινη όραση: η μηχανή αποκτά, επεξεργάζεται, αναλύει και εξάγει δεδομένα από εικόνες και μετατρέπει τα δεδομένα σε πληροφορίες. Τα δεδομένα είναι η πρώτη ύλη για την τεχνητή νοημοσύνη. Οι υπολογιστές τα χρειάζονται για να εκπαιδευτούν και οι ερευνητές για να δοκιμάσουν τους υπολογιστές. «Ο καθαρισμός, η προετοιμασία και ο χειρισμός των δεδομένων είναι πολύ σημαντικός», τονίζει η Poblete-Echeverría. "Ειδικά στη γεωργία, επειδή τείνουμε να έχουμε βάσεις δεδομένων σε διαφορετικές μορφές."

Έξυπνες εφαρμογές για απόδοση και ποιότητα

Για να καταδείξει πώς μπορεί να αναπτυχθεί η απόκτηση και η επεξεργασία δεδομένων σε πραγματικές εφαρμογές, η Poblete-Echeverría συζητά προβλέψεις απόδοσης με βάση την ανίχνευση δέσμης, χρησιμοποιώντας έναν αλγόριθμο τεχνητής νοημοσύνης που ονομάζεται YOLO (You Only Look Once) που βασίζεται σε τεχνολογία παρόμοια με το λογισμικό αναγνώρισης προσώπου. Ο αλγόριθμος YOLO μπορεί να εκπαιδευτεί ώστε να ανιχνεύει οτιδήποτε σε μια εικόνα. «Εκπαιδεύουμε το σύστημα να ανιχνεύει τσαμπιά στα αμπέλια και διερευνούμε την επίδραση της απόκρυψης», λέει η Poblete-Echeverría. «Δεν είναι εντελώς ορατά όλα τα τσαμπιά, επομένως εκπαιδεύουμε το μοντέλο να υπολογίζει τον αριθμό των τσαμπιών ανά κλήμα». Άλλες ερευνητικές ομάδες έχουν κάνει παρόμοια δουλειά, σε μια περίπτωση χρησιμοποιώντας μια έκδοση του λογισμικού YOLO που μπορεί να τρέξει σε smartphone. «Δοκίμασαν αυτό το σύστημα σε επτά ποικιλίες», λέει η Poblete-Echeverría, «και ανέφεραν 92% ακρίβεια στην ανίχνευση τσαμπιών». Οι ερευνητές έχουν επίσης εκπαιδεύσει μοντέλα που μπορούν να ταξινομήσουν τα τσαμπιά ως βέλτιστα ή κατεστραμμένα.

Πηγαίνοντας την τεχνολογία ένα βήμα παραπέρα, οι επιστήμονες συνδύασαν την τεχνητή νοημοσύνη και την εικονική πραγματικότητα για να βοηθήσουν στην αραίωση. Ένας άνθρωπος που φορά μία μάσκα εικονικής πραγματικότητας βλέπει ένα πλήθος ως μια συλλογή από κίτρινα μούρα, με αυτά που προορίζονται για αφαίρεση να είναι χρωματισμένα με κόκκινο. Η Poblete-Echeverría πιστεύει ότι οι νέες τεχνολογίες έχουν μεγάλες δυνατότητες για την αξιολόγηση της ποιότητας των μούρων. Συμμετέχει σε ένα έργο που εξετάζει την πολυ- και υπερφασματική απεικόνιση ως μη επεμβατικά εργαλεία για τον προσδιορισμό των συνολικών διαλυτών στερεών και της συνολικής οξύτητας στα επιτραπέζια σταφύλια. Οι εικόνες μπορούν να ληφθούν στον αμπελώνα χωρίς να διαταραχθεί το αναπτυσσόμενο τσαμπί. Τα αποτελέσματα τόνισαν τον κρίσιμο ρόλο του φάσματος φωτός που χρησιμοποιείται για τη λήψη της εικόνας, έτσι η Poblete-Echeverría ξεκίνησε ένα έργο που χρηματοδοτείται από το SATI που εστιάζει στον φυσικό και χημικό χαρακτηρισμό δέσμης χρησιμοποιώντας μηχανική όραση.

Παρακολούθηση ασθενειών και όχι μόνο

Δεν αποτελεί έκπληξη το γεγονός ότι το πεδίο εφαρμογής των έξυπνων εφαρμογών εκτείνεται πολύ πέρα ​​από τα φρούτα. Μια νέα εργασία από την Poblete-Echeverría και τους συνεργάτες της ασχολείται με την ανίχνευση περονόσπορου από την τεχνητή νοημοσύνη. «Τα συμπτώματα είναι πολύ μικρά, ειδικά σε ένα μεγάλο εύρος πεδίου, επομένως είναι δύσκολο να αποτυπωθούν στο πεδίο», λέει. «Αλλά στο τέλος, εκπαιδεύσαμε το μηχάνημα να αναγνωρίζει αυτά τα μοτίβα, ώστε να μπορεί να αναγνωρίσει τις πληγείσες περιοχές με λεπτομέρεια μέσα σε ένα ή δύο δευτερόλεπτα, κάτι που θα χρειαζόταν ένας ειδικός στον άνθρωπο μία έως δύο ώρες». Στο μέλλον, μια κάμερα τοποθετημένη σε ένα όχημα ή ένα ρομπότ θα μπορούσε να ερευνήσει έναν ολόκληρο αμπελώνα, να εντοπίσει περιοχές με μούχλα/βοτρύτη και να διευκολύνει τις εφαρμογές φυτοπροστατευτικών με μεταβλητό ποσοστό.

Η τεχνολογία για παρόμοια λεπτομερή διατροφική διαχείριση χρησιμοποιείται ήδη. Αν και ο Poblete-Echeverría είναι σίγουρος για την αξία των νέων τεχνολογιών, έχει μια ένσταση. «Η τεχνητή νοημοσύνη δεν είναι κάτι μαγικό. Πρέπει να ακολουθήσουμε ορισμένα βήματα για να παράγουμε σωστά μοντέλα και τα μοντέλα θα πρέπει να εκπαιδεύονται και να δοκιμάζονται σωστά πριν κυκλοφορήσουν στην αγορά.» Όσον αφορά την εφαρμογή, οι εταιρείες έχουν αρχίσει να αναπτύσσουν προϊόντα και υπηρεσίες και οι καλλιεργητές μπορούν να ανυπομονούν να ενισχύσουν τις παραδοσιακές πρακτικές αμπελοκαλλιέργειας με καινοτόμες τεχνολογίες. «Έχουμε κάνει όλη την επιστήμη. Αφού έχετε τις βάσεις δεδομένων και τα μοντέλα, η εφαρμογή των μοντέλων δεν είναι δύσκολη», λέει η Poblete-Echeverría. «Μπορούμε να βοηθήσουμε τη βιομηχανία επιτραπέζιων σταφυλιών να βελτιώσει την ποιότητα και την παραγωγικότητα. Νομίζω ότι το μέλλον είναι πολλά υποσχόμενο».

Πηγή

By Anna Mouton