We interconnect
everyone
and
everything
Produciamo automazione e sistemi di monitoraggio: facciamo comunicare oggetti intelligenti e li mettiamo al tuo servizio nei settori produttivi e non solo.
AI per un'agricoltura intelligente
AI in agricoltura
Dati, trend ed esempi pratici dal report dell’Unione Europea
L'intelligenza artificiale in agricoltura
L’AI in agricoltura è stato oggetto di uno studio condotto per conto dell’Unione Europea e pubblicato nel marzo 2023 sul suo portale. Il report parte da una premessa importante: l’agricoltura è oggi più smart grazie all’introduzione in campo (e lungo la filiera) di innovazioni come i sistemi di monitoraggio basati su sensori wireless.
I cambiamenti portati dalle tecnologie sono stati evidenti nel modo di raccogliere i dati, registrarli ed elaborarli per prendere decisioni mirate al reale fabbisogno della coltura. Con l’IoT, ad esempio, gli agricoltori sono oggi guidati non solo dalla personale esperienza, anche dalla scienza.
La nuova frontiera dell’innovazione oggi è rappresentata dall’integrazione di AI. L’Unione Europea sta adottando un approccio attivo nei confronti dell’integrazione dell’Intelligenza Artificiale (IA) in l’agricoltura. La sua Politica Agricola Comune mira a sostenere l’uso di tecnologie digitali e IA per ottimizzare la gestione delle coltivazioni, migliorare la precisione nell’uso di risorse come acqua e fertilizzanti, e affrontare sfide come il cambiamento climatico.
In cosa consiste l'AI (Artificial Intelligence)
Come riporta lo studio, i sistemi AI consistono in software che possono, sulla base di data set, generare output come previsioni, raccomandazioni o allerte, o decisioni capaci di influenzare il contesto con cui interagiscono.
Funzionamento
L’AI, data una serie di obiettivi, agisce nel mondo fisico o digitale percependo l’ambiente umano, ne interpreta i dati, ragiona sulla conoscenza che deriva dalle informazioni raccolte e decide le azioni migliori da prendere (sulla base di parametri predefiniti) per raggiungere i traguardi.
Questi sistemi possono anche essere programmati per imparare ad adattare il loro comportamento al contesto umano, analizzando come l’ambiente è influenzato dalle loro precedenti azioni.
Tecnologie connesse
Le tecnologie integrate nell’AI sono diverse come la machine learning (che si compie sulla base di specifici esempi), la machine reasoning (che include la pianificazione, la schedulazione, il ragionamento, la ricerca e l’ottimizzazione) e la robotica (per il controllo e la percezione attraverso sensori e attuatori etc).
Applicazione AI in campo
Come sostiene lo studio, ci sono diverse variabili che gli agricoltori possono controllare: dalla selezione della varietà alla pianificazione della semina, dal tasso di fertirrigazione agli interventi pesticida, dall’uso delle macchine ai loro consumi.
Questi dati interagiscono tra loro generando una quantità di dati immane e un continuo mutare dei parametri da considerare. In teoria, tutto questo dovrebbe trovare facile interpretazione grazie all’integrazione di AI nei sistemi di monitoraggio ed elaborazione dati.
Vantaggi di integrare AI in campo
Il monitoraggio dei dati delle condizioni ambientali e dei valori riguardanti le colture è vantaggioso a più livelli per gli agricoltori e la comunità in generale.
- mantenere il controllo sulla qualità dell’acqua;
- verificare la qualità dell’aria;
- conoscere in tempo reale la fertilità del terreno e la sua salute;
- controllare la Food Quality;
- garantire la sicurezza alimentare;
- tutelare la biodiversità;
- migliorare la qualità della vita;
- riduzione sprechi;
- decisione mirate del coltivatore.
Esempi pratici di digitalizzazione in agricoltura
Misura dello sviluppo della pianta
Una delle più diffuse metodologie digitali di misura delle caratteristiche fenotipiche della piantina è l’analisi delle sue immagini spettrografiche. Queste sono date in pasto al software che ricava informazioni anche dai suoi pigmenti per determinare i componenti (zuccheri, acqua etc). I dati sono utili per capire le sue esigenze in termini di luce, temperatura, irrigazione o fertilizzazione.
Previsione del rendimento
L’integrazione di algoritmi di Machine Learning nei software di elaborazione dati relativi alle colture oggi consente di stimare la resa del raccolto.
Questi algoritmi lavorano sulle previsioni climatiche, sul microclima e sugli aspetti qualitativi delle piantine, tra cui l’analisi degli indicatori di crescita e sviluppo.
Previsione parassiti
Il rilevamento automatico degli agenti patogeni sulle piante sta guadagnando sempre più attenzione in orticoltura. Esso si basa sul presupposto che una pianta malata abbia un aspetto diverso da una sana. Ad esempio, le foglie possono mostrare sottili differenze di colore, spesso invisibili all’occhio umano ma che invece sono catturate utilizzando tecniche come lo spectral imaging. Questo, combinato con tecniche di deep learning ha il potenziale per diventare un potente strumento di rilevamento del patogeno in automatico. Una soluzione di grande interesse per colture in campo, serre e vertical farm. Il monitoraggio dei parassiti infatti è difficile perché questi e le loro uova si trovano spesso sulla pagina inferiore delle piante, oltre ad essere piccoli e spesso di specie diverse.
We interconnect