Mit lát a drón, amit a gazda nem?
Korunk mezőgazdasága egyszerre számos kihívással néz szembe: energiaválsággal, a klímaváltozás hatásaival, munkaerőhiánnyal és a kiszámíthatatlan piaci helyzettel. Ezek a tényezők egytől egyig megkívánják, hogy a termelés hatékonysága a lehető legmagasabb legyen, hiszen csak így tartható fenn a társadalom által elvárt magas életszínvonal. Ennek érdekében a gazdálkodóknak minden rendelkezésére álló eszközt érdemes bevetni: fejleszteni a gépesítést, automatizálni az adatgyűjtést és pontosítani az információ feldolgozást.
A termelés hatékonyságának növelésében nyújt különösen nagy segítséget a precíziós gazdálkodás, ahol a technológiai fejlesztéseket kapcsolt módon, rendszerben a lehető legnagyobb mértékben ki tudjuk használni. Ugyanakkor azok a gazdaságok, ahol teljes precíziós gazdálkodási rendszerek kiépítése ma még nem lehetséges, akár a hagyományos gazdálkodás területein is bevethetik a technológiai fejlődés kínálta lehetőségeket.
A terepi jelenlét korlátai és a munkaerőhiány
A mai gazdálkodás egyik komoly, a humán erőforrást is jelentősen terhelő problémája, hogy a vezető döntéshozók egyre ritkábban jutnak ki a terepre, így saját szemükkel már kevésbé tudják felmérni a területeik állapotát. Ennek kiváltására pedig a szakképzett munkaerő drága, így nem feltétlenül tudja mindenki megengedni magának a megfelelően felkészült beosztottak alkalmazását. A fenti humánerőforrás-dilemma kiegyensúlyozására használhatunk a munkafolyamatokra olyan eszközöket, amelyek akár mesterséges intelligencia segítségével képesek azokat a feladatokat ellátni, amelyre eddig csak magas iskolázottságú alkalmazottak voltak képesek. A földi adatgyűjtés még mindig sok időt vesz igénybe, de a levegőből, földközeli távérzékeléssel végrehajtott adatgyűjtéssel a munkaidő nagyrészt csökkenthető. Egyre több gazdálkodásban találkozhatunk azzal a megoldással, hogy pilóta nélküli légi-járművek használatával gyorsan és hatékonyan összegyűjtött adatokat cél szerint olyan rendszerekben dolgozunk fel, amelyek könnyedén alakítják a döntéshozó számára jól értelmezhető információvá mindazt az inputot, amit begyűjtöttek.
A levegőből gyűjtött adatok előnyei
A digitális technológiák fejlődése nem egyik pillanatról a másikra jutott el a mesterséges intelligenciáig: több egymásra épülő szint vezetett a mai komplex rendszerek megszületéséig. Ennek az útnak az alapja egy egyszerű program, amely előre megírt utasításokat hajt végre, a fejlesztő által meghatározott logika szerint. Ezek a programok determinisztikusak: ugyanarra az inputra mindig ugyanazt az eredményt adják, nincsen bennük alkalmazkodás, sem tanulás. Jó példa erre egy öntözőberendezés vezérlője, amely minden nap 05:00-kor és 18:00-kor elindítja az öntözést, majd 20 perc múlva kikapcsol.
A második szintet az algoritmusok jelentik. Az algoritmus nem más, mint egy formális, lépésről lépésre meghatározott eljárás egy probléma megoldására. Minden alkalmazás algoritmusokra épül, ám itt már nem csupán utasítások sorozatáról beszélünk, hanem logikailag felépített, matematikailag is definiálható folyamatokról, amelyek akár összetett műveleteket is elvégeznek. Az algoritmusok azonban még mindig nem rendelkeznek tanulási képességgel. Jó példa az algoritmusokra egy traktor robotpilótája, ami elvezeti a gépet A pontból B pontba, egy előre megírt útvonalon.
A következő fejlődési lépcsőt a heurisztikák jelentik – ez az a szint, amelyet sokszor kihagynak, pedig kulcs szerepe van az „intelligencia” felé vezető úton. A heurisztikák olyan tapasztalati szabályok, amelyek gyors megoldást kínálnak. Ezek a „józan paraszti észen” alapuló, egyszerűsítő stratégiák már több „okosságot” visznek egy rendszer működésébe, még akkor is, ha önmagukban nem képesek tanulni. Ilyen, amikor a drón, képes megtalálni a beteg területeket azzal a szabállyal, hogy: „ha a növény lombjának színe 20%-kal eltér a referenciazöldtől, jelöld meg gyanúsnak.”
Az ezt követő lépcső a statisztikai modellek világa. Ezek a rendszerek már adatokból épülnek fel: matematikai összefüggéseket keresnek, trendeket becsülnek, összefüggéseket írnak le, de alapvetően még mindig nem javítják magukat automatikusan. Ez már egyfajta kapu a valódi tanulás felé és előkészíti a gépi tanulás megjelenését. Ezt csinálja egy termésbecslő modell, amely az elmúlt 20 év csapadék-, hőmérséklet- és terméshozam adatai alapján számolja ki a várható kukoricahozamot.
A tanuló gépek megjelenése
A gépi tanulás (Machine Learning) elhozta az igazi áttörést. Itt a rendszer már képes mintázatokat felismerni, általánosítani és az adatok alapján korrigálni a saját működését. A modell megtanulja, hogy adott bemenetek milyen kimenetekkel járnak együtt, majd ezt új helyzetekben is alkalmazza. A gépi tanulás legerősebb ága a mélytanulás, ahol mély neurális hálózatok elemzik a vizuális, hang- vagy szöveges információkat, sokszor emberi szintű pontossággal, mint amikor a drón képfelvételeiből megtanítjuk a programnak felismerni a gyomokat.
A mesterséges intelligencia a mezőgazdaság szolgálatában
A csúcsot a mesterséges intelligencia (MI – magyarul; Artificial Intelligence (AI) – angolul) jelenti – ez már nem egyetlen technológia, hanem különböző komponensek együttese: tanuló algoritmusok, döntéshozó rendszerek, érzékelők, vezérlőlogika és optimalizáló modulok integrált működése. Az ilyen rendszerek képesek bonyolult problémák megoldására, tervezésre és alkalmazására, sőt, képesek autonóm működésre is. Az út tehát az egyszerű, szabályalapú kódtól a komplex, önfejlesztő rendszerekig vezet, amelyek ma már teljes iparágakat alakítanak át –, köztük a mezőgazdaságot is.
Vegyünk egy gyakorlati példát a mindennapokból: egy multispektrális drón mélytanuló hálózata automatikusan felismeri:
• a gombabetegségeket,
• a tápanyaghiányt,
• a víz- vagy hőstresszt,
• a kártevők jelenlétét.
Okos repülés: MI a fedélzeten
A funkcionalitás és a biztonság javításának érdekében a legtöbb gyártó ma már MI-t alkalmaz. Intelligens repülési módok: Az ActiveTrack, Point of Interest (POI) és QuickShots funkciók számítógépes látás és MI algoritmusokat használnak a drón repülési útvonalának és a kamera mozgásának autonóm vezérléséhez, így professzionális eredményeket érnek el.
Akadálykerülés: A drónok mesterséges intelligenciát használnak a látásérzékelők, infravörös rendszerek és a LiDAR által szolgáltatott adatok feldolgozásához, hogy valósidejű térképeket készítsenek a környezetükről, lehetővé téve az automatikus útvonaláttervezést és a biztonságos visszatérést a kiindulási pontra.
Bizonyos speciális alkalmazások lehetővé teszik, hogy a különféle mesterségesintelligencia-modellek közvetlenül a drónon fussanak, valósidejű feldolgozást biztosítva olyan alkalmazásokban, mint a gyomfelismerés a mezőgazdaságban vagy a füstfelismerés a tűzmegelőzésben. Harmadik féltől származó megoldások is integrálhatók a drónokba, például valósidejű videóelemzést biztosítva a megfigyeléshez.
Miért válik megállíthatatlanná a mesterséges intelligencia előretörése?
Belátható, hogy a mezőgazdaság digitalizációja és az MI-alapú technológiák térnyerése nem pusztán modernizációs trend, hanem stratégiai szükségszerűség. A drónok, a gépi tanuláson alapuló adatfeldolgozás és az autonóm döntéstámogató rendszerek együtt olyan új eszköztárat adnak a gazdálkodók kezébe, amelyek egyszerre csökkentik a munkaerőigényt, növelik a pontosságot, és javítják a termelés fenntarthatóságát. Bár ezen rendszerek komplexitása eltérő lehet, közös bennük, hogy az adatokból valódi, cselekvést támogató információt állítanak elő és ezzel képesek áthidalni azokat a kihívásokat, amelyek a mai agráriumot egyre erősebben sújtják. A mesterséges intelligencia tehát nem helyettesíti a szakértelmet, hanem megsokszorozza annak hatékonyságát és olyan jövőt tesz lehetővé, ahol a gazdálkodó ismét a stratégiai döntésekre összpontosíthat, miközben a háttérben dolgozó digitális rendszerek biztosítják a következetes, magas színvonalú termelést.
ABZ Drone Kft.
Agrárágazat Tudástár: Mesterséges intelligenciával támogatott drónos távérzékelés – Az MI-alapú drónos távérzékelés olyan precíziós adatgyűjtési és döntéstámogató megoldás, amely multispektrális felvételek, gépi tanulás és mélytanuló modellek segítségével képes a növényállomány stresszállapotainak (betegség, tápanyaghiány, vízstressz, gyomosodás) korai felismerésére. A technológia csökkenti a terepi szemlék munkaerőigényét, növeli a beavatkozások pontosságát, és lehetővé teszi a célzott, költséghatékony növényvédelmet és tápanyag-utánpótlást.
