A konzervatívnak számító agrárszektorban is évek óta jelen van már a mesterséges intelligencia (MI), amely javítja a hatékonyságot, csökkentheti a költségeket, és növelheti a terméshozamot. Teszi mindezt a növényvédelmi előrejelzésektől kezdve a tényleges beavatkozásokon át a tárolásig és értékesítésig bezárólag.
Az agrárfókuszú start-up vállalkozások többsége is segítségül hívja a mesterséges intelligenciát, hogy versenyképesebb termékeket és szolgáltatásokat tudjon nyújtani. A kérdés tehát nem az, hogy alkalmazzuk-e a mesterséges intelligenciát, hanem sokkal inkább az, hogy miként fogalmazzuk meg az agrárszektor kihívásait úgy, hogy arra a mesterséges intelligencia hatékony válaszokat nyújtson. Az biztos, hogy a valós idejű adatgyűjtés, valamint az adatalapú döntéshozatal gyors és hatékony beavatkozásokat tesz lehetővé, amelyek enyhítik a szektort érintő problémákat, így például az időjárás és járványok okozta bizonytalanságot, a piaci árak ingadozásainak való kitettséget, valamint a humánerőforrás-hiányt.
Az MI előnyei és lehetőségei a növénytermesztésben
A mesterséges intelligencia az emberi gondolkodást, észlelést és viselkedést utánzó, tanulásra is képes összetett algoritmus. Ebből egyenesen következik, hogy az alkalmazása azokon a területeken a leghatékonyabb, ahol komplex folyamatok zajlanak, nagy az adatmennyiség, és sok háttérváltozó van, melyek között összefüggéseket keresünk. A növénytermesztés egy ilyen terület, amely folyamatos döntéshozatalt igényel a fajtaválasztástól a vetés, permetezés, gyomirtás, aratás idejének pontos meghatározásán át egészen az optimális tárolási körülmények biztosításáig. Sok olyan változó van, melyre igen kevés ráhatása van a gazdálkodóknak. Ilyenek például az időjárási elemek vagy a gyorsan terjedő, járványt okozó kórokozók és kártevők. Az MI képes kezelni a nagy varianciájú többdimenziós problémákat, így segítségünkre lehet a kiszámíthatatlanság okozta kockázatok kezelésében.
MI és robotizáció a gyakorlatban
Széles körben alkalmazzák az MI-t képfeldolgozásra, ami a növénytermesztésre is igaz. A precíziós gazdálkodás robotizációjában egyre nagyobb teret nyer a mesterséges intelligencia. Léteznek már önjáró traktorok és robotok, melyek humánerőforrás alkalmazása nélkül képesek vetési, gyomirtási, betakarítási vagy kijuttatási feladatokat végezni. Ha létező háztartási fogyasztói igényeket elégít ki egy jóval kisebb piacon a robotporszívó és a robotfűnyíró, akkor miért ne alkalmazná a digitalizáció hasonló elven működő vívmányait nagyban a profitorientált mezőgazdasági ágazat? A robotizáció vívmányai olyannyira jelentősek a mezőgazdaságban, hogy jelen cikk terjedelmi korlátai a felsorolásukhoz sem engedik. Ehelyett írásunk a műholdas, drónos és szenzoralapú megoldások ismertetésére összpontosít.
A vegetációs indexek szerepe a növénymegfigyelésben
A műholdas távérzékelés fejlődésével lehetővé vált a mezőgazdasági területek felvételezése, melyek a növényzet állapotáról szolgáltatnak a gazdálkodóknak hasznos információkat. Ezeket a felvételeket a fény különböző hullámhossztartományában (közeli infravörös, látható vörös, kék és zöld) készítik, abból a célból, hogy azokból különféle vegetációs indexeket számítsanak. Az egyik leggyakrabban számított, könnyen értelmezhető index az NDVI (Normalized Difference Vegetation Index – normalizált vegetációs index), mely a növényzet általános egészségi állapotáról és sűrűségéről árulkodik. Az NDVI felhasználható a terméshozam becslésére, a vegetációs stressz észlelésére, illetve az aszálymonitoringban. Sűrűbben vetett kultúrák (például gabonaföldek), illetve erdők monitorozására alkalmazzák az EVI-t (Enhanced Vegetation Index – hangsúlyozott vegetációs index). Ez az index a vegetáció fejlődését vizsgálja, miközben csökkenti az atmoszférikus hatások és a talaj hatásának torzításait. A harmadik leggyakrabban alkalmazott vegetációs index az NDRE (Normalized Difference Red Edge – normalizált vörös-él vegetációs index). Ez a mutató a klorofilltartalmat és a növények egészségi állapotát méri a késői növekedési szakaszban. Előnye, hogy képes hamarabb kimutatni a növényi stresszt, mint az NDVI.
Hasznos a tápanyaghiány, kártevők vagy betegségek korai észlelésére, ezáltal pedig a precíziós tápanyag-utánpótlás tervezésében. A műholdas felvételezésnél hatalmas feldolgozandó adatállományok keletkeznek, melyeket az MI-algoritmusok hatékonyan dolgoznak fel. A gépi tanulási modellek képesek felismerni a vegetációs indexek adatainak finom mintáit, így korai stádiumban észlelhetők a stressz jelei, betegségek vagy kártevőfertőzések. Ezek az emberi szem számára (amely csak a látható tartományba eső fényt képes észlelni) nem mindig láthatók. A múltbeli és a valós idejű vegetációsindex-adatokat más tényezőkkel, például időjárási mintákkal együtt elemezve az MI képes előre jelezni a terméshozamot, az optimális ültetési időpontokat és a lehetséges kockázatokat. Segítségével korábban tehetők megelőző intézkedések a terméskiesés elkerülése érdekében.
Dróntechnológia a precíziós gazdálkodásban
A vegetációs indexek számításához szükséges felvételeket ma már leggyakrabban drónok alkalmazásával, nagyobb felbontásban készítik, igazodva a gazdák egyedi igényeihez, a képek szempontjából ideális időjárási körülményekhez. A műholdak esetében a felhőborítottság, a páratartalom például sokszor torzítja a felvételeket, különösen az infravörös tartományban, melyeken az utólagos képkorrekciók sem segítenek.
A drónoknál azonban ilyen problémák nem jelentkeznek. További előnyük, hogy kompakt méretűek, akár mindössze néhány kilogrammosak, így könnyen szállíthatók akár egy hátizsákban vagy kézipoggyászban is. Míg azonban a műholdfelvételek jellemzően egy minimális előfizetői díj ellenében elérhetők, sőt, egyes felvételek hozzáférése ingyenes, a multispektrális kamerákkal felszerelt drónok még igen költségesnek számítanak, 2–4 millió forintnak megfelelő összegért érhetők el (leginkább) külföldről. A drónokat forgalmazó vállalkozások rendszerint bérlési, valamint képzési lehetőségeket is nyújtanak a gazdálkodóknak, továbbá a felvételek kiértékelésére alkalmas szoftvereket.
Drónos multispektrális felmérést erre specializálódott vállalkozások is végeznek a gazdálkodók számára. A szolgáltatások éves költségei a felmérés jellege mellett területtől, felbontástól, a vegetációs indexek számításától és az ebből készült jelentéskészítés igényétől függnek. Egy hazai vállalkozás például 1500 forintos hektáronkénti áron kínál multispektrális felmérést 3–5 cm/px felbontással, ortofotó-készítéssel, vegetációsindex-számítással és jelentéskészítéssel, mely egy 60 hektáros terület esetében a becslése szerint 4 munkaórát vesz igénybe. Olyan fejlesztések is folynak, amelyek a mesterséges intelligencia és a gépi tanulás segítségével a látható fény tartományában készített RGB-felvételeket tesznek alkalmassá termés-előrejelzésre, kiváltva ezzel a jóval költségesebb multispektrális kamerák használatát. Vizsgálják a lehetőségét, hogy neurális hálózat segítségével az RGB-felvételek alapján lehetséges-e kellő pontossággal NDVI- és NDRE-színtérképeket generálni.
A szondák szerepe a növényistressz- és tápanyagfigyelésben
A mesterséges intelligencia a makroképek mellett a mikroképek elemzésében is új lehetőségeket teremtett. Gépi tanulással egyszerűen és gyorsan azonosíthatóvá válnak a növényvédelmi kórokozók és kártevők károsító ágensre utaló jelei. A kártevők és a növénybetegségek felismerése a képelemzés segítségével rendkívül fontos a precíziós növényvédelemben. Emellett az abiotikus tényezők monitoringjában is segítenek a levélszondák. A levelek felszínén vagy közvetlen közelében mérik a páratartalmat és a hőmérsékletet, amelyek alapvető szerepet játszanak a növények vízfelvételének és transpirációjának– párologtatás – a szabályozásában.
A szonda érzékeli a levelek által kibocsátott vízgőzt és a környezeti hőmérsékletet, így képes információt adni arról, hogy a növények mennyi vizet vesznek fel, és hogyan reagálnak a környezeti változásokra, továbbá mikor szükséges öntözővizet kijuttatni, vagy védekezni a gombás betegségek ellen. Az elektromos vezetőképességet mérő levélszondák az ionok mozgását figyelik a növények szöveteiben. A levelekben mérhető tápanyagok (például nitrogén, kálium, foszfor) koncentrációja közvetlenül befolyásolja az elektromos vezetőképességet, így ez alapján megítélhető a növények tápanyag-ellátottsága. A szondák figyelhetik a tápanyagok szintjét a növényekben, és jelezhetik, ha tápanyaghiányos állapot áll fenn a növényben.
Vannak olyan szondák, melyek a gázokat és illékony vegyületeket (VOC) érzékelik. A növények stresszreakciói, például betegségekkel vagy kártevőkkel szembeni reakcióik során illékony szerves vegyületeket (VOC-kat) bocsátanak ki. A leveleken elhelyezett VOC-érzékelők képesek detektálni ezeknek a vegyületeknek a jelenlétét, és azonosítani a növények stresszállapotát. A mesterségesintelligencia-alapú rendszerek a szonda adatait elemzik, hogy meghatározzák a szükséges növényvédelmi intézkedéseket.
A talajszondák a talaj pH-értékét, nedvességtartalmát, hőmérsékletét és egyéb tényezőket mérnek, segítenek az optimális növényvédelmi intézkedések meghatározásában. Ezek az eszközök is képesek valós idejű adatok szolgáltatására, amelyeket mesterséges intelligencia elemez a legjobb védekezési stratégiák kiválasztása érdekében.
IoT-rendszerek a mezőgazdaságban
A levelekről és a talajból származó információk összekapcsolhatók más mezőgazdasági információkkal. Itt jönnek a képbe az IoT- (Internet of Things) rendszerek, melyek célja, hogy különböző eszközök (például szenzorok, gépek, járművek, készülékek stb.) egyidejűleg képesek legyenek adatokat gyűjteni. Az adatokat általában egy központi rendszer dolgozza fel, melyben gyakran mesterséges intelligencia (AI) vagy gépi tanulás (ML) algoritmusok is segítenek.
Az IoT-eszközök kommunikálnak egymással és a központi rendszerekkel, valamilyen hálózaton keresztül. Ezt általában Wi-Fi, Bluetooth, LPWAN (Low Power Wide Area Network), 5G vagy más vezeték nélküli technológiák biztosítják. A kommunikáció lehetővé teszi, hogy az eszközök valós időben adatokat továbbítsanak, és az adatokat feldolgozó rendszerek automatikus válaszokat generáljanak. Az IoT-rendszerek gyakran rendelkeznek valamilyen felhasználói felülettel, amely lehet webes alkalmazás, mobilapplikáció vagy akár hangvezérelt eszköz. Ezen a felületen keresztül a felhasználók irányíthatják az eszközöket, figyelhetik azok működését, vagy megtekinthetik az összegyűjtött adatokat.
MI a raktározás és készletkezelés szolgálatában
A mesterséges intelligencia nem csak a „lábon lévő” kultúrák monitoringjában lehet hasznos. A raktározásban, készletnyilvántartásban is alkalmaznak ma már olyan drónokat, amelyek az érzékelőikkel (RFID, QR-kód olvasók, egyéb képfeldolgozás) valós időben tudnak gondoskodni naprakész nyilvántartásokról. A drónok képesek a raktárakban vagy gyártócsarnokokban háromdimenziós térképeket készíteni, így segítenek meghatározni a rendelkezésre álló készletek térfogatbecslését. Ez különösen hasznos lehet a tárolóhelyek optimális kihasználásában. A gyorsabb leltározás lehetővé teszi, hogy a készletnyilvántartás folyamatosan frissüljön, és csökkentse a munkaidő-ráfordítást.
Döntéstámogatás és árképzés MI-vel
A raktározást követően a termények ellátási láncokba való kerülésében is segítségünkre lehet a mesterséges intelligencia. Elérhetők olyan MI-alapú szoftverek és platformok, melyek képesek elemezni a piaci trendeket és árfluktuációkat, hogy segítsék a gazdákat a jobb döntéshozatalban és az árképzésben. Elfogadjuk-e vagy sem, a mesterséges intelligencia a mezőgazdaság jövőjének kulcsa: lehetőséget ad arra, hogy okosabbá, fenntarthatóbbá és hatékonyabbá tegyük a termelést, miközben megőrizzük bolygónk erőforrásait.
Szám Dorottya
okleveles agrármérnök-tanár, növényorvos
