L’agricoltura di precisione e l’intelligenza artificiale
Viviamo in un’era in cui le macchine non solo lavorano, ma imparano. Ma cosa succederebbe se queste macchine potessero alimentare la nostra popolazione in modo più efficiente ed ecologico? Che dire se potessero far fiorire i nostri campi come mai prima d’ora?
I dati provenienti dai satelliti in orbita, dai sensori sul terreno e dagli UAV che si librano in alto si trasformano in narrazioni attraverso la magia del machine learning, con la promessa di rendere la vita dell’agricoltore più facile.
È giunto il momento di abbandonare l’immagine dell’agricoltore affaticato che lavora nei campi per dare il benvenuto ad un uomo che lavora di fronte ad un computer?
Oltre alla promessa di un lavoro meno faticoso per l’agricoltore, la moderna agricoltura di precisione che si avvale del machine learning promette di ridurre il consumo di pesticidi che inquinano i nostri suoli e corsi d’acqua e di mitigare le pratiche agricole che contribuiscono alle emissioni globali di gas serra. Vediamo come tutto ciò sia realizzabile.
Salute delle colture e del suolo
Il monitoraggio della salute delle colture e del suolo, così come la previsione della crescita e della resa delle colture, sono aree di grande interesse nel settore agricolo. L’utilizzo di droni e satelliti, insieme ad algoritmi di visione artificiale, può aiutare a raccogliere e analizzare dati in modo efficiente e accurato
I droni, dotati di telecamere ad alta risoluzione o sensori multispettrali, possono volare sopra i campi e catturare immagini aerea. Queste immagini possono essere utilizzate per identificare e monitorare la salute delle colture, individuando eventuali segni di stress, malattie o infestazioni da parassiti. Gli algoritmi di visione artificiale vengono utilizzati per analizzare queste immagini estrarre informazioni utili.
Un approccio comune è quello di addestrare reti neurali convoluzionali (CNN) per riconoscere determinati pattern o caratteristiche nelle immagini. Ad esempio, una CNN può essere addestrata per individuare i confini delle colture, classificare le specie vegetali o identificare aree con carenza di acqua o nutrienti. Queste informazioni possono essere utilizzate per prendere decisioni sulla gestione delle colture, come l’applicazione mirata di fertilizzanti, pesticidi o irrigazione.
Tuttavia, ci sono alcune sfide nel monitoraggio delle colture attraverso l’uso di droni e algoritmi di visione artificiale. Le condizioni atmosferiche e la diversità delle colture può rendere difficile ottenere immagini di alta qualità, e vari fattori possono influenzare l’accuratezza dei risultati. Inoltre, l’analisi delle immagini può richiedere molto tempo e risorse computazionali.
Per approfondire l’argomento, un riferimento utile potrebbe essere il paper “A Review on UAV-Based Monitoring Systems for Agricultural Crops and Soils” di Chen et al. (2020), che fornisce una panoramica sulle applicazioni e le sfide dell’utilizzo dei droni per il monitoraggio agricolo. Un altro studio é il seguente: Deep Learning for UAV-based Object Detection and Tracking: A Survey (PDF)
L’ottimizzazione del ciclo dei nutrienti in agricoltura
L’intelligenza artificiale può essere utilizzata per analizzare e interpretare grandi quantità di dati provenienti da diverse fonti, come dati meteorologici, dati sul suolo, informazioni sull’apporto nutritivo delle colture, ecc. Questi dati possono essere utilizzati per identificare modelli e tendenze che possono guidare gli agricoltori nell’ottimizzazione dell’uso dei nutrienti. Ad esempio, un sistema di intelligenza artificiale potrebbe essere in grado di suggerire quantità specifiche di fertilizzanti per ciascuna coltura in base a fattori come il tipo di suolo, le condizioni meteorologiche e le esigenze specifiche della pianta.
Inoltre, l’IA può essere utilizzata per sviluppare modelli predittivi che consentono agli agricoltori di prevedere i fabbisogni futuri delle colture in termini di nutrienti. Ciò può aiutare a evitare sprechi e a ottimizzare l’applicazione di fertilizzanti. Un esempio di questo tipo di approccio è stato sviluppato da ricercatori dell’Università della California, Davis, che hanno utilizzato un sistema basato sull’IA per prevedere il fabbisogno di azoto delle colture nel corso della stagione di crescita.
Inoltre, l’intelligenza artificiale può essere utilizzata per monitorare e ottimizzare l’efficacia delle strategie di fertilizzazione. Ad esempio, sensori e droni possono essere utilizzati per raccogliere dati sulle condizioni delle colture e sulla quantità e distribuzione di nutrienti nel terreno. Questi dati possono essere elaborati utilizzando algoritmi di apprendimento automatico per stabilire i collegamenti tra le pratiche di fertilizzazione e la salute delle piante. Ciò può consentire agli agricoltori di adattare in tempo reale le strategie di fertilizzazione per massimizzare i rendimenti e ridurre l’impatto ambientale.
In questo studio: Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review si evidenzia come l’azoto (N) sia considerato dai coltivatori un importante nutriente minerale per la crescita e lo sviluppo delle piante perché è direttamente correlato al processo fotosintetico (Andrews et al., 2013). Allo stesso tempo N ha un elevato impatto ambientale ed economico. Pertanto, l’ottimizzazione della fertilizzazione con azoto per diverse colture è diventata oggetto di numerosi studi spettrometrici. Raggiungere la massima resa agricola al minimo costo con un ecosistema sano è uno degli obiettivi principali della produzione agricola. Il rilevamento e la gestione tempestivi dei problemi associati alle restrizioni sulla resa delle colture possono aiutare ad aumentare la resa e il conseguente profitto, e la stima della resa è importante per numerose decisioni aziendali e di gestione delle colture. Negli ultimi anni sono state implementate diverse tecniche di ML per ottenere una previsione accurata della resa per diverse colture.
Manipolazione genetica del DNA
La manipolazione genetica del DNA è una tecnica che permette di alterare l’informazione genetica di un organismo. Questo processo viene utilizzato per vari scopi, tra cui la rigenerazione di tessuti e organi e la manipolazione delle piante in vitro.
Per quanto riguarda la rigenerazione di tessuti e organi, la manipolazione genetica del DNA può essere utilizzata per riprogrammare le cellule staminali in modo da differenziarsi in cellule specifiche necessarie per la ricostruzione di tessuti danneggiati o malati. Ad esempio, attraverso la tecnica del gene editing CRISPR-Cas9, è possibile modificare il DNA delle cellule staminali per correggere difetti genetici che causano malattie e favorire la rigenerazione dei tessuti danneggiati.
Per quanto riguarda la manipolazione delle piante in vitro, questa tecnica viene utilizzata per ottenere piante con caratteristiche specifiche. Ad esempio, è possibile introdurre geni in piante coltivate per renderle resistenti a malattie o per aumentare la loro produttività.
L’impiego del machine learning in questo ambito può essere utile per analizzare grandi quantità di dati genetici e identificare pattern o correlazioni che potrebbero essere difficili da individuare manualmente. Ad esempio, è possibile utilizzare algoritmi di apprendimento automatico per analizzare i dati di sequenziamento del DNA e identificare varianti genetiche associate a specifiche malattie o caratteristiche delle piante. Il machine learning può anche essere utilizzato per predire l’effetto di specifiche alterazioni genetiche sulle caratteristiche degli organismi, consentendo agli scienziati di progettare modifiche più mirate.
Il controllo dei parassiti
L’uso di algoritmi di machine learning per il controllo dei parassiti e delle malattie, nonché per l’irrorazione mirata e automatizzata di pesticidi e fertilizzanti, offre numerosi vantaggi.
Questi algoritmi possono essere addestrati sulla base di dati storici e in tempo reale per identificare le specifiche condizioni in cui si verificano le infestazioni di parassiti o le malattie delle piante. Possono anche analizzare dettagliatamente i dati di previsione meteorologica, le caratteristiche del suolo, i modelli di coltivazione e altre variabili per determinare le dosi ottimali di pesticidi e fertilizzanti necessari per contrastare un’infestazione o garantire una corretta nutrizione delle piante.
In questo studio, viene proposta un’architettura CNN (rete neurale convoluzionale) modificata e leggera utile nella classificazione e previsione delle malattie delle colture di grano basate su immagini.
Il progresso nella visione artificiale e nell’apprendimento automatico ha aumentato l’interesse della ricerca nei sistemi di rilevamento automatizzato basati su immagini per le malattie del grano. Queste tecniche sono un sostituto adeguato delle lunghe e costose diagnosi di laboratorio. Queste tecniche necessitano di apparecchiature standard come fotocamere, telefoni cellulari e dispositivi di archiviazione comunemente utilizzati per eseguire il rilevamento e la classificazione delle malattie. Queste tecniche sono soggettive e si concentrano sull’attività specifica e richiedono conoscenze specialistiche del settore per l’estrazione delle funzionalità. Inoltre, queste tecniche funzionano idealmente in una configurazione sperimentale pratica
Nell’articolo scientifico A Convolutional Neural Network Model for Wheat Crop Disease Prediction viene descritta una nuova architettura di rete neurale convoluzionale (CNN) progettata per rilevare le malattie del grano nelle immagini ad alta risoluzione.
Per imparare che cos’è una rete neurale convoluzionale puoi leggere il seguente articolo:
Le reti neurali convoluzionali, un modo per vedere bene al minimo costo
La CNN è composta da otto strati diversi: tre strati convoluzionali, tre strati SoftMax e due strati appiattiti.
Gli strati convoluzionali utilizzano 16, 32 e 64 filtri, che sono come “filtri” che aiutano a individuare tratti distintivi nelle immagini. Questi filtri hanno una dimensione del kernel di 3×3, che si riferisce alle dimensioni degli “elementi” che il filtro scansiona nell’immagine. Le dimensioni dei livelli di pooling sono impostate a 2 ×2 con passo 2. Al termine ci sono due livelli completamente connessi a cui viene applicato un processo di dropout per evitare l’overfitting.
Negli strati convoluzionali viene usata la funzione di attivazione ReLU, mentre negli strati di pooling viene usata la softmax.
Le immagini utilizzate nello studio sono state raccolte da campi specifici in Azad Kashmir (Pakistan) e sono state manualmente annotate da tre esperti umani, che hanno evidenziato le aree delle immagini che mostrano segni di malattie del grano.
L’autore ha utilizzato tre differenti insiemi di dati (varianti) per valutare le prestazioni del modello proposto. il 70% dei dati viene utilizzato per addestrare il modello, il 15% viene utilizzato per la fase di validazione e un altro 15% viene utilizzato per il test finale delle prestazioni del modello.
CLICCA SULL’IMMAGINE PER INGRANDIRLA
Rete alimentare sotterranea
Nell’ambito dell’agricoltura di precisione, l’apprendimento automatico (machine learning) può essere utilizzato per monitorare e analizzare la rete alimentare sotterranea, che comprende l’interazione tra piante, microrganismi del suolo, insetti e altri organismi che vivono nel terreno.
Uno degli approcci possibili è l’utilizzo di reti neurali per analizzare dati di sensori installati nel terreno. Questi sensori possono raccogliere informazioni come la temperatura, l’umidità del suolo, la salinità e la concentrazione di nutrienti. Utilizzando reti neurali, è possibile elaborare questi dati e ottenere informazioni sulla fertilità del suolo, la presenza di patogeni o l’attività dei microrganismi benefici.
Un altro approccio consiste nell’utilizzare modelli generativi del linguaggio che si basano su dataset di analisi del suolo per generare descrizioni dettagliate sulla composizione del suolo e sugli organismi presenti. Questi modelli generativi possono fornire informazioni utili per la gestione dell’agricoltura di precisione, ad esempio per la scelta dei fertilizzanti o dei trattamenti contro le malattie delle piante.
La visione artificiale può essere utilizzata per analizzare immagini del suolo o delle piante e identificare patogeni o infestazioni di insetti. Utilizzando tecniche di machine learning, è possibile addestrare algoritmi per riconoscere pattern visuali e identificare potenziali problemi nel campo, consentendo agli agricoltori di intervenire tempestivamente.
Per l’analisi dei dati, l’apprendimento automatico può essere utilizzato per rilevare correlazioni tra i dati raccolti, identificare schemi di comportamento degli organismi presenti nel suolo e prevedere la crescita delle piante in base alle condizioni del terreno. Queste informazioni possono essere utilizzate per ottimizzare i processi agricoli e migliorare la resa delle colture.
Macchine e robot che sostituiscono i pesticidi: il robot diserbante
Uno studio interessante in questa direzione è Plant and Weed Identifier Robot as an Agroecological Tool Using Artificial Neural Networks for Image Identification
L’articolo scientifico parla dell’utilizzo di reti neurali artificiali per sviluppare un sistema di identificazione di piante e infestanti nelle colture agricole. Il sistema proposto è basato sul concetto di un robot diserbante che può riconoscere le erbacce e rimuoverle dagli spazi tra le file di coltivazione.
Viene descritto un metodo per raccogliere dati sulle piante e le erbacce, elaborarli e addestrare un modello di rete neurale. Per l’identificazione delle piante e delle erbacce si è utilizzato un modello di rete neurale pre-allenato chiamato faster R-CNN (Region based Convolution Neural Network). I risultati dei test di previsione sono stati valutati confrontando le previsioni con la verità di campo, osservando una precisione variabile a seconda del dataset utilizzato.
Viene inoltre proposta una tecnica di stima del fusto delle erbacce identificate, basata sulla localizzazione del contorno dell’oggetto nell’immagine.
Lo studio menziona anche l’agroecologia come approccio sostenibile alla agricoltura e sottolinea come il problema delle erbacce persista anche in queste metodologie, anche se si evitano i prodotti chimici dannosi per l’ambiente.
L’obiettivo dello studio è mostrare come l’intelligenza artificiale, in particolare le reti neurali artificiali, possa essere utilizzata per sviluppare soluzioni efficaci per il riconoscimento e la gestione delle erbacce nelle colture agricole, contribuendo così a migliorare la sostenibilità dell’agricoltura.
Si sottolinea come la gestione delle erbacce rappresenti una sfida per i contadini e possa influire negativamente sulle rese delle colture. Vengono citati esempi di utilizzo di algoritmi di apprendimento automatico come SVM e ANN per la classificazione delle erbacce con alta precisione. In un caso, è stato utilizzato un dataset di immagini di specie di erbe diverse per sviluppare un modello di deep learning che è stato in grado di classificare 12 specie di erbacce con una precisione del 99,48%. Altri studi hanno utilizzato tecniche di trasferimento apprendimento e algoritmi fuzzy per l’identificazione delle erbacce.
Lo studio si sofferma poi sullo sviluppo di un robot che possa riconoscere e controllare le erbacce in modo autonomo. Il robot è stato concepito per operare tra le file di piante di riso, ma può essere adattato per diversi tipi di coltivazione. È dotato di una scatola di archiviazione elettronica che contiene batterie, sensori e un computer a scheda singola. Sopra la scatola elettronica c’è un pannello solare per fornire energia al movimento del robot. Una volta identificate le erbacce, un algoritmo fornisce le coordinate delle erbacce rispetto alla piattaforma robotica. Un manipolatore robotico preleva le coordinate e esegue le operazioni di controllo delle erbacce come il controllo meccanico o termico. Esistono diverse scelte di manipolatori robotici per la rimozione meccanica delle erbacce, come bracci articolati, robot cartesiani e manipolatori paralleli. I manipolatori paralleli possono essere una scelta migliore in termini di rigidità, velocità e facilità di risoluzione dei problemi di cinematica inversa. Tuttavia, presentano anche alcuni svantaggi come uno spazio di lavoro limitato e complesso. Il testo propone un manipolatore parallelo come scelta ideale per questo specifico scopo. Per quanto riguarda l’hardware del robot, viene presentato un design modulare che comprende un computer a scheda singola e tutti i moduli, sensori e attuatori necessari. Si menzionano inoltre diverse schede computer disponibili sul mercato come Raspberry Pi e Jetson Nano, che possono essere utilizzate per applicazioni basate sull’intelligenza artificiale e la visione artificiale. Per quanto riguarda il software del robot, viene proposto l’utilizzo del framework ROS (Robot Operating System) che offre diverse funzionalità come il controllo del movimento, la percezione degli oggetti e la pianificazione dei percorsi. Si menzionano anche il linguaggio di programmazione Python e la libreria OpenCV come strumenti comuni per lo sviluppo di applicazioni di intelligenza artificiale e visione artificiale.
Rese delle colture
Avere una stima precisa delle rese delle colture è utile per la pianificazione delle catene di approvvigionamento alimentare e per aiutare i contadini a scegliere migliori metodologie di gestione delle colture.
È stato dimostrato che l’apprendimento automatico, mediante l’uso di modelli come Support Vector Machines, Artificial Neural Networks e Convolutional Neural Networks, può contribuire a modelli predittivi più accurati delle rese delle colture. Ad esempio, sono stati utilizzati algoritmi SVM per determinare se i semi delle piantagioni di caffè sono pronti per la raccolta. In un altro studio, sono stati utilizzati dati di telerilevamento spaziale e temporale per prevedere le rese delle colture di pomodoro, ottenendo un’elevata precisione predittiva. L’uso di dati sulle condizioni del suolo e del clima è risultato essere un componente cruciale nella previsione delle rese delle colture. Sono stati presentati anche esempi di come l’apprendimento profondo e la modellazione tridimensionale possano migliorare le previsioni delle rese delle colture di soia.
Selezione delle colture, pianificazione e preparazione del terreno, semina e pianificazione dell’irrigazione.
Nella selezione delle colture, il machine learning può essere utilizzato per analizzare dati storici relativi alle condizioni del terreno, al clima e alla redditività delle colture, al fine di identificare le specie di piante più adatte da coltivare in una determinata area. Questo può essere fatto attraverso l’addestramento dell’AI sui dati storici delle coltivazioni.
Per la pianificazione del terreno, il ML può essere utilizzato per analizzare i dati sulla composizione del suolo, la topografia e l’irrigazione nell’area di coltivazione al fine di identificare le migliori strategie di utilizzo del terreno. Ad esempio, l’apprendimento automatico può aiutare a determinare le zone del campo che richiedono un’irrigazione più intensiva o altre pratiche di gestione specifiche.
Gli algoritmi possono elaborare dati sulla struttura del suolo, sulla presenza di piante infestanti e sulle necessità specifiche delle colture, al fine di determinare la migliore combinazione di tecniche di preparazione del terreno. Questo può essere fatto attraverso l’addestramento di modelli predittivi che prendono in considerazione una serie di variabili, come la composizione chimica del suolo, la presenza di piante infestanti e le preferenze delle colture.
L’AI per analizzare anche i dati sulle precipitazioni, le condizioni del suolo e le esigenze specifiche delle colture, al fine di determinare la quantità e la temporizzazione dell’irrigazione. L’apprendimento automatico può essere utilizzato per creare modelli predittivi che considerano variabili come i dati storici delle precipitazioni, l’evaporazione e l’umidità del suolo per prevedere le esigenze di irrigazione delle colture.
È possibile ottimizzare il processo di selezione dei semi e la distribuzione delle sementi. Ad esempio, i modelli di machine learning possono essere addestrati utilizzando dati sulle caratteristiche delle sementi, come la tolleranza al calore e la resistenza alle malattie, per determinare quali sementi sono più adatte per una determinata area.
Tecniche di imaging per fare previsioni
È possibile addestrare una rete neurale per riconoscere i segni caratteristici di un frutto maturo utilizzando dati di immagini o sensori. La rete neurale sarà in grado di apprendere dai dati di addestramento e successivamente sarà in grado di classificare autonomamente i frutti come maturi o non maturi.
Uno dei vantaggi principali del deep learning in questo contesto è la capacità di riconoscere con precisione e affidabilità i segni di maturità, anche quando possono essere sottili o difficili da rilevare per l’occhio umano. Ci sono diversi studi che mostrano l’efficacia del deep learning nell’identificazione della maturità del raccolto.
Uno studio che mostra come sia possibile creare modelli predittivi sullo stato interno di un frutto a partire da un’analisi non invasiva effettuata mediante imaging è il seguente:
Questo studio si concentra sulla qualità delle mele durante lo stoccaggio a lungo termine e l’effetto del coleottero della mela (CM) (Cydia pomonella) sulla qualità del frutto. Le mele Gala sono state valutate per la loro consistenza, pH, contenuto di umidità e contenuto di solidi solubili. È stato utilizzato l’iperimmagine nel vicino infrarosso (HSI) per costruire modelli di apprendimento automatico per prevedere le caratteristiche di qualità delle mele durante lo stoccaggio. La tecnica HSI, che si basa sulla relazione tra diffusione della luce, struttura e proprietà tessiturali dei tessuti biologici, utilizza un raggio di luce altamente focalizzato per generare immagini di dispersione per migliorare la valutazione delle qualità del frutto
Il coleottero della mela è un insetto dannoso per l’industria delle mele, quindi è necessario sviluppare metodi efficaci per monitorare e valutare la qualità delle mele durante lo stoccaggio. Lo stoccaggio a freddo è uno dei metodi utilizzati, ma può causare danni fisiologici alle mele se la temperatura scende al di sotto di una soglia critica. Pertanto, è importante capire l’effetto dello stoccaggio a freddo sulla qualità delle mele e sviluppare modelli di previsione non distruttivi.
Lo studio descrive i seguenti passaggi che riportiamo solo in forma sintetica:
Preparazione del campione
Un totale di 180 campioni di mele Gala biologiche, senza segni di attacchi di parassiti, malattie o danni, La mela i campioni sono stati divisi in due gruppi: 60 campioni come controllo e 120 campioni come gruppo infestato. I campioni del gruppo infestato sono stati infestati artificialmente ponendo le larve del primo stadio su ciascuna mela e isolandola in un contenitore di plastica con coperchio rimovibile. Quindi, un totale di 180 campioni sono stati ulteriormente divisi in modo casuale in tre gruppi di 60 mele (20 di controllo e 40 infestate) da collocare in tre diverse condizioni di conservazione di 0 °C, 4 °C e 10 °C con un’umidità relativa di 85 –90%…
Acquisizione di immagini iperspettrali
Il sistema HSI a onde corte nel vicino infrarosso (SWNIR) utilizzato in questo studio consisteva in uno spettrografo NIR con un intervallo di lunghezze d’onda da 900 a 1700 nm e una risoluzione spettrale di 3 nm (N17E, Specim, Oulu, Finlandia)…
Misurazioni dei parametri fisico-chimici
Dopo l’acquisizione dell’immagine HSI, sono stati immediatamente eseguiti test distruttivi misurando innanzitutto la consistenza della mela. è stato determinato il contenuto di solidi solubili (SSC), considerato un indice per valutare la dolcezza delle mele, Inoltre, il succo estratto è stato utilizzato per determinare il pH mediante, Infine, si è misurato il contenuto di umidità (MC) delle fette di mela, 20 g di ciascun campione…
Elaborazione dati, risultati e discussioni
Le mele infestate da CM hanno avuto un maggiore assorbimento, soprattutto nei punti di picco. Il maggiore assorbimento delle mele infestate può essere spiegato da una combinazione di cambiamenti chimici e strutturali dovuti all’infestazione. Lo studio ha dimostrato quindi che il tempo di conservazione e l’infestazione di CM hanno avuto un impatto significativo sugli spettri, determinando variabilità nei modelli predittivi.