L’applicazione dell’analisi ad apprendimento automatico in ambito agricolo sta portando enormi giovamenti alle prime grandi aziende del settore che la stanno adottando. Ad esempio nell’agricoltura di precisione, le coltivazioni possono essere trattate applicando quantità variabili di acqua per l’irrigazione, fertilizzanti, pesticidi, ecc. in base alle effettive esigenze di ciascuna porzione di terra, sincronizzando dati provenienti da sensori e previsioni meteo. In questo modo si aumentano l’efficienza, la resa e la qualità, mentre l’impatto sull’ambiente viene ottimizzato.
Ma esistono tanti altri aspetti che possono essere ottimizzati e ulteriormente sviluppati grazie agli algoritmi di analisi big data ad apprendimento automatico.
Gestione delle specie delle sementi
Selezione delle specie – La selezione delle specie nella produzione delle sementi è un lungo processo di ricerca di geni specifici che determinano l’efficacia dell’uso dell’acqua e dei nutrienti, l’adattamento ai cambiamenti climatici, la resistenza alle malattie, nonché il contenuto di nutrienti o un gusto migliore. L’apprendimento automatico, in particolare gli algoritmi di deep learning, richiede decenni di dati sul campo per analizzare le prestazioni delle colture in vari climi e nuove caratteristiche sviluppate nel processo. Sulla base di questi dati, si può costruire un modello di probabilità che preveda quali geni contribuiranno molto probabilmente a un tratto benefico per una coltura.
Riconoscimento delle piante – Mentre l’approccio umano tradizionale per la classificazione delle piante sarebbe quello di confrontare il colore e la forma delle foglie, l’apprendimento automatico può fornire risultati più accurati e più rapidi analizzando la morfologia della vena fogliare che contiene maggiori informazioni sulle proprietà delle foglie.
Gestione delle condizioni sul campo
Suolo – Per gli specialisti coinvolti in agricoltura, il suolo è una risorsa naturale eterogenea, con processi complessi e meccanismi vaghi. La sua sola temperatura può fornire informazioni sugli effetti dei cambiamenti climatici sulla resa regionale. Gli algoritmi di apprendimento automatico studiano i processi di evaporazione, l’umidità del suolo e la temperatura per comprendere le dinamiche degli ecosistemi in agricoltura.
Risorse idriche – La gestione delle risorse idriche in agricoltura incide sull’equilibrio idrologico, climatologico e agronomico. Finora, le applicazioni basate sul machine learning più sviluppate sono connesse con la stima dell’evapotraspirazione giornaliera, settimanale o mensile che consente un uso più efficace dei sistemi di irrigazione e la previsione della temperatura giornaliera del punto di rugiada, che aiuta a identificare i fenomeni meteorologici previsti e stimare l’evapotraspirazione e l’evaporazione.
Gestione delle colture
Previsione del rendimento – La previsione del rendimento è uno degli argomenti più importanti e popolari nell’agricoltura di precisione in quanto definisce la mappatura e la stima del rendimento, l’abbinamento dell’offerta di colture con la domanda e la gestione delle colture. Approcci all’avanguardia sono andati ben oltre la semplice previsione basata sui dati storici, ma incorporano tecnologie di visione artificiale per fornire dati in movimento e un’analisi multidimensionale completa di colture, condizioni meteorologiche ed economiche per sfruttare al massimo la resa per agricoltori e la popolazione.
Qualità della produzione – L’accurata rilevazione e classificazione delle caratteristiche di qualità delle colture può aumentare il prezzo del prodotto e ridurre gli sprechi. In confronto agli esperti umani, le macchine possono utilizzare dati e interconnessioni apparentemente insignificanti per rivelare nuove qualità che giocano un ruolo nella qualità complessiva delle colture e per rilevarle.
Rilevazione di parassiti e malattie – Sia in condizioni all’aperto che in serra, la pratica più diffusa nel contenimento dei parassiti e delle malattie è quella di spruzzare uniformemente i pesticidi sull’area di coltivazione. Per essere efficace, questo approccio richiede quantità significative di pesticidi che si traducono in un elevato costo finanziario e ambientale significativo. L’intelligenza artificiale viene utilizzata come parte della gestione generale dell’agricoltura di precisione, in cui l’apporto di prodotti chimici per l’agricoltura è mirato in termini di tempo, luogo e piante interessate.
Rilevazione di erbe infestanti – Oltre alle malattie, le infestanti sono le minacce più importanti per la produzione agricola. Il problema maggiore nella lotta alle erbe infestanti è che sono difficili da rilevare e discriminare dalle colture. Gli algoritmi di visione artificiale e machine learning possono migliorare il rilevamento e la discriminazione delle erbe infestanti a basso costo e senza problemi ambientali ed effetti collaterali. In futuro, queste tecnologie guideranno robot che distruggeranno le erbacce, riducendo al minimo la necessità di erbicidi.
Gestione degli allevamenti di animali
Produzione zootecnica – In modo simile alla gestione delle colture, l’apprendimento automatico fornisce previsioni e stime accurate dei parametri di allevamento per ottimizzare l’efficienza economica dei sistemi di produzione del bestiame, come la produzione di bestiame e uova. Ad esempio, i sistemi di previsione del peso possono stimare i pesi futuri 150 giorni prima del giorno della macellazione, consentendo agli agricoltori di modificare rispettivamente le diete e le condizioni.
Benessere degli animali – Attualmente il bestiame viene sempre più trattato non solo come contenitore di un prodotto, ma come animali che possono essere infelici ed esausti della vita in fattoria o batteria. I classificatori comportamentali degli animali possono collegare i loro segnali di masticazione alla necessità di cambiamenti nella dieta e dai loro modelli di movimento, tra cui stare in piedi, muoversi, nutrirsi e bere, possono dire la quantità di stress a cui l’animale è esposto e prevedere la sua suscettibilità alle malattie, peso guadagno e produzione.
