Когда фермеры стали применять искусственный интеллект
В 2011 году в Калифорнии разработчики компании Blue River Technology создали систему See&Spray, которая с помощью компьютерного зрения вычисляла сорняки на полях и только на них распыляла гербициды — химические вещества, уничтожающие растения. С этого времени различные компании начали активно использовать искусственный интеллект в своих разработках. Например, John Deere и Trimble усовершенствовали с помощью ИИ технологии точного земледелия — комплексный подход к сельскому хозяйству с применением компьютерных и спутниковых технологий. Разработки Trimble помогали выявлять вредителей, а также болезни или недостаточное питание растений.
Данные о том, что и как растет на полях, можно собирать не только на земле, но и с воздуха. В 2015 году появились спутниковые системы наблюдения с погрешностью около 10 м, что стало еще одним прорывом в сельскохозяйственной отрасли. За полями со спутника начали наблюдать еще в 1970-х, но тогда погрешность снимков могла доходить до 50 м и работать с ними фермерам было сложно. Повышенная точность съемок помогла лучше понимать, что происходит на разных участках полей — особенно это было актуально для крупных хозяйств.
Правда, сейчас, как и раньше, мешать спутниковым съемкам может облачность, а как бороться с ней, ученые пока не придумали.
Как сегодня контролируют качество культур с помощью ИИ
GrainSense
Технология GrainSense одноименной компании из Финляндии позволяет фермерам быстро и точно определить важные характеристики зерен через портативный сканер и мобильное приложение. Фермеры берут образец зерна и сканируют его с помощью ближней инфракрасной спектроскопии, которую использует GrainSense. Так можно измерить уровень поглощения и отражения света, получить информацию о химическом составе, включая содержание белка и влаги.
Сводная таблица с результатами сканирования отображается в приложении. Владея данными, фермеры могут решить, что делать с урожаем: например, продать зерно с высоким содержанием белка подороже, а сырое — высушить, чтобы оно не испортилось при хранении. GrainSense позволяет быстро протестировать качество урожая на месте, не отправляя зерна в лабораторию, снизить количество отходов и избежать пересушки урожая.
SeedSense
Технология SeedSense от John Deere использует датчики, которые собирают данные о качестве зерна и семян, а затем передают их на облачный сервер. Сенсоры устанавливают на сеялку, чтобы получать информацию в процессе посева: например, о расстоянии между семенами и глубине их заложения, состоянии почвы.
Данные с датчиком в реальном времени отображаются на мониторе SeedSense в кабине трактора. Если выясняется, что расстояние между семенами слишком велико, монитор рекомендует перенастроить сеялку. Технология помогает фермерам улучшить качество урожая, оптимизировать посев, сократить отходы и снизить затраты.
«Цифровые двойники» и «умные» камеры
Американский стартап Ripe.io создает с помощью ИИ «цифрового двойника» для каждого посева. Технология использует датчики для мониторинга условий почвы, погоды и других факторов и создает прогностическую модель роста посевов. С ее помощью можно предотвратить потенциальные проблемы, такие как развитие заболеваний у растений или нашествие вредителей.
Кроме того, ИИ используют в «умных» камерах — он позволяет отслеживать состояние почвы, узнавать, хватает ли ей макро- и микроэлементов, контролировать стадии роста растений. Фермеры могут удаленно отследить здоровье сельскохозяйственных культур, точнее прогнозировать урожайность, выявить, что удобрений недостаточно или некоторые растения больны.
Какие еще вопросы, кроме контроля качества, может решить ИИ
Одна из главных задач, которую сегодня решают искусственный интеллект и машинное обучение, — как ограничить использование пестицидов только теми участками, где они действительно нужны. Тем самым одновременно и снизить затраты, и повысить урожайность.
Наблюдать на полях можно не только за тем, как быстро прорастают зерна и хватает ли почве удобрений. Эксперты выделяют не менее 40 важных процессов, которые стоит контролировать на сельскохозяйственных территориях. Среди них — уровень солнечного света в различные сезоны, характер миграции животных, птиц и насекомых, циклы посадки и орошения и другие.
Системы наблюдения с ИИ могут подавать фермеру сигнал, если на участке появляются посторонние. Речь не только о злоумышленниках, но и о животных, которые могут съесть или вытоптать урожай.
Также ИИ помогает создавать модели сезонного прогнозирования, которые предсказывают погодные условия на несколько месяцев вперед и помогают фермерам принимать решения. Сезонное прогнозирование особенно важно для мелких хозяйств, у которых нет возможности покупать дорогостоящее оборудование.
Еще одна важная задача, которую можно решить с помощью ИИ, — картирование урожайности. Алгоритмы машинного обучения ищут закономерности в больших объемах данных в реальном времени, выясняют, подходит ли тип почвы для конкретной сельскохозяйственной культуры. Благодаря этому потенциальную урожайность поля можно оценить еще до начала сезона и вовремя отказаться от идеи сажать на нем то, что вряд ли вырастет.
Исследователи Markets&Markets прогнозируют, что расходы на технологии и ИИ-решения в мировом сельском хозяйстве составят порядка $4 млрд в 2026 году. Для сравнения: в 2020 году на эти цели в мире потратили $1 млрд.
В конечном счете благо от использования ИИ получают не только фермеры, но и потребители. С внедрением новых агротехнологий им становятся доступны продукты высокого качества, с меньшим содержанием вредных веществ и по более привлекательным ценам — ведь издержки производителей снижаются.