Analiza Big Data și învățarea automată pentru agricultura inteligentă

Tehnologiile moderne pătrund continuu în fiecare aspect al vieții noastre.

Astăzi, nu mai putem trăi fără smartphone-uri, aplicații inteligente și dispozitive care contribuie semnificativ la îmbunătățirea și confortul vieții noastre.

Pe lângă funcțiile legate de accelerarea activităților zilnice și a proceselor casnice, aspectele legate de inteligența artificială și învățarea automată susțin industria și producția de bunuri și servicii.

Un astfel de sector al economiei este agricultura, al cărei scop principal este satisfacerea nevoilor nutriționale ale oamenilor.

Combaterea foametei și eforturile pentru obținerea unor randamente mai mari și a unor recolte de calitate superioară sunt printre cele mai importante obiective ale agriculturii actuale.

Era industrializării și implementării mecanizării, inclusiv a mecanizării agricole, este urmată de era digitală [1,2].

Se consideră pe scară largă că digitalizarea revoluționează lumea.

Totuși, trebuie menționat că aceasta nu va înlocui mașinile și dispozitivele din agricultură, ci poate modifica și optimiza procesul de producție vegetală și animală.

De la prima ediție a lucrării „Big Data Analytics and Machine Learning for Smart Agriculture” din 2023, multe tehnologii au fost implementate în tehnologia agricolă, transformând-o din Agricultura 4.0 în Agricultura 5.0 [3,4].

În ultimii ani, analiza de tip big data și învățarea automată au revoluționat gestionarea sistemelor agricole și a fermelor [5,6,7].

Cantitățile mari de date colectate zilnic în timpul observării proceselor de vegetație, al recoltării culturilor și al procesării acestora în alimente au contribuit la cunoștințele noi publicate în acest număr special.

Lucrările publicate arată cum colectarea și stocarea datelor au contribuit la crearea unui algoritm pentru detectarea buruienilor, bazat pe YOLOv8.

Echipa lui He a prezentat o îmbunătățire a rețelei de bază prin adăugarea așa-numitelor mecanisme de atenție și utilizarea convoluției dinamice [8].

Într-un alt articol, autorii au utilizat învățarea profundă, bazată tot pe tehnologiile YOLO, RT-DETR și Mask-RCNN, pentru a detecta și clasifica gradul de coacere al afinelor.

Echipa lui Aguilera a subliniat importanța optimizării modelelor, iar rezultatele lor sugerează că noii algoritmi, corelați cu studii empirice, sporesc eficiența sistemelor create, îmbunătățind astfel monitorizarea culturilor [9].

Metodele de inteligență artificială bazate pe date analizate pot fi folosite și pentru crearea unui sistem de recomandare a fertilizării, care optimizează utilizarea mijloacelor de producție agricolă.

Musanase et al.

au arătat că implementarea unor astfel de soluții în agricultura de precizie poate nu doar crește randamentele, ci și reduce pierderile de îngrășăminte și contribui la aplicarea practicilor agricole durabile [10].

Datele corect colectate și procesate permit dezvoltarea de modele empirice de sistem, susținute de algoritmi AI, pentru prognozarea randamentului semințelor de cânepă industrială.

Luând în considerare date despre condițiile climatice, agrotehnică și calitatea semințelor, Sieracka și colegii săi au creat modele predictive pentru a evalua eficiența culturii, determinând factorii cu cel mai mare impact asupra eficienței și randamentului [11].

Echipa lui Xie a transformat datele empirice în date digitale, care pot fi utilizate pentru dezvoltarea de algoritmi ce identifică modificări patologice la fructe și legume, precum ardeii.

Sistemele bazate pe soluții AI pot îmbunătăți precizia și eficiența diagnosticării bolilor plantelor, ceea ce este esențial în Agricultura 5.0 [12].

În mod similar, echipele lui Bai și Amin au descris utilizarea tehnicilor AI și a realizărilor tehnologice, cum ar fi dronele și alte dispozitive care nu doar identifică boli ale plantelor, ci și detectează dăunători, ambii factori ducând la deteriorarea plantelor și la scăderea cantității și calității recoltelor [13,14].

Nazir et al.

au indicat că modelele care susțin identificarea bolilor care apar pe frunzele de cartof și permit clasificarea stadiilor bolii pot influența în general timpul de reacție și aplicarea măsurilor adecvate, reducând astfel pierderile de recoltă [15].

Bolile frunzelor sunt adesea primul semnal al unei probleme mai complexe legate de vegetația corectă a plantelor.

Roșiile sunt o plantă populară, caracterizată prin proprietăți nutriționale și beneficii pentru sănătatea umană.

Prin colectarea datelor adecvate și transformarea acestora în formă digitală, echipa lui Ullah a arătat că este posibilă dezvoltarea unui model de clasificare care definește modificările patologice ale acestor plante [16].

Bolile guavei (arsura frunzelor) pot fi detectate, de asemenea, pe baza identificării și clasificării frunzelor.

În funcție de plantă, tipul problemei și complexitatea acesteia, pot fi utilizate diverse tehnologii, precum rețele convoluționale sau metode de învățare profundă, de exemplu cele dezvoltate de Mumtaz et al.

[17].

Baza pentru vegetația plantelor și calitatea recoltelor este mediul în care acestea cresc, în special calitatea solului.

În acest sens, echipa lui Shahare a arătat că datele pot fi, de asemenea, utilizate pentru dezvoltarea de modele adecvate, bazate pe metode de învățare automată, pentru evaluarea și prognozarea activității enzimelor din sol, esențiale pentru procesele biologice care au loc în sol, ajutând fermierii să optimizeze producția agricolă [18].

Producția vegetală, inclusiv culturile de câmp sau de seră, reprezintă doar o ramură a producției agricole moderne.

Al doilea cel mai important aspect al producției agricole este ramura producției animale.

Inteligența artificială poate fi utilizată pentru optimizarea producției de carne, de exemplu, carne de vită provenită de la bovine de lapte, așa cum au arătat Addis et al.

Astfel de sisteme pot crește eficiența producției privind utilizarea animalelor pentru producția de lapte sau carne și pentru furnizarea de alimente uniforme consumatorilor [19].

Sistemele de prognoză și consiliere sunt, de asemenea, bazate pe algoritmi de inteligență artificială, care se bazează pe seturi mari de date, permițând diagnosticări ample și prognoza defecțiunilor în fermele inteligente, din ce în ce mai populare.

Echipa lui Choe a arătat că astfel de sisteme pot fi utilizate pentru a detecta nereguli în datele obținute de la senzori și pentru a prezice eventualele defecțiuni ale echipamentelor agricole [20].

Este de remarcat că modelele de învățare automată, modelele neuronale sau modelele liniare simple de prognoză nu pot fi create fără date colectate anterior, procesate și adaptate corespunzător pentru analiză.

Este foarte dificil să compari rezultatele cercetărilor privind același obiect.

Datele sunt colectate folosind dispozitive și senzori diferiți.

În plus, frecvența colectării datelor variază, iar dispozitivele funcționează în condiții diferite.

De asemenea, soiurile plantelor analizate și câmpurile sau clădirile în care sunt crescute animalele diferă.

Aceasta reprezintă o problemă semnificativă în stabilirea unei metodologii și formularea unor concluzii obiective.

Suntem înconjurați de o multitudine de date.

Colectăm și încercăm continuu să sistematizăm datele.

Este o provocare nu doar să colectăm și să stocăm datele pe termen lung, ci și să le procesăm și analizăm eficient pentru a obține informații valoroase.

Instrumentele IT moderne ne permit să sistematizăm datele, să descoperim tipare și să generăm noi cunoștințe științifice, susținând inovațiile în agricultura digitală.

Cu toate acestea, datele reprezintă baza și partea cea mai consumatoare de timp și de resurse a procesului de cercetare.

Totuși, obținerea unui volum mare de date va permite crearea de metode și tehnologii noi care să susțină producția agricolă.

În acest număr special, accentul este pus în mod special pe big data în agricultură și învățarea automată, adică pe colectarea, gestionarea și analiza seturilor mari de date, analiza și prognoza, sistemele de suport decizional și automatizarea bazată pe metode AI și IoT.

Se pune de asemenea accent pe integrarea rețelelor de senzori și a sistemelor inteligente de monitorizare, ceea ce permite tranziția către o nouă eră, Agricultura Digitală 5.0, în care automatizarea, robotica și inteligența artificială susțin agricultura de precizie modernă și permit dezvoltarea durabilă prin optimizarea resurselor, reducerea pierderilor și creșterea eficienței..