L'intelligenza artificiale per predire le produzioni agricole

I ricercatori dell’Università di Bonn hanno sviluppato un software in grado di simulare la crescita delle colture da campo. Per fare questo, hanno alimentato migliaia di foto da esperimenti sul campo in un algoritmo di apprendimento. Ciò ha permesso all’algoritmo di imparare a visualizzare lo sviluppo futuro delle piante coltivate sulla base di una singola immagine iniziale. Utilizzando le immagini create durante questo processo, i parametri come l'area fogliare o la resa possono essere stimati con precisione.

L'intelligenza artificiale per predire le produzioni agricole e la crescita delle colture

Il programma per computer ora presentato da Drees e dai suoi colleghi sulla rivista Plant Methods è un importante elemento costitutivo. Dovrebbe infine consentire di simulare determinate decisioni virtualmente - ad esempio, per valutare come l'uso di pesticidi o fertilizzanti influenzerà la resa delle colture.

Affinché questo funzioni, il programma deve essere alimentato con foto di droni da esperimenti sul campo. "Abbiamo scattato migliaia di immagini in un periodo di crescita", spiega il ricercatore di dottorato. In questo modo, per esempio, abbiamo documentato lo sviluppo delle colture di cavolfiore in determinate condizioni. I ricercatori hanno quindi addestrato un algoritmo di apprendimento utilizzando queste immagini. Successivamente, basato su una singola immagine aerea di una fase iniziale di crescita, questo algoritmo è stato in grado di generare immagini che mostravano lo sviluppo futuro del raccolto in una nuova immagine creata artificialmente. L'intero processo è molto preciso finché le condizioni delle colture sono simili a quelle presenti quando sono state scattate le foto di allenamento. Di conseguenza, il software non tiene conto dell'effetto di un improvviso scatto freddo o di una pioggia costante della durata di diversi giorni. Tuttavia, dovrebbe imparare in futuro come la crescita è influenzata da influenze come queste - così come un maggiore uso di fertilizzanti, per esempio. Ciò dovrebbe consentirgli di prevedere l'esito di alcuni interventi da parte dell'agricoltore.

"Inoltre, abbiamo utilizzato un secondo software di intelligenza artificiale in grado di stimare vari parametri dalle foto delle piante, come la resa delle colture", afferma Drees. "Questo funziona anche con le immagini generate. È quindi possibile stimare con precisione la dimensione successiva delle teste di cavolfiore in una fase molto precoce del periodo di crescita.

Focus sulle policolture

Un'area su cui i ricercatori si stanno concentrando è l'uso di policolture. Questo si riferisce alla semina di specie diverse in un campo, come fagioli e grano. Poiché le piante hanno esigenze diverse, competono meno l'una con l'altra in una policoltura di questo tipo rispetto a una monocoltura, dove viene coltivata una sola specie. Questo aumenta la resa. Inoltre, alcune specie - i fagioli sono un buon esempio di questo - possono legare l'azoto dall'aria e usarlo come fertilizzante naturale. Anche le altre specie, in questo caso il grano ne traggono beneficio.

"Le policolture sono anche meno suscettibili ai parassiti e ad altre influenze ambientali", spiega Drees. “Tuttavia, quanto bene funziona il tutto dipende molto dalla specie combinata e dal loro rapporto di miscelazione”. Quando i risultati di molti diversi esperimenti di miscelazione vengono inseriti in algoritmi di apprendimento, è possibile ricavare raccomandazioni su quali piante sono particolarmente compatibili e in quale rapporto.

Le simulazioni di crescita delle piante sulla base degli algoritmi di apprendimento sono uno sviluppo relativamente nuovo. I modelli basati su processi sono stati utilizzati per lo più per questo scopo fino ad ora. Questi – metaforicamente parlando – hanno una comprensione fondamentale di quali nutrienti e condizioni ambientali di cui alcune piante hanno bisogno durante la loro crescita per prosperare. "Il nostro software, tuttavia, fa le sue dichiarazioni esclusivamente sulla base dell'esperienza che hanno raccolto utilizzando le immagini di formazione", sottolinea Drees.

Entrambi gli approcci si completano a vicenda. Se dovessero essere combinati in modo appropriato, potrebbe migliorare significativamente la qualità delle previsioni. "Questo è anche un punto che stiamo studiando nel nostro studio", afferma il ricercatore di dottorato: "Come possiamo usare metodi basati su processi e immagini in modo che traggano beneficio l'uno dall'altro nel miglior modo possibile?"