Умное земледелие: ИИ-технологии для устойчивого сельского хозяйства

Изменение климата, нехватка квалифицированных кадров и использование пестицидов — множество факторов влияет на качество и эффективность сельхозпроцессов. Исследователи из Института телекоммуникаций Фраунгофера (HHI) стремятся сделать сельское хозяйство более эффективным и устойчивым с помощью облачных и AI-технологий. В рамках проекта «NaLamKI» они вместе с партнерами создают платформу software-as-a-service (SaaS), которая собирает данные с устройств и машин, формируя основу для прогнозов и принятия решений.

Сельское хозяйство сталкивается с серьёзными вызовами: немецкие фермеры уже ощущают последствия изменения климата. Повышение температур и изменение осадков влияют на все аспекты — от роста культур до севооборота и обработки почвы. Децентрализованный ИИ в облаке и централизованный ИИ на фермах могут помочь эффективнее адаптироваться к меняющимся условиям, ускорить процессы и сделать всю экосистему более гибкой и готовой к будущему.

Как работает платформа NaLamKI

Цель проекта — создание облачной SaaS-платформы с открытыми интерфейсами для поставщиков сельхозуслуг и промышленности. Платформа агрегирует данные с датчиков и машин, собираемые с помощью:

• Спутников и дронов
• Почвенных сенсоров
• Робототехники
• Ручного сбора данных
• Данных инвентаризации

На основе этого пула данных с помощью продвинутых AI-методов можно оптимизировать сельскохозяйственные процессы. ИИ-приложения на платформе помогают фермерам:

• Анализировать состояние посевов и почвы на больших площадях
• Реорганизовывать процессы питания и защиты растений (орошение, удобрение, борьба с вредителями)
• Обеспечивать достаточный урожай по качеству и количеству
• Снижать выбросы и сохранять биоразнообразие

Целевое использование средств защиты растений, например, повышает урожайность, снижает затраты, экономит ресурсы и защищает окружающую среду.

Взаимодействие фермеров с ИИ

«Помимо изменения климата, на качество процессов влияет и нехватка кадров. Зачастую состояние растений можно проверить лишь выборочно. Сейчас невозможно обнаружить и точно определить, например, влажность почвы или заражение вредителями на больших площадях», — говорит д-р Себастьян Боссе, руководитель группы Interactive & Cognitive Systems в Fraunhofer HHI.

В рамках проекта разрабатываются AI-методы для анализа данных дистанционного зондирования и моделирования сельхозпроцессов. «Мы, среди прочего, занимаемся анализом изображений с дронов, спутников и камер роботов, делая результаты понятными для фермеров», — поясняет инженер. Объединение всех данных даст представление о характеристиках обрабатываемых площадей, которого раньше практически не было.

Фермеры смогут взаимодействовать с ИИ и задавать ему вопросы. Например, на основе данных о влажности почвы и болезнях растений ИИ сможет давать инструкции к действию и показывать последствия разных сценариев. На планшете будет отображаться дашборд с картой полей и текущим состоянием почвы. Кликая на конкретные участки, фермер получит информацию о проблемах (например, низкий уровень воды) и рекомендации по их решению.

Технологическая основа: GAIA-X и децентрализованное обучение

(Обучающие) данные и AI-сервисы будут предоставляться децентрализованно с использованием Gaia-X — европейской облачной инфраструктуры, обеспечивающей суверенитет данных. Будет создана децентрализованная система распределённого обучения ИИ, где данные хранятся локально на фермах. Фермеры смогут делиться AI-моделями и передавать их на платформу NaLamKI для постоянного улучшения алгоритмов. Платформа будет открыта для сторонних поставщиков (например, стартапов, предлагающих свои инновационные AI-решения).

Практический пример: инспекция фруктовых садов

Первичный сбор данных для разработки AI-моделей уже проведён. Например, были получены изображения от робота, проехавшего по яблоневому ряду на фруктовой ферме в Пфальце (Германия). Данные с различных сенсоров (позиционные, LIDAR, RGB и мультиспектральные камеры) собирались, анализировались и объединялись (сенсорная фьюжн) во время прохода (полу)автономного робота по плантации.

Цель — создать содержательное представление о деревьях в саду, чтобы определить:

• Количество и степень зрелости плодов
• Диаметр ствола
• Состояние отдельных растений и окружающей почвы
• Препятствия на маршруте, особенно живых существ в высокой растительности

«Мы оцениваем данные по мере движения по плантации. Собранная информация объединяется с картой популяции фруктовых деревьев и отображается на карте владения. На основе этих данных для фермера создаётся документация», — объясняет д-р Боссе конкретное применение технологии.