Γράφει ο Θεοφάνης Γέμτος – Γεωπόνος, ομότιμος Καθηγητής του Πανεπιστημίου Θεσσαλίας, μέλος της Ε.Δ.Υ.ΘΕ.
Η γεωργία τα τελευταία χρόνια έχει μπει για τα καλά στην εποχή των ηλεκτρονικών και της πληροφορικής. Πολλοί αισθητήρες έχουν αναπτυχθεί που δίνουν πληροφορίες για μια σειρά παραμέτρων που συμβάλλουν στην επίτευξη της παραγωγής. Από τους μετεωρολογικούς σταθμούς μέχρι τη πρόβλεψη του καιρού που συνεχώς βελτιώνεται. Έχουμε πλέον πληροφόρηση για τον καιρό των επόμενων ημερών και φαίνεται ότι σύντομα θα έχουμε μια γενική πρόβλεψη για συνεχώς μεγαλύτερα διαστήματα. Σκεφτείτε πόσο σημαντικό θα ήταν να έχουμε πρόβλεψη για τους επόμενους μήνες.
Αν για παράδειγμα είχαμε πρόβλεψη για τις βροχές Απριλίου – Μαΐου θα εφαρμόζαμε περισσότερο άζωτο στα σιτηρά μας για να έχουμε μεγαλύτερη παραγωγή. Το αντίθετο αν προβλέπονταν ξηρασία. Μια πρόβλεψη των βροχών των επόμενων μηνών θα έλυνε το πρόβλημα αν θα έχουμε νερό να ποτίσουμε το καλοκαίρι και τι πρέπει να σπείρουμε. Για παράδειγμα η πρόταση της επιτροπής διαχείρισης του αρδευτικού νερού που συστήθηκε από την Περιφέρεια και τον ΟΔΥΘ πρότεινε ποικιλίες μικρότερου κύκλου για να φτάσει το νερό αλλά με μικρότερες αναμενόμενες αποδόσεις.
Αν δεν υπάρχουν βροχές αυτό είναι σωστό. Αν υπάρχουν όμως θα έχουμε μειωμένη παραγωγή. Επομένως στα επόμενα χρόνια πιστεύεται ότι θα υπάρχουν προβλέψεις για τις γενικές καιρικές συνθήκες για μεγαλύτερα διαστήματα που θα ωφελήσουν ουσιαστικά τους αγρότες. Χάρη στην τεχνητή νοημοσύνη αναμένεται να αναπτυχθούν μοντέλα που θα προβλέπουν τον καιρό με επιτυχία καθώς θα μπορούν να αναλύουν μεγάλο όγκο δεδομένων.
Ένα από τα μεγάλα προβλήματα που αντιμετωπίζουμε σήμερα στη γεωργία είναι η μεγάλη συγκέντρωση δεδομένων. Ο αγρότης συνήθως είχε στο μυαλό του τα δεδομένα της χρονιάς και αν είχε καλή μνήμη θυμόταν και της περασμένης. Σήμερα μπορούμε να έχουμε για παράδειγμα χάρτες παραγωγής για τα προηγούμενα χρόνια που να μας δίνουν τις τάσεις στα διάφορα σημεία του χωραφιού. Αυτά μπορούμε να τα συνδυάσουμε με τα στοιχεία του καιρού κάθε χρονιάς και να δούμε αν υπάρχει σχέση καιρού και παραγωγής σε σημεία του χωραφιού.
Σε αυτά τα δεδομένα μπορούμε να έχουμε και στοιχεία της φυτείας μας από drones ή επίγεια μέσα και κάμερες απεικόνισης στοιχείων της φυτείας. Να προσθέσουμε και στοιχεία αναλύσεων εδάφους και εισροών. Μπορούμε επίσης να έχουμε στοιχεία προσβολών από παράσιτα ή ανταγωνισμού από ζιζάνια. Όλα αυτά πρέπει να αναλυθούν για να μας δώσουν τη δυνατότητα να προσαρμόσουμε τη διαχείριση της καλλιέργειας για να έχουμε το καλύτερο δυνατό αποτέλεσμα. Για να το πετύχουμε με τόσα πολλά δεδομένα που θα αναλύσουμε με επιτυχία χρειαζόμαστε την τεχνητή νοημοσύνη που έχει τη δυνατότητα να αναλύει δεδομένα με μεγάλη ταχύτητα και να μας δίνει προτάσεις για τη σωστή διαχείριση.
Διάβασα μια ανάλυση των καινοτομιών που αρχίζουν να εφαρμόζονται και θα επηρεάσουν τη γεωργία τα επόμενα έτη και θα προσπαθήσω να σας μεταφέρω τις ιδέες.
Μάθηση των μηχανών (machine learning). Eίναι μια μορφή τεχνητής νοημοσύνης που επιτρέπει στους υπολογιστές να μαθαίνουν από δεδομένα χωρίς να είναι προγραμματισμένοι για συγκεκριμένες αναλύσεις. Στη γεωργία, η τεχνική μπορεί να χρησιμοποιηθεί για εργασίες όπως η πρόβλεψη απόδοσης, όπου μπορούν να αναλυθούν ιστορικά δεδομένα σχετικά με τις καιρικές συνθήκες, τον τύπο ή την υγεία του εδάφους και την απόδοση των καλλιεργειών για την πρόβλεψη της μελλοντικής παραγωγής. Το προγνωστικό μοντέλο μπορεί να βοηθήσει τους αγρότες να λαμβάνουν τεκμηριωμένες αποφάσεις σχετικά με τη φύτευση, τον έλεγχο των παρασίτων, την εφαρμογή λιπασμάτων ή άλλες κατανομές πόρων, διασφαλίζοντας ελάχιστη σπατάλη και περισσότερες δυνατότητες για τη μεγιστοποίηση των αποδόσεων. Με τη χρήση της μάθησης των μηχανών, οι αγρότες μπορούν όχι μόνο να εκτιμήσουν τις μελλοντικές αποδόσεις αλλά και να προσαρμοστούν πιο γρήγορα στις μεταβαλλόμενες περιβαλλοντικές συνθήκες, βελτιώνοντας τη συνολική απόδοση και την απόδοση της επένδυσης σε χρόνο και χρήμα. Θα σας δώσω ένα παράδειγμα από προσωπική εμπειρία. Εφαρμόσαμε τις αρχές της Γεωργίας Ακριβείας σε ένα χωράφι 50 στρ.
Κάναμε αναλύσεις εδάφους, χαρτογράφηση παραγωγής και πολλές άλλες αναλύσεις. Το χωράφι είχε το Βορειοανατολικό τμήμα του βαρύτερο έδαφος από ότι το Νοτιοδυτικό. Στις πρώτες τρεις χρονιές ο καιρός ήταν κανονικός χωρίς βροχές την άνοιξη και το βαρύτερο έδαφος μας έδωσε τη μεγαλύτερη παραγωγή βαμβακιού. Τον τέταρτο χρόνο είχαμε βροχερή άνοιξη και τη μεγαλύτερη παραγωγή στο ελαφρό έδαφος. Προφανώς στη βροχερή άνοιξη το ελαφρό έδαφος στράγγισε ταχύτερα και επέτρεψε τη θέρμανση του εδάφους που ευνόησε την ανάπτυξη του βαμβακιού και τη παραγωγή. Η ΤΝ θα μπορούσε να αναλύσει πολύ περισσότερα έτη και παραμέτρους και να μας δώσει στοιχεία για καλύτερη διαχείριση της καλλιέργειας ανάλογα με τον καιρό της άνοιξης.
Επεξεργασία Φυσικής Γλώσσας. Είναι ένα άλλο υποσύνολο της τεχνητής νοημοσύνης που εστιάζει στο να επιτρέπει στους υπολογιστές να κατανοούν και να αλληλοεπιδρούν με την ανθρώπινη γλώσσα. Αυτό σημαίνει τη χρήση εικονικών βοηθών ή chatbot για την παροχή συμβουλών σε πραγματικό χρόνο σχετικά με τις καλλιέργειες, τον έλεγχο παρασίτων, τις προβλέψεις καιρού και πολλά άλλα. Αυτά τα εργαλεία είναι ιδιαίτερα χρήσιμα σε απομακρυσμένες περιοχές, όπου η πρόσβαση σε συμβουλές ειδικών ενδέχεται να είναι περιορισμένη. Οι εικονικοί βοηθοί επιτρέπουν επίσης να κάνετε ερωτήσεις σε διαφορετικές γλώσσες. Ως προειδοποίηση, ένας ειδικός θα πρέπει πάντα να εξετάζει την παραγωγή από αυτά τα συστήματα, καθώς τα αποτελέσματα διαφέρουν πολύ ως προς την πολυπλοκότητα, την ακρίβεια και την εξοικείωσή τους με τη γεωργία. Δεδομένου ότι τα περισσότερα από αυτά τα συστήματα δεν έχουν σχεδιαστεί ειδικά για τη γεωργία, πρέπει να είναι κατάλληλα εκπαιδευμένα ώστε να παρέχουν ακριβείς συμβουλές. Στο προηγούμενο σημείωμα σας έδωσα μια εικόνα για απαντήσεις γενικού περιεχομένου που δεν επαρκούν για ειδικές ερωτήσεις αλλά οι προοπτικές για βελτιώσεις είναι μπροστά μας.
Συνέχεια στο επόμενο…
Πηγή: ΕΝΤΥΠΗ LARISSANET
Ακολουθήστε το 
στο Google News και μάθετε πρώτοι όλες τις ειδήσεις.
