Сельское хозяйство — выращивание домашних растений и животных — как полагают, началось всерьез около 12 000 лет назад в так называемом Плодородном полумесяце Ближнего Востока. Управление и сбор растений, вероятно, начались гораздо раньше, но методы, разработанные в этом регионе, позволили людям сформировать крупные поселения, которые превратились в сложные городские центры, которые теперь определяют наш вид. Это была первая из серии сельскохозяйственных революций.  

Растущая сложность сельского хозяйства в последующие столетия поддерживала постоянно растущее население. Вторая сельскохозяйственная революция началась в Британии в 17 веке и включала внедрение новых методов орошения, удобрений и средств транспортировки сельскохозяйственной продукции. А прогнозируемый коллапс населения 20 века был предотвращен Зеленой революцией или третьей сельскохозяйственной революцией, начавшейся в 1940-х годах, которая привела к огромному росту урожайности благодаря новым удобрениям и пестицидам.  

Теперь на подходе четвертая революция. Технологические достижения, включая внедрение Интернета вещей (IoT) — цифровых устройств, которые собирают и передают данные, — и искусственного интеллекта создают новые эффективные возможности, которые, вероятно, снова кардинально изменят практику, которая позволила нашему виду доминировать на планете.

Сбор исторических данных, накопленных за столетия, и их интеграция с новой информацией, полученной с помощью новых устройств, позволит фермерам радикально усовершенствовать свои стратегии посадки, полива, борьбы с вредителями и сбора урожая, что приведет к повышению урожайности и снижению пагубного воздействия на окружающую среду. Сегодня фермеры уже используют около 100 миллионов подключенных устройств, и это число будет только расти, поскольку люди, которые кормят нас, продолжают оцифровывать свои операции.

В этой статье исследуется развитие Интернета вещей и искусственного интеллекта в сельскохозяйственных операциях, опираясь на идеи Лизы Аввокато, вице-президента по глобальному маркетингу компании Sama, занимающейся аннотацией данных с использованием искусственного интеллекта и компьютерного зрения, Майка Флаксмана, вице-президента по продуктам компании HEAVY  AI, занимающейся аналитикой больших данных, и Валерии Коган, основателя и генерального директора Fermata, которая предлагает решения с использованием искусственного интеллекта для мониторинга здоровья растений. 

Удовлетворение потребностей растущего населения

Население Земли сегодня превышает 8,1 млрд. По прогнозам, в течение следующих 30 лет это число увеличится на 2 млрд. 

В период усиливающейся засухи, вызванной изменением климата, ростом цен на топливо, более строгими экологическими нормами, преобладанием слабых монокультур и нашествием инвазивных видов вредителей, мучительный вопрос о том, как будет поддерживаться взрывоопасное население мира, снова поднимает голову. В то время как рождаемость падает во всем мире, общая численность населения продолжает расти — и оно голодает.  

Производство продовольствия пока идет в ногу с ростом, несмотря на дефицит в развивающихся странах. По данным Организации Объединенных Наций, в 2022 году 2,4 миллиарда человек испытывали некоторую степень отсутствия продовольственной безопасности. 

А темпы роста снизились за последнее десятилетие. По некоторым оценкам, производство должно увеличиться на целых 110% , чтобы прокормить будущие поколения.  

Фермеры будут все больше полагаться на цифровые технологии для управления своими культурами и повышения урожайности. Одних инноваций Зеленой революции уже недостаточно для удовлетворения экспоненциального роста спроса. Теперь фермеры используют некую цифровую помощь на более чем 50% площадей, отведенных под выращивание кукурузы, хлопка, риса, сорго, сои и озимой пшеницы в США, — и тем, кто не использует их, придется быстро внедрять эти технологии, если они хотят конкурировать. Так называемое точное земледелие, по-видимому, является единственным путем вперед. 

Основы технологий искусственного интеллекта и Интернета вещей в сельском хозяйстве

Использование ИИ в сельском хозяйстве постепенно ускорялось с момента первых публикаций по этой теме в 1970-х и 1980-х годах. Исследования начались в начале 2000-х годов, вместе с другими приложениями ИИ. Теперь сбор и анализ больших данных, как исторических, так и современных, создает значительную эффективность для производителей практически всех мыслимых культур.  

Данные о влажности, распространенности вредителей, количестве осадков, влажности почвы и температуре собираются с использованием широкого спектра технологий. Широкие наборы данных могут быть получены из географических информационных систем. А более конкретные данные могут быть собраны беспилотными наземными транспортными средствами (UGV) и беспилотными летательными аппаратами (UAV), оснащенными специализированными красными, зелеными и синими (RGB), световыми датчиками и датчиками дальности (LIDAR), тепловыми, мультиспектральными и гиперспектральными камерами, а также стационарными беспроводными датчиками. Затем они анализируются программами машинного обучения и глубокого обучения. 

«Эти данные были бы совершенно ошеломляющими, если бы ИИ не мог их организовать», — объясняет Флаксман. «У вас есть терабайты данных, но вам нужен способ отфильтровывать скучные вещи. Вам нужно иметь возможность отслеживать обычные условия, но вам также нужно иметь возможность улавливать исключительные условия». 

Взаимодействие различных типов данных может привести к более точному анализу, добавляет он. «Теперь есть возможность делать то, что военные делали годами, что они называют подсказкой и намеком. Подсказка — это когда вы ведете наблюдение и видите что-то подозрительное. Это подсказывает вам использовать другой ресурс, чтобы выяснить, что происходит. Технология становится действительно хорошей в этом ритме подсказки и намека, когда у вас есть некоторые технологии, используемые для наблюдения за большой территорией, а затем некоторые подробные технологии, которые вы используете, чтобы выяснить, что на самом деле происходит, когда возникает проблема». 

Он отмечает, что технология достигла такого уровня, когда пользователи могут задавать этим программам запросы на естественном языке и получать в ответ визуальное представление ответа — например, карту, отображающую определенные качества.  

Некоторые из тех же технологий, которые используются для сбора данных, могут также фактически реализовывать решения — например, различные роботизированные технологии, включая UGV и UAV, оснащенные технологией визуального обнаружения, могут определять и удалять сорняки и распылять пестициды в целевых областях. Семена могут быть высажены на идеальную глубину с помощью UGV. Эти устройства, с добавлением роботизированных насадок, также могут использоваться для сбора урожая с большей точностью, чем другие механизированные технологии, используя распознавание изображений, что приводит к меньшему количеству поврежденных фруктов и овощей. 

Синтез исторических и современных данных

Фермеры записывали данные на протяжении тысяч лет — с момента появления письменности. Шумеры начали записывать урожайность еще в 3500 году до нашей эры. В Соединенных Штатах общенациональная сельскохозяйственная статистика собирается с 1863 года — в том году Министерство сельского хозяйства США создало Отдел статистики.  

Модели ИИ могут использовать информацию, задокументированную нашими предками, и делать прогнозы относительно факторов, которые имеют решающее значение для сельского хозяйства сегодня, в частности, климатических факторов, таких как тепло и осадки, а также доступности местных ресурсов, таких как грунтовые воды и питательные вещества в почве. 

Эти данные затем можно интегрировать с информацией, собранной датчиками IoT, беспилотными летательными аппаратами и наземными транспортными средствами, а также наблюдениями со спутников, таких как американская система Landsat и европейская Sentinel-2, для создания еще более конкретных и полезных прогнозов. Действительно, именно поэтому эти новые технологии в совокупности называются точным земледелием.  

«ИИ действительно хорош в очистке грязных данных», — говорит Флаксман. «Датчики воды застревают. Аэрофотосъемка фиксирует облака. У каждого источника данных, у каждого датчика есть свои маленькие проблемы». Программы ИИ отфильтровывают статику и обобщают наиболее полезную информацию. 

Системы поддержки принятия решений (DSS), разработанные специально для фермерских хозяйств, известные как информационные системы управления фермерским хозяйством (FMIS), могут помочь интегрировать эти различные источники информации и генерировать полезные рекомендации по планированию посадки, управления, сбора урожая и продажи с использованием технологии машинного обучения.  

Эти рекомендации могут снизить затраты, привести к повышению урожайности и способствовать более устойчивому использованию пестицидов, удобрений и воды. Они также могут помочь фермерам предвидеть рыночный спрос и цены и планировать соответствующим образом, что приводит к повышению прибыли и сокращению отходов.  

Определено несколько ключевых областей применения Интернета вещей и ИИ. 

Управление водными ресурсами

ИИ оказался особенно полезным в определении того, когда и как поливать посевы. Liquid Prep , продукт, разработанный IBM, использует данные о влагоудержании от почвенных датчиков, интегрированные с данными прогнозов погоды и данными о потребностях в воде конкретных растений, чтобы предоставить рекомендации о том, когда следует поливать конкретное поле и сколько воды следует вносить. Рекомендации доступны в приложении.  

Другие системы интегрируют данные об испарении, влажности, температуре почвы и окружающей среды, а также данные со спутников и беспилотников, которые могут указывать на ранние признаки стресса, вызванного засухой.  

«Разрешение всех этих датчиков увеличивается», — говорит Флаксман о спутниковых данных. «Разрешение имеет пространственный компонент, к которому люди привыкли, но также имеет, что очень важно для сельского хозяйства, спектральное разрешение. Если вы мыслите как медоносная пчела, медоносные пчелы чувствуют цветы, потому что они могут видеть намного дальше в инфракрасном диапазоне, чем люди. Когда растительность находится в состоянии засухи, вы можете увидеть это в этих инфракрасных диапазонах за несколько недель до того, как это увидит человеческий глаз. Эти недели драгоценны, потому что этого времени достаточно, чтобы дать вам возможность применить контрмеры». 

Оценка ИИ точных потребностей в воде различных участков фермы, имеющих различные параметры рельефа и почвы, может гарантировать, что растения получат оптимальный уровень влаги — ни перелив, ни недолив. Это, в свою очередь, может привести к лучшему усвоению удобрений и снижению заболеваемости вредителями, которые процветают в условиях чрезмерной влажности или чрезмерной сухости. 

Сток, который, помимо того, что является расточительным, несет загрязняющие вещества в систему водоснабжения, также сокращается. Управление водными ресурсами будет становиться все более важным по мере увеличения засух, истощения ресурсов грунтовых вод и снижения качества пахотных земель с течением времени. На сегодняшний день менее 1% пресной воды в мире доступно для использования; около 70% грунтовых вод используется для орошения. 

Помимо управления текущими культурами, анализ этих типов данных может использоваться программами ИИ для оценки того, какие типы культур могут быть более эффективно выращены в будущих условиях. Например, ИИ определил засухоустойчивые сорта сои . Одно исследование даже направлено на разработку микробов, которые могут смягчить последствия засухи для сои, частично используя анализ ИИ. 

Обнаружение и борьба с сорняками и вредителями

Сорняки, вредители и болезни могут привести к значительным потерям урожая. Раннее обнаружение этих проблем, прежде чем они нанесут непоправимый ущерб урожаю, имеет решающее значение для поддержания прибыльных и устойчивых сельскохозяйственных операций. 

ИИ может быть очень эффективным при анализе аэрофотоснимков, сделанных дронами и спутниками, на предмет тонких спектральных изменений, которые указывают на раннее начало заболевания или заражение вредителями. Еще десять лет назад болезни сахарной свеклы можно было обнаружить с помощью анализа ИИ с точностью до 90% . 

«ИИ обучается на высококачественных наборах данных из тысяч примеров различных вредителей и болезней для разных растений. В наших продуктах мы используем глубокое обучение и нейронные сети для анализа визуальных данных и выявления вредителей и болезней», — говорит Коган. «Обычно люди, называемые разведчиками, ходят по теплице или полям и осматривают каждый лист каждого растения, чтобы выявить отклонения. Конечно, это очень тяжелая работа; разведчики пропускают вещи, и в конечном итоге в среднем 30% урожая теряется из-за поздней реакции на вредителей и болезни». 

Благодаря обнаружению с помощью ИИ можно быстро определить пораженные участки и обработать их соответствующими пестицидами, в то время как незараженные участки можно контролировать, тем самым сокращая как использование ресурсов, так и загрязнение окружающей среды. По словам Аввокато, с помощью обнаружения с помощью ИИ «вы распыляете только первый квадрант. Раньше вы распыляли пестициды по всему полю». 

Также важно обнаружить сорняки, которые могут вытеснить сельскохозяйственные культуры. Они забирают необходимые питательные вещества и водные ресурсы у желаемых растений, снижая жизнеспособность и урожайность. Ежегодно фермеры в США тратят около 26 миллиардов долларов на гербициды для решения этой проблемы. В некоторых случаях это может составлять почти две трети их годовых расходов. 

Использование технологии искусственного интеллекта позволяет целенаправленно уничтожать сорняки, не затрагивая соседние растения и не требуя распыления гербицидных составов с воздуха.  

«Посевы и сорняки могут выглядеть очень, очень похожими, особенно на ранних стадиях», — говорит Аввокато. «Одной из проблем является получение достаточного количества высококачественных изображений, поскольку эти посевы и сорняки выглядят очень похожими. Нам нужно качество изображения, чтобы иметь возможность определить, является ли что-то сорняком, на который нужно распылить пестицид, по сравнению с ранней стадией посева». 

В одном проекте было обнаружено, что камера, прикрепленная к вездеходу, может ездить по полям и определять сорняки, на которые затем непосредственно наносится гербицид с точностью до 78% . В другом проекте глубокое обучение использовалось для определения сорняков с точностью до 98% с целью их удаления нехимическими средствами. Применялись целенаправленное механическое воздействие зубцами или применение искр, которые фактически поджаривают растение. Более радикально, LaserWeeder использует глубокое обучение и роботизированную технологию для определения сорняков и их уничтожения лазерами. 

ИИ также может использоваться для обнаружения появления заболеваний у скота. Камеры могут использоваться для обнаружения признаков патогенов на рыбных фермах, например. А умные ошейники могут контролировать частоту сердечных сокращений, дыхание и другие жизненные показатели млекопитающих, таким образом выявляя признаки плохого состояния здоровья до того, как они станут острыми.  

Почвенные условия и посадка

Помимо мониторинга влажности и дренажа почвы, ИИ может помочь в анализе содержания питательных веществ, состава и текстуры, используя данные, собранные с устройств IoT и исторических источников. Классификация типов почвы и их соответствие потребностям различных культур может помочь фермерам в принятии решения о том, какие виды и конкретные сорта следует сажать, насколько глубоко следует сажать семена и как их следует размещать.  

Программы ИИ также могут совершенствовать выбор удобрений и других почвенных добавок, выявляя недостатки и приводя их в соответствие с потребностями растений, а также прогнозировать появление патогенов и вредителей, благоприятствующих определенным почвенным условиям. 

Мониторинг роста и управление урожаем

Технология ИИ может дополнительно помочь фермерам, контролируя рост растений и сравнивая его с известными моделями роста, чтобы оценить здоровье и зрелость культур, а также их урожайность в различных обстоятельствах.  

Например, исследователи использовали глубокое обучение для мониторинга зрелости клубники с точностью до 99% , что гарантирует сбор урожая точно в нужное время и повышает удовлетворенность клиентов продуктом. Другая программа использовала ИИ для обнаружения винограда по мере его формирования, идентифицируя грозди с точностью до 75% и позволяя виноделам оценивать свой урожай в начале сезона. 

Искусственный интеллект в сочетании с технологией Интернета вещей также может использоваться для проведения самого сбора урожая. В одном исследовании использовалось распознавание изображений в сочетании с роботизированной рукой для успешного сбора спелых томатов в 89% случаев . А продукцию можно сортировать по качеству после сбора урожая с использованием методов распознавания изображений. Одна исследовательская группа сортировала фундук по размеру и уровню повреждения с точностью до 96% . 

Такие факторы, как качество, размер и срок хранения, можно сопоставить с рыночными ценами и конкуренцией с помощью анализа на основе искусственного интеллекта, что позволяет пользователям прогнозировать потенциальных покупателей и вероятный доход. 

Ограничения и проблемы

В то время как анализ основных сельскохозяйственных культур с помощью ИИ в целом находится на продвинутом уровне, доступность и точность программ для менее распространенных культур неравномерны, а обнаружение аномалий требует обширной настройки программ обнаружения с помощью ИИ.  

«Качество данных по-прежнему остается серьезной проблемой из-за отсутствия достоверных данных: приходится полагаться на мнение агрономов по поводу изображений, поскольку невозможно провести лабораторный тест для каждого отдельного диагноза», — говорит Коган. 

«У нас, как правило, лучше получается картографировать объекты, которые имеют большую протяженность с воздуха. Объекты меньшего размера плохо покрыты», — добавляет Флаксман.  

Таким образом, технология может быть еще недоступна для некоторых растений. «Это будет следующим крупным толчком в сельском хозяйстве. Это в основном поможет этой технологии получить особые характеристики сельскохозяйственных культур, что и нужно. Никто не выращивает обычные культуры, верно?» — говорит Флаксман. «Это область, где картирование станет лучше. Если вы выращиваете клубнику и картируете ее, вы сделаете это лучше, чем когда-либо делало государственное учреждение, просто потому что это в ваших интересах». 

Хотя технологии IoT и AI показали большие перспективы в оказании помощи фермерам в их работе, они пока не доступны независимым фермерам в широком масштабе. Хотя некоторые проекты пытаются внедрить их в развивающихся странах, а некоторые мелкие фермеры смогли использовать их в целевых приложениях, на данный момент они в основном являются вотчиной Big Ag. Интеграция различных технологий и наборов данных в практическую информацию, а затем фактическое действие на ее основе — это задача, требующая существенных инвестиций, прежде чем она сможет окупиться.  

Даже одно приложение — скажем, управление орошением — требует огромных объемов данных и программ, которые могут ими управлять. И каждая развернутая часть технологии способна собирать только определенные типы данных в первую очередь.  

«Самым большим барьером для входа является необходимость тратить деньги на покупку этой инфраструктуры», — говорит Аввокато. «Это может довольно быстро накопиться». 

FMIS показали себя многообещающими в плане внедрения более обобщенных идей из общедоступных данных на практике, но полеты дронов над небольшими операциями для выявления локальных случаев заболеваний и установка датчиков для мониторинга влажности почвы остаются для многих недостижимыми. Кроме того, сбор данных в один момент времени имеет ограниченную полезность. Детализированные, локализованные данные — в отличие от более широких тенденций, собранных из исторических наблюдений — становятся более полезными, поскольку они накапливаются в течение более длительных периодов. 

Флаксман отмечает, что существуют службы, которые могут проводить аэросъемку для фермеров, которые не могут позволить себе оборудование самостоятельно. Существуют даже кооперативные программы, в которых соседние фермеры могут сотрудничать в проведении съемок и делиться полученными данными между собой. Он предлагает объединить эти данные с другими, свободно доступными спутниковыми данными и проанализировать их с помощью подписных веб-сервисов и инструментов с открытым исходным кодом в качестве начала.  

Программы обучения могут быть полезны для оснащения производителей, особенно в регионах развивающегося мира, испытывающих нехватку продовольствия, навыками использования Интернета вещей и искусственного интеллекта для улучшения своей деятельности по мере ускорения развития технологий и появления более комплексных платформ.  

«Там гораздо больше продовольственной нестабильности, чем в США», — говорит Аввокато. «Возможность увеличить производство сельскохозяйственных культур на 10, 20 или 30% может иметь драматические последствия». 

В то же время полеты беспилотников и армий датчиков, сканирующих поля более крупных операций, продолжат подпитывать жадные до данных программы искусственного интеллекта, которые совершенствуют искусство и науку кормления нашего вида.