Hol térül meg gyorsan?
A mezőgazdaság digitalizációja ma már nem elvi kérdés, hanem nagyon is gyakorlati: aki pontosabban adatfelvételt készít a táblájáról és gyorsabban reagál, az jellemzően kisebb veszteséggel termel. A precíziós gazdálkodás alapgondolata, hogy nem „egyben” kezeljük a táblát, hanem a talaj- és növényállapot különbségeihez igazítjuk a műveleteket; ehhez műhold-, drón- és szenzoradatok segítenek abban, hogy időben detektáljuk a problémás területet, vagy éppen csak a táblák heterogenitását és célzottan avatkozzunk be.
A mesterséges intelligencia (MI) ott jön a képbe, hogy a sok, különböző forrásból érkező adatot összefűzi és értelmezi: mintázatokat keres, kockázatot jelez, és előrejelzésekkel segíti a döntést. De hol is alkalmazzuk ma a mesterséges intelligenciát a szántóföldi növénytermesztésben és milyen lehetőségei vannak a közeljövő gazdálkodási gyakorlatában?
Ami a gazdának számít: hol lesz kézzelfogható a haszon?
A mindennapi gazdálkodásban az MI akkor kezd „fizetni”, amikor mérhetően csökkenti a felesleges beavatkozást és az inputköltséget, vagy amikor időben ad jelzést egy veszélyről. Az MI segíthet a megfelelő fajtaválasztásban, vetési időben és a trágyázási/fertilizációs szintek optimalizálásában, ami magasabb hozamot és jobb minőséget eredményezhet. Ugyanígy hangsúlyos pont a víz- és tápanyagfelhasználás: ha a rendszer képes megbecsülni, hogy hol mennyi öntözővízre vagy tápanyagra van ténylegesen szükség, akkor csökken a pazarlás, a költség, és fenntarthatóbbá válik a termőhely. A fenntarthatósági oldal sem „marketing”: az MI-vezérelt precíziós megközelítés szerint csökkentheti a növényvédőszer-használatot és a talajdegradációt. Gyakorlati szempontból a leggyorsabban megtérülő területek jellemzően azok, ahol vagy drága az input (víz, műtrágya, növényvédelem), vagy nagy a kockázat (aszály, hirtelen fertőzési nyomás), vagy erős a táblán belüli változatosság (foltok, eltérő talaj, lejtők, vízállásos részek). Itt egy jó döntéstámogató rendszer sokszor nem „csodát” csinál, hanem a veszteséget faragja le – és a mezőgazdaságban ez gyakran ugyanúgy nyereség.
Mire használható ma– „kézzelfogható” példákkal
Az egyik legközérthetőbb alkalmazás ma az MI-alapú öntözés döntéstámogatása. Ezek a rendszerek képesek a talaj- és időjárási adatokból kalkulálni optimális öntözővíz mennyiséget. A másik klasszikus terület a korai detektálás: nagy felbontású képek és – a legtöbb esetben – neurális hálók segítségével a rendszer korábban észlelhet betegséget vagy kártevőt, mielőtt tömegesen elterjedne. Talaj- és tápanyagoldalon az MI-eszközök a talajösszetétel alapján javaslatot tehetnek a megfelelő tápanyag- és műtrágya-arányokra, ma ezek a rendszerek – általában telefonos applikációk formájában is elérhetők – kifejezetten üvegházi alkalmazásokra teszteltek.
Végül, de nem utolsósorban ott a termésbecslés és döntéstámogatás: az MI-modellek segíthetnek a hozam előrejelzésében, a betakarítás és tárolás tervezésében, sőt a piaci időzítés átgondolásában is. Utóbbi természetesen piaci előrejelzések alapján, tőzsdei kockázatelemzést követően. A fenti példák azért is érdekesek, mert rámutatnak azokra a főbb irányvonalakra, melyekben van fejlesztési lehetőség és gyakorlati adaptáció a következő időszakban. Továbbá, ha nincs is tudatosítva, de napjainkban már több erő- és munkagépgyártó használ MI-támogatást a fedélzeti rendszereikben és a legtöbb autonóm mezőgazdasági robot több fronton is MI-alapú. Gépi látást (MI-alapú képfelismerés) pedig ma már a drónos adatelemzésnél vagy akár egy kamera-alapú sorvezetéssel ellátott kultivátornál is használatban van.
Mit várhatunk reálisan, és hol a buktató?
Az MI fő korlátozói tényezői közé a magas bevezetési költség (eszközök ára) sorolandó, ezt követi a fejlesztési idő és piaci bevezetés hosszú folyamata. Egy-egy működő technológia „nem mindenhol” képes ugyanazt a pontosságot adni, ennek okai a környezeti tényezők, változó időjárási körülmények, domborzati viszonyok. Ha real-time (valós idejű) adatkapcsolatra van szükség a működéshez, akkor az adattovábbítási megoldások is befolyással lehetnek a működésre. A gyakorlatban ez azt jelenti, hogy a megtérülést nem az dönti el, hogy „van-e MI”, hanem hogy a gazdaság képes-e stabil adatgyűjtést és következetes döntési rutint építeni köré. Ha az adatok hiányosak, a szenzor nincs karbantartva, a térképezés elmarad, vagy nincs kijelölve felelős a rendszer kezelésére, akkor a legjobb algoritmus is csak szép grafikon lesz. A legerősebb eredmények jellemzően ott születnek, ahol az MI nem levált, hanem támogat: a döntés gazdánál marad, de jobb információval.
Merre tart a fejlődés, és miért érdemes követni?
A következő években a mesterséges intelligencia elsősorban ott lesz mérvadó, ahol a termelés kockázata és az inputköltség a legnagyobb, és ahol a gyors reagálás valóban pénzt jelent: az öntözött és aszályérzékeny területeken az öntözés optimalizálásában, a növényvédelmi döntéseknél a korai kártevő- és betegségészlelésben, a változó dózisú tápanyag-kijuttatásban és a helyspecifikus kezelésekben, valamint a hozam- és betakarítás-tervezésben. Ugyancsak egyre fontosabb lesz a gépek és munkaműveletek adatainak elemzése (üzemóra, fogyasztás, terhelés, munkaminőség), mert itt gyorsan látszik a hatékonyságjavulás, és a munkaerőhiány mellett felértékelődik az automatizálás.
A mesterséges intelligencia a mezőgazdaságban nem varázslat és nem is „automata gazdálkodás”, hanem döntéstámogatás. Akkor ad valódi értéket, ha csökkenti a drága hibákat, segít időben észrevenni a kockázatot, és mérhetően visszafogja a felesleges inputfelhasználást. Ehhez viszont van egy megkerülhetetlen feltétel: az MI adatból él. Nem önmagában a szoftver „okos”, hanem attól lesz az, hogy nagy mennyiségű, jól strukturált információt kap a tábláról és a környezetről.
A gyakorlatban ez azt jelenti, hogy az MI ott működik igazán, ahol a gazdaság képes adatbázisokban gyűjteni és kezelni a termeléshez kapcsolódó big data-t (nagy adathalmaz): hozamtérképeket, talajvizsgálati eredményeket, műveleti adatokat, gépadatokat, meteorológiai és szenzoradatokat, drón- és műholdképeket, valamint ezek időbeli változásait. Minél folyamatosabb és összehasonlíthatóbb ez az adatgyűjtés, annál pontosabbak az előrejelzések és annál megbízhatóbb a döntéstámogatás. Ha viszont nincs adatfegyelem, hiányosak a mérések, vagy az információk „szétszórva” maradnak, akkor a legdrágább MI-megoldás is legfeljebb szép grafikonokat ad, valódi üzemi haszon nélkül.
SZERZŐ: DR. NYÉKI ANIKÓ, EGYETEMI DOCENS • SZÉCHENYI ISTVÁN EGYETEM, ALBERT KÁZMÉR MOSONMAGYARÓVÁRI KAR, BIOMŰSZAKI ÉS PRECÍZIÓS TECHNOLÓGIAI TANSZÉK
MezőHír Tudástár: mesterséges intelligencia a mezőgazdaságban – adatvezérelt döntéstámogatási módszer, amely drón-, műhold-, szenzor-, talaj- és gépadatok elemzésével segíti a helyspecifikus öntözést, tápanyag-kijuttatást, növényvédelmet és hozamelőrejelzést, így csökkentheti az inputköltséget, a veszteséget és a termelési kockázatot.