Конвергенция на интернет на нещата и големите данни в интелигентно управление на земеделски процеси

Агрегиране на данни и обучение на системата за разпознаване на плевели, болести, хранителен и воден режим, с цел прогнозиране на основни агротехнически мероприятия при обикновена зимна пшеница и при зеленчукови култури, отглеждани при оранжерийни условия.
Интернет на нещата е термин, който всички чуваме все по-често. Бързият напредък на технологиите през последните две десетилетия е предпоставка за популяризирането и разпространението на Интернет на нещата.
Автоматизация на производството чрез внедряване на роботи и машини, свързани към интернет, използване на сензори за събиране на данни в селското стопанство, както и дистанционно наблюдаване на пациенти са все примери за добри практики, постижими чрез Интернет на нещата. Стотици световно утвърдени компании вече успешно са трансформирали бизнеса си чрез внедряването на IoT платформи.
Интернет на нещата намира все по-широко приложение в земеделието, където чрез използване на сензори за събиране на данни може да се проследи и контролира състоянието на посевите.
Добрият добив и здравата реколта са естествена цел на всеки производител. Отглеждането на културните растения, обаче, е зависимо от редица фактори в околната среда. Според концепцията Индустрия 4.0 принципна база за повишаване на качеството на отглеждане на култури се явяват интелигентните системи, които подпомагат автоматизираното управление на технологичните и управленските процеси. С помощта на изкуствения интелект е възможно планиране на дейностите по сеитба и прибиране на реколтата, изчисление на периодичността и честотата на напояването, определяне на времето и количеството на торенето, персонализиране на пръскането с химикали, следене на атмосферните условия и др. Съществен фактор за прецизиране на дейностите по отглеждане и грижа за културните растения е извличането на знания за единица земеделска площ и прилагането на интелигентни средства за обработката й. Това е възможно с използването на персонализиран мониторинг на развитието на растенията и диференцираното им обслужване. Прилагането на подходящи алгоритми за машинно обучение дава възможността да се определи спектърът от необходими действия в зависимост от индивидуалните нужди на всеки обект в полето.
Машинното учене (Machine Learning) изучава различни математически методи с цел създаването на алгоритъм, който увеличава самостоятелно ефективността си в течение на времето. Важно и необходимо условие за осъществяване на обучение е анализът на набор от данни с огромно количество наблюдения (big data) в избрания домейн. Обучението на една изкуствена система цели откриването на зависимост в тези данни, което се реализира чрез прилагането на един или група от няколко алгоритъма.
Автоматизираното разпознаване на растителните видове в обработваемото поле, нивото им на развитие и съпътстващите ги вредители е възможно с помощта на методи за машинно обучение. Тези методи могат да се фокусират върху прогнозиране на нуждите на растенията от хранителни вещества и вода, ранно откриване на проблеми в развитието им, екологично контролирана борба с вредителите, лимитиране на замърсяването и вредите за околната среда, увеличаване на добива, без разширяване на използваните площи и др.
Една от основните продоволствени култури в света е обикновената зимна пшеница (Triticum aestivum) е. Тя е изключително стабилна поради своята агротехника и въпреки това отглеждането й зависи от биотичните и абиотичните фактори на местообитанието. Плевелите, болестите и неприятелите имат вредно въздействие върху растежа на културата. Откриването и борбата с тях е изключително важна за получаването на висок добив.
В съвременния свят потенциалът за борба с вредните фактори е значително увеличен. Новите високотехнологични решения позволяват качествена трансформация на работните процеси в селското стопанство. Според концепцията Industry 4.0, интелигентните, взаимосвързани системи, които поддържат автоматизираното управление на процесите, са принципна основа на разработката. Предимствата на цифровата технология позволяват модернизация и прецизност на отглеждането на културите, както и грижата за тях. Интегрирането на технологиите подобрява икономическия индекс, производителността, ефективността и качеството на добива. Земеделието в днешно време се определя като прецизно и интелигентено. Неговата основна характеристика е извличането на знания за единица земеделска площ и прилагането на автоматизирани средства за обработката им.
Интелигентното земеделие е подход за създаване на правилни управленски решения въз основа на променливи характеристики на полето, за да се максимализират икономическите и екологичните ползи, в резултат на оптимални добиви, ограничаване на замърсяването, спестяване на ресурси, намаляване на човешкия труд, намаляване на разходите за оборудване. Текущите предизвикателства са свързани с необходимостта от персонализирано наблюдение в растениевъдството и диференцирано обслужване. Реалният подход за разпределено управление на обработваемата земя е третирането на растенията като отделни обекти с различни специфични изисквания – видове, географски координати, болести, насекоми и др. Автоматизираното разпознаване, използване на компютърно зрение и изкуствен интелект позволява дефиниране на индивидуалните нужди на всеки обект в полето, а също и обхвата на възможните действия, които трябва да бъдат предприети от производителя.
Плевелите са устойчиви, непретенциозни и се адаптират към условията на околната среда. Те бързо се разпространяват и са конкуренти за водата и хранителните вещества. Според ФАО (Организация по прехрана и земеделие на ООН), в 35% от света загубите при производството на пшеница се дължат на плевелите. Разнообразието им в обикновената зимна пшеницата е изключително голямо. Плевелите се конкурират с обикновената зимна пшеница в началото на нейния растеж, така че е особено важно да се премахнат преди периода на ранно-пролетното развитие. При наличие на плевели по време на тази фаза посевите се разреждат, което е предпоставка за вторично заплевеляване. Освен това плевелите са идеална среда за развитие на болести и паразити.
Основните болести, които се срещат при зърнените култури, в частност при обикновената зимна пшеница са брашнеста мана, септория, черна ръжда, кафява ръжда и др.
Борбата срещу плевелните асоциации, болести и паразити е важно за технологията за отглеждане на пшеница и е от голямо значение за формирането на добива и качеството на зърното. За откриване на всички плевелни видове са необходими задълбочени знания за тях. Класическа практика е преминаването през засаденото поле и картографирането му. Картографирането на зони се изразява в установяване на вида, състава, плътността на всеки вид и описване на различни специфични характеристики. Резултатите от систематичното картографиране дават възможност не само да се наблюдава, но и да се предприемат превантивни мерки срещу вредителите в засадените площи.
Ефективното управление на борбата с вредителите в пшеничната култура изисква интегрирана система за събиране и обработка на диференцирана информация, за вземане на решение за извършване на конкретно действие и за прецизното му изпълнение.
Възможен начин за събиране на информация за състоянието на посевите без човешко участие е използването на дронове. В зависимост от наличните сензори и изпълнителни механизми, дроновете могат да изпълняват различни задачи. Ако в оборудването има камера, дронът е в състояние да улавя отделните екземпляри от екосистемата в редовни интервали. Данните от тези снимки могат да се използват по няколко начина: събиране на изображения на растителни видове в обработваеми земи, разпознаване на пшеница и различните видове плевели в посева, разпознаване на характерни болести и вредители по пшеницата и преценка на последиците от тяхното въздействие. Важен елемент за борбата с плевелите е правилната им диагностика, т.е. установяване на състава на плевелните съобщества и количеството на отделните видове. За да се определи видовият състав на растенията, както и възможните болести и неприятели по пшеницата, е необходимо интелигентната софтуерна система да може да ги разпознава. За тази цел е подходящ контролиран алгоритъм за машинно обучение. Необходимо е да се приложи определено количество етикетирани данни. Това са обозначените данни за обучение. Алгоритъм за машинно обучение намира модел в данните чрез приближаване на връзката между независимите променливи (характеристики) и изхода – зависима променлива (етикет). Могат да се генерират етикети в един комплект ръчно или извлечен от друга система. Рarticularscenario обучение е фокусирано върху разпознаването на изображения и такава задача може да бъде решена с помощта на невронна мрежа. Заснемането и съхраняването на множество изображения на различни етапи на растеж на растенията е основата за създаването на електронен етикетиран каталог. Освен че служи като основа за обучение на невронната мрежа, каталогът може да предостави специализирана информация на различни заинтересовани страни. В резултат на обучението по невронна мрежа дронът ще може да разпознава всеки растителен вид в полето, различните болести и неприятели. При използване на GPS (система за глобално позициониране) в дрона, географските му координати могат да бъдат определени по всяко време. Глобалната навигационна система (GNSS) комбинира данни от всички видими сателити в даден момент, използвайки триангулация. Това позволява точното местоположение с GPS. Информацията за местоположението се предоставя в реално време, което означава, че последователностите от данни се генерират, когато дронът се движи. Тези данни са от съществено значение за картографиране на обработваемата площ. Картирането е процес на свързване на хетерогенни фактори с географски координати в многопластови карти. Това е възможно с помощта на така наречените географски информационни системи (GIS). Те позволяват въвеждането, обработката, съхранението и визуализация на пространствени данни. Обектите на картите могат да бъдат динамично групирани за анализ, информация и вземане на решения. Динамичното групиране ще даде възможност за оценка на плътността на плевелите, за изчисляване на листната маса, за идентифициране на райони с болни растения и неприятели. Тази информация е полезна за определяне на видовете необходими пестициди и техните дози. Прецизното третиране с химикали точно там, където има необходимост от тях и точната доза, водещо до намаляване на вредното въздействие върху природата.
Дистанционното наблюдение чрез сателити сензори с висока пространствена и времева разделителна способност, които са разположени на земните орбити, се считат за възможност за получаване на даннии и взимане на решения в растениевъдството. Устойчивостта в тези решения зависи от наличието на достатъчно количество и качествени данни за мониторинг, анализ и планиране. Висококачествените данни дават полезна информация, докато лошото качество води до лошо анализ и, следователно, до лоши решения. Съществуват фактори, които могат да помогнат за оценка на данните качество, като: завършеност, валидност, уникалност,последователност,навременност, точност и др. За съжаление има ограничени изследвания в оценката на качеството на базите данни получени от дистанционно наблюдение в тази област.
В момента се използват различни платформи за дистанционно наблюдение, включително преносими, самолети и сателити, които могат да се използва за събиране на данни при различни пространствени, времеви и спектрални разделителни способности. Най-подходящият резолюциите, необходими за дистанционно наблюдение, зависят от множество фактори, включително целите на управлението, посевите и техните етапи на растеж, големината на полето и способността на селскостопанската техника да променя суровините (тор, пестициди, напояване) .
Една от най-ефективните мрежи за разпознаване на изображения е Конволюционна невронна мрежа (CNN). Тя произвежда забележително резултатите от класификацията и се използва успешно в компютърното зрение. CNN наподобява работата на човешкия мозък при обработка на визуална информация. CNN е многопластова мрежа за пренасочване. Състои се от множество неврони, разпределени в няколко слоя, тя се обучава, променяйки тежестите, включва неврон за корекция на изместването и може да класифицира многомерни вектори. Въпреки това, за разлика от многослойния персептрон, тя е частично куплиран, което пречи да се преоборудва . Най-отличителна черта е способността да изгражда йерархичен модел на данни. Той кодира характерни свойства на изображението в неговата архитектура, всеки слой, представляващ различно ниво на абстракция.
Друг аспект от задачите в този работен пакет е използването на сателитни данни за целите на интелигентното растениевъдство. Дистанционното наблюдение на Земята (ДНЗ) може да бъде дефинирано като процеси или методи за получаване на информация относно обекти и събития чрез анализ на данните, събрани без пряк физически контакт с изучавания обект. Същността на метода е в интерпретацията на резултатите от измерването на електромагнитното излъчване, което се отразява или излъчва от обекта и се регистрира в някоя отдалечена от него точка в пространството. Получените физични параметри на излъчването (интензивност, спектрален състав, поляризация и посока на разпространение) функционално зависят от биогеофизичните характеристики, свойства, състояния и пространствено разположение на обекта на изследването.
Най-универсалната форма на регистриране на електромагнитното излъчване е аерокосмическата снимка – въздушна (аероснимка), когато е получена от самолети, и космическа (орбитална), когато е получена от спътници. Тя се формира с помощта на специална апаратура, най-често – фотографска, оптико-електронна и радиоелектронна, обединена под общото название сензори. Апаратурата, която позволява едновременно получаване на кадри от няколко спектрални области, е многоканална (многозонална). Когато тези области са десетки и стотици много тесни зони от спектъра се нарича хиперспектрална, а при различна поляризация на излъчването – многополяризационна.
В дистанционното наблюдение на Земята е заложен принципът „множественност“, т.е. използва се не един кадър, а серия от кадри, различаващи се по мащаб, ракурс, време, обзор и пространствена разделителна способност (ПРС), спектрален диапазон и поляризация на регистрираното излъчване. Благодарение на това се получава взаимно допълваща се информация за обектите и събитията на земната повърхност и се осигурява тяхното разнообразно и задълбочено изучаване.
За посрещане на предизвикателствата на 21 век са необходими фундаментални промени в земеделието за осигуряване на достатъчно здравословна, безопасна и евтина храна, за устойчиво използване на ресурсите, за устойчива и конкурентоспособна биоикономика. Оранжерийната индустрия може да играе важна роля, като предоставя пресни зеленчуци с високо съдържание на витамини и минерали. Оранжериите позволяват високи добиви от малка площ, съчетана с висока ефективност на използване на ресурсите за единица продукция. Развитието на растенията, добивът и качеството на получената продукция зависят от микроклимата в оранжерията (светлина, температура, въглероден диоксид), както и от адекватно торене, напояване и растителна защита. При оранжерийното производство на домати има създадени математически модели, които позволяват прогнозиране на поведението на системата при специфични условия и спомагат за намаляване на разходите в проучванията или за изследвания на дългосрочни ефекти, които са трудни за проследяване. Възможностите за реализиране на интелигентно земеделие позволяват по-прецизно наблюдение и отчитане на всички параметри на жизнената среда за по-висока ефективност на използването на ресурси.