Obecnie mamy do czynienia z ogromną ilością danych, tzw. big data. Ich przetwarzanie, analiza, wyciąganie wniosków i podjęcie odpowiednich działań na ich podstawie było pierwotnie po stronie człowieka. W machine learning wszystkie z tych kroków wykonuje komputer za pomocą algorytmów samouczących się.
Algorytm to jasno określone kryteria, dotyczące tego, jak klasyfikowane są uzyskiwane dane oraz co należy z nimi zrobić w zależności od wartości danej zmiennej.
Przykłady zastosowań machine learning w życiu codziennym to np.:
- rozpoznawanie twarzy,
- obrazów,
- mowy,
- głosu i pisma,
- maszynowe tłumaczenie tekstów,
- interpretacja danych biologicznych,
- prognozowanie notowań rynków finansowych czy tworzenie systemów eksperckich.
Gama zastosowań jest szeroka. Natomiast przybliżę te ostatnie, które mają największe znaczenie w sadownictwie.
Rozwiązania dla sadownictwa - systemy do sygnalizacji agrofagów
Sadownicy korzystają z narzędzi wsparcia w podejmowaniu decyzji odnośnie do zagrożeń biologicznych w swoich sadach. Zwykle korzystają z doradców w tym zakresie lub bazują na swoim doświadczeniu i wiedzy. Natomiast są obecne na rynku systemy do sygnalizacji agrofagów, oparte o różne rozwiązania mające na celu wspierać sadownika w informowaniu o możliwości wystąpienia zagrożeń. Do najprostszych tego typu urządzeń należy łapacz zarodników, który odławia zarodniki mikroorganizmów chorobotwórczych znajdujących się w powietrzu. Dobrze sprawdza się to przy ocenie zagrożenia mączniakiem rzekomym, ale wymaga dużego zaangażowania od użytkownika.
Kolejny typ urządzeń to stacje meteorologiczne i pułapki na szkodniki, z których dane zbierane są automatycznie.
Kluczowe parametry, jakie powinny być zbierane, to:
- temperatura powietrza i gleby,
- wilgotność,
- wielkość opadów,
- siła wiatru,
- wartość ewapotranspiracji,
- czas ekspozycji na dany parametr,
- liczba i rodzaj szkodników.
Dane powinny być zbierane i przesyłane automatycznie – to zapewnia jak najszybszą sygnalizację. Dalej są przetwarzane przez algorytmy. Jest ich wiele, ponieważ dla każdej choroby czy szkodnika będzie on inny.
W dużym uproszczeniu – wszystkie ze zbieranych parametrów są klasyfikowane w progach zagrożenia, np. niski, średni i wysoki. Sumując wartości dla każdego parametru, otrzymujemy wartość końcową, informującą, jakie jest ryzyko wystąpienia danego patogenu. Wynika to z faktu, że każdy patogen czy szkodnik ma określone, sprzyjające warunki do rozwoju. Jest to baza do tworzenia tego typu algorytmów. To tzw. prognozowanie krótkoterminowe.
Pamiętajmy, że im więcej rodzajów danych jest zbieranych, tym algorytm prognozujący będzie dokładniejszy. Dobry algorytm będzie także oceniał możliwość wystąpienia nie tylko infekcji pierwotnych, ale i wtórnych. Ten schemat jest poprawny, ale statyczny. Oznacza to, że algorytm nie zmienia się wraz z wykonaniem jednej lub wielu prognoz. Właśnie w tym miejscu z pomocą przychodzi machine learning. Sukcesywna modyfikacja algorytmu na podstawie faktycznie występujących chorób i szkodników w sadzie przyczyni się do jego udoskonalenia i dostosowania. Szczególnie jest to istotne przy prognozowaniu długoterminowym. Jeśli chcemy mieć precyzyjny system wczesnego ostrzegania agrofagów, algorytmy powinny być weryfikowane przez precyzyjne badania laboratoryjne. Ponadto, nie należy mylić tego z diagnostyką chorób.
Sygnalizacja zagrożeń w praktyce
Na rynku oferowanych jest kilka rozwiązań w tym zakresie. Mamy do dyspozycji narzędzie dostępne w dwóch kanałach: państwowym i komercyjnym.
- Pierwszy z nich to Instytut Ochrony Roślin – PIB w Poznaniu (www.agrofagi.com.pl). Największą zaletą tej platformy jest liczba punktów, z których agregowane są dane. Pokrywają one znaczną część naszego kraju i są rozlokowane dość równomiernie. Jest to istotne kryterium przy wyborze takiej platformy. Jeśli jest inaczej, ważne jest, by sprawdzić, czy znajdujemy się w pobliżu stacji prognozującej oraz jakie dane zbiera akurat z naszego rejonu. Co warto podkreślić, jest to narzędzie bezpłatne.
- Alternatywą dla tej platformy są rozwiązania prywatnych podmiotów. Z reguły działają na zasadzie abonamentu, ale są także komercyjne bezpłatne platformy do sygnalizacji zagrożeń. Dane te mogą się nieco różnić od tego, co jest na państwowej platformie. Przyczyną tego może być inna metodyka, a tym samym algorytm modelujący stopień zagrożenia daną chorobą. W przypadku szkodników sytuacja jest prostsza, ponieważ zwykle polega to na ich odławianiu i określeniu ich liczby. To pozwala w dość łatwy sposób ocenić próg ekonomicznej szkodliwości insektów. Bardziej zaawansowane modele korzystają ze wszystkich dostępnych parametrów do oceny zagrożeń szkodnikami w całym ich cyklu rozwojowym. Dostępne są także aplikacje oparte o machine learning, które próbują rozpoznawać choroby roślin po zdjęciach z objawami. Ich skuteczność jest zróżnicowana.
Potrzeby dla sadownictwa są częściowo zaspokojone. Dostępny jest m.in. monitoring dla takich chorób, jak:
- drobna plamistość drzew pestkowych,
- zgnilizna podstawy pnia drzew owocowych,
- mączniak prawdziwy,
- zaraza ogniowa,
- brunatna zgnilizna drzew owocowych,
- parch jabłoni i gruszy,
- szara pleśń.
- W przypadku szkodników sygnalizacja dotyczy m.in. owocówki jabłkóweczki.
Rolnictwo cyfrowe
Cyfryzacja rolnictwa jest naturalnym procesem, który będzie postępował. Z jednej strony mamy znaczny postęp technologiczny w tym zakresie, więc rośnie dostępność tych rozwiązań. Z drugiej strony, jest to konieczny krok do optymalizacji produkcji i poprawy jej efektywności. Dość popularnym przykładem są systemy do nawadniania kropelkowego w sadach czy nawet fertygacji. Zazwyczaj całym procesem zarządza komputer, przez co mamy powtarzalne parametry procesu. Wymaga on oczywiście okresowej obsługi przez sadownika, ale czas, jaki na to poświęca, jest zmniejszony do minimum. Ponadto ciekawym przykładem są tutaj drony, które skanując powierzchnię upraw, mogą określić w dokładny sposób integralność faz wzrostu roślin czy zawartość azotu. Może się to różnić w obrębie jednego pola.
Wchodzimy w erę rolnictwa precyzyjnego. Będziemy wykorzystywać wszystkie dostępne narzędzia nie tylko do automatyzacji produkcji, ale także jako narzędzia wsparcia w podejmowaniu decyzji. Korzystanie z tego typu rozwiązań jest nieuniknione, szczególnie przy większej skali produkcji.
Michał Dworniczak
Nexbio – badania gleby, roślin i wody
