Искусственный интеллект и Big Data повышают урожай виноградников

А возможно ли каким-либо образом минимизировать негативное воздействие слабопрогнозируемых природных явлений на урожай сельхохкультур ? Оптимизировать использование ресурсов ? Вопросы казалось бы банальные. Только решаются они сейчас на совершенно другом технологическом уровне.
Сегодня мы будем говорить о высоких технологиях при выращивании винограда в Калифорнии. Периоды жары, с сопутствующей засухой в один период года и заморозки - в другой, все это приводит к тому, что прогнозировать, сколько собрать винограда конечно можно, основываясь на статистике прошлых лет и прогнозах погоды, но все же это грубые устаревшие инструменты.

Как так ? Это понимание приходит только после того, как мы ознакомимся с технологиями искусственного интеллекта в агропроизводстве, применяемых компанией Глорией Феррер для отслеживания роста, оптимизации использования воды для полива и прогнозирования урожайности на 300 акрах виноградников в округе Сонома (штат Калифорния). Это винодельческий регионе Карнерос.

Как искусственный интеллект помогает в сельском хозяйстве

По словам менеджера компании Курца, он просто в восторге от открывающихся возможностей. Точнее это не будущее, а уже апробированная реальность, которая доступна при использовании ИИ в сельском хозяйстве. Самые продвинутые, умудренные опытом агронаблюдений и высококвалифицированные эксперты не способны достигнуть столь высокой степени детализации.

Как это работает

ИИ сочетает компьютерное обучение (тренировка нейронной сети) на основе сбора и обработки больших наборов данных. Сама идея не нова и может использоваться от распознавания вашего лица в смартфоне до всем известного чат-бота GPT-3 и генерации реалистичных изображений несуществующих личностей. Gloria Ferrer Caves and Vineyards использует сочетание различных технологий искусственного интеллекта, что позволяет создать алгоритм, основанный на тысячах изображений отдельных лоз, снятых камерой высокого разрешения, которая регулярно перемещается по винограднику.

Этот алгоритм поможет виноделу определить будущий урожай винограда.

1. Камера размером крепится к передней части авто.
2. Устройство делает тысячи снимков каждого растения, что позволяет хранить его цифровой образ в базе !

А вот другое мнение - от генерального директора компании Tule Technology Тома Шапланда, которая специализируется на передовых технологиях инновационного орошения: "можно сказать, что ИИ это компьютерная система, которая делает тоже что и люди, только гораздо быстрее и точнее, поскольку оперирует колоссальными массивами данных".

Проблемы и решения

Как было раньше ? Только почему было. У многих производителей и сейчас так, по старинке... Агрономы на виноградниках традиционно полагались на хронологию (сравнивали данные прошлых лет), чтобы следить за здоровьем лозы и потенциальной урожайностью.
Но даже самые тщательные и скрупулезные специалисты на виноградниках не могут получить репрезентативную выборку, настолько детальную, чтобы оценить конечную урожайностью с минимальной погрешностью.

Уже отмеченный нами Курц добавил, что "лучшие в мире оценщики урожая», которые выполняют свои оценки вручную, имеют ошибку около 20% до того, как посевы зацветут".

20% это много ! Такая погрешность может "съесть" всю прибыль, если она составляет меньшую цифру.

Далее он продолжал: «В данное время мы подписываем договора о том, какой будет наша урожайность во время сбора урожая», — сказал Курц, проходя через стройные ряды винограда сорта шардоне. "И нам очень важно получить достоверный результат. Это наши деньги."

Урожайность виноградника важна в последующем процессе виноделия. Как и в рецепте пирога, соотношение винограда должно быть правильным, чтобы создать желаемый вкус вина.
Если нужно 1000 тонн винограда для производства вин, которые можно продавать, а оценка покажет, что прогнозируется урожай в 850 тонн, т.е. имеется недостача 150 тонн, нужно решать проблему заранее.

Выше мы писали, что в памяти хранится цифровой слепок каждой лозы (каждого листика и изгиба !). Но как этого можно достичь ?

• Камера делает очень детальное изображение на уровне пикселей;
• Система ищет те же узоры и особенности, что и люди, когда осматривают лозу;
• Оценивается размер, цвет, количество гроздей, листьев, усики, побеги.

Приведем пример. Обнаружена лоза, которая попорчена вредителями. Это показала очередная видеосъемка. Поврежденные почки снизят прогнозируемый урожай и "искусственный разум" все это учтет и обновит свой прогноз.

Достаточно всего лишь обратиться к приложению на своем смартфоне.

Однако мониторинг урожайности — это лишь малая часть того, что описываемая технология привнесет в сельское хозяйство.

Засуха и испарение

Для измерения того, насколько крепко виноградная лоза держит воду, традиционно применяется такое оборудование как барокамера для виноградного листа. Это позволяет узнать, о том, насколько лоза подвергается стрессу, что является критическим показателем для обеспечения качества производимого винограда.
Технически это делается так. Берется лист с виноградной лозы, заворачивается в полиэтиленовый пакет и прикладывается к нему давление в резервуаре с помощью азота. При достижении определенного давления воздуха, лист выделяет воду, тем самым давая показания, которые говорят о том, насколько растение находится в стрессовом состоянии.
Оценка остается за человеком. Которого нужно долго учить. Пройдет много времени, чтобы достичь этого специфического вида экспертности. И все равно неизбежны ошибки.

Основная цель опыта - ответить на 2 вопроса:

• выяснить насколько растения нуждаются во влаге;
• нужно ли включать полив и на сколько.

Использование ИИ позволит более точно предсказывать, как растения будут реагировать на разные уровни воды, используя прогностические модели. Мы уже писали про тренды в развитии лабораторного оборудования на перспективу. Вот еще один в "инновационную копилку".

А это во-первых, водное питание растений, а во-вторых, оптимальное использование водных ресурсов. Ну и конечно затраты. Поскольку это расходы, ложащиеся на себестоимость.