AI “Matematik Robot” hjælper med at styre mikroklimaer og øge bær-afgrøde-forudsigelser

En af de største landbrugs-/gartnerivirksomheder i Australien er Costa Group, og virksomheden har nyligt ansat et AI-system, der er designet til at forbedre afgrødekvaliteten og -mængden ved at hjælpe virksomheden med at analysere dens bær-afgrøder. Som rapporteret af ZDNet, var systemet, som Costa Group anvender, designet af The Yield, et AgTech-virksomhed baseret i Sydney. AI-systemet analyserer 14 forskellige funktioner for at udlede meningsfulde indsigt. Disse funktioner inkluderer temperatur, jordbundsforhold, vind, lys og regn. Informationerne kombineres herefter med en eksisterende dataset, og forudsigelser om enkelt-afgrøder returneres.

Costa Group driver flere bær-gårde beliggende i Queensland, New South Wales og Tasmania. Bær-gårdene på disse steder indeholder polytunneler, og disse polytunneler har deres eget mikroklima. Da klimaet i disse tunneler er kontrolleret, kræver de deres egen “vejrservice”. Internet of Things (IoT)-enheder inden for tunnelene indsamler en bred vifte af data, der fødes ind i AI-modellen. Processen er en af kontinuerlig model-oprettelse, produktion, feedback og forbedring. Systemets skabere beskriver det som en “matematik-robot”.

Lignende AI-modeller er blevet brugt til at forudsige afgrøde-mængde for spinat, salat og andre afgrøder, men grundlæggeren af The Yield, Ros Harvey, forklarede, at deres system er kritisk, fordi bær er svære at overvåge, mens de vokser. I modsætning til andre grøntsager eller frugter gennemgår bær ofte mange faser meget hurtigt, og en enkelt bær-afgrøde kan have mange vækstfaser på samme tid. Som Harvey forklarede til ZDNet:

“Det har været så svært et problem for bær-producere globalt, fordi bær har mange vækstfaser på samme tid… Hvis du kigger på en bær-plante, er den i frugt, blomstrer, der er bær, der er klar, og der er bær, der er halv-produceret, fordi den kontinuerligt frugter, mens den er i sæson. Mens andre afgrøder gennemgår denne lineære vækstfase, hvor du høster en gang ved sæsonens slutning.”

I øjeblikket bruges AI typisk kun til få forskellige formål i AgTech-industrien. Blandt disse formål er præcisionslandbrug, landbrugs-robotter, husdyr-overvågning og drone-analytik. I 2018 udgjorde præcisionslandbrug omkring 35,6% af AI-brugen i landbrugssektoren. Anvendelser som den, der er udviklet af The Yield, som hjælper landbrugsdrift med at øge afgrøde-mængde og beskytte sig mod risiko ved at opnå værdifuld indsigt i væksttendenser, synes at være klar til at se meget mere brug i den nærmeste fremtid.

De data, der returneres af AI-systemet, giver Costa Group mulighed for at opnå en bedre forståelse af afgrøde-mængde, hvilket igen hjælper virksomheden med at styre sine logistiske omkostninger og prisniveau. Harvey forudser, at i fremtiden vil flere og flere virksomheder begynde at bruge AI-drevne anvendelser til at kvantificere afgrøde-mængde og reducere risiko, idet han bemærker, at da klimaforandringerne gør vejret mere uforudsigeligt, kan flere virksomheder vælge at bruge polytunneler. Anvendelsen af AI på hele landbrugsindustrien forventes at vokse hurtigt i den nærmeste fremtid. Maskinlæring, computer-vision og prædikativ analyse hjælper landbrugsdrift med at øge afgrøde-mængde og gøre mere med mindre.

Som en nylig rapport om AI i landbrug konkluderede, forventes AI AgTech at vokse dramatisk over de næste fem år. I 2018 var AI-markedet i landbrug på omkring 330 millioner USD, men det forventes at nå en værdi på omkring 980 millioner USD ved udgangen af 2024. Andre nylige anvendelser af AI i landbrugssektoren inkluderer små robotter designet til at ukræfte marker og overvåge vækstforhold i vertikale landbrugsdrift.