Dwie polskie firmy pracują nad technologią opartą na wykorzystaniu sztucznej inteligencji do zdalnego szacowania parametrów gleby za pomocą zdjęć satelitarnych. Taki system pozwoli sprawniej wybierać najlepsze miejsca pod uprawy i dzięki temu m.in. zmniejszyć ilość nawozów.
Jak przewidują twórcy technologii, jej zastosowanie skróci czasu oczekiwania na wyniki kluczowych dla rolników badań z 3 tygodni do 4 dni.
Według Organizacji Narodów Zjednoczonych ds. Żywności i Rolnictwa (FAO – Food and Agriculture Organization), do 2050 roku aż o 70% będzie musiała wzrosnąć produkcja rolna, aby wyżywić rosnącą populację ludzi na Ziemi.
Jak zwracają uwagę specjaliści z polskiej firmy KP Labs, jedną z odpowiedzi na to wyzwanie jest rolnictwo precyzyjne, w którym wykorzystuje się najnowsze technologie i szczegółową wiedzę, m.in. na temat gleb. Stosowana w nim automatyzacja planowania i podejmowania decyzji pozwala zwiększyć plony i wydajność gospodarstwa.
Z tych powodów KP Labs oraz QZ Solutions pracują nad systemem do satelitarnej analizy gleb.
Dla podkreślenia znaczenia, jakie odkrycie naszych firm może wnieść w dalsze dzieje rolnictwa, postanowiliśmy nazwać nasz projekt Genesis – czyli początek. Ma on stanowić punkt zwrotny w tradycyjnym podejściu do planowania upraw i stać się narzędziem, które w przyszłości zrewolucjonizuje tę gałąź gospodarki.
mówi Zbigniew Kawalec, dyrektor generalny QZ Solutions
Zlecony przez Europejską Agencję Kosmiczną (ESA) projekt polega na przeprowadzeniu programu pilotażowego dotyczącego analizy gleby z wykorzystaniem danych hiperspektralnych.
Rozdzielczość, jaką uzyskuje się z próbek w przypadku danych z satelity i danych lotniczych, pozwala na pozyskanie szczegółowych informacji, które są niezbędne do dalszej interpretacji. Tradycyjne podejście do monitorowania parametrów gleby jest całkowicie zależne od człowieka, ponieważ próbki gleby muszą być zbierane, mieszane i wysyłane do analizy, co zajmuje wiele czasu i jest bardzo pracochłonne.
Pomysł wykorzystania obrazowania hiperspektralnego wspartego sztucznymi sieciami neuronowymi pozwoli na porównanie zebranego na miejscu materiału – metodą tradycyjną – z tym pozyskanym i przetworzonym zdalnie.
opisują twórcy technologii
Jeśli się okaże się, że za sprawą wykorzystanej technologii możliwe jest mapowanie parametrów takich, jak zawartość potasu, magnezu, fosforu czy poziomu pH w glebie, uruchomiony zostanie kolejny etap projektu. Będzie on odbywał się w przestrzeni kosmicznej, gdzie przetwarzanie danych nastąpi bezpośrednio na orbicie. Cały proces wykrywania parametrów gleby zostanie zautomatyzowany za sprawą algorytmów obecnych na pokładzie satelity Intuition-1.
Wykorzystanie obrazowania hiperspektralnego jest kluczem do zdalnej analizy jakości gleby i jej składu.
Polega ono na zebraniu i przetworzeniu informacji (w widmie fal elektromagnetycznych), których nasze oko nie jest w stanie zarejestrować. Potrafi to natomiast zrobić kamera hiperspektalna. Dzięki wykorzystaniu kilkuset różnych spektrów, algorytmy sztucznej inteligencji są w stanie oszacować ilość poszczególnych makroelementów w glebie.
wyjaśniają specjaliści
Ze względu na ogromną ilość zbieranych informacji, których przesłanie na Ziemię byłoby czasochłonne i kosztowne, inteligentne algorytmy będą pracowały w komputerze satelity, który przesyłał będzie do bazy gotowe wyniki.
KP Labs planuje umieścić satelitę Intuition-1 na orbicie na przełomie 2022/2023 roku.
Jak tłumaczą specjaliści KP Labs, zdolność satelity do tak skomplikowanej obróbki danych wyróżnia go na tle innych, podobnych systemów.
Idea projektu opiera się na wykorzystaniu do tego celu naszego satelity Intuition-1. Plany są bardzo ambitne i w pierwszej kolejności, pilotażowo „na Ziemi”, chcemy sprawdzić, czy w ogóle możliwe jest zdalne wykrywanie parametrów gleby przy użyciu technik uczenia maszynowego zastosowanych do analizy danych hiperspektralnych.
Jeśli to się powiedzie, planujemy przenieść nasze rozwiązanie właśnie na pokład Intuition-1, udowadniając tym samym, że parametry gleby mogą być wykrywane zdanie ‘z kosmosu’. Genesis nie tylko przyczyni się do rozwoju rolnictwa, ale również udowodni, że uczenie maszynowe może dostarczyć kluczowych informacji z surowych danych hiperspektralnych w wyspecjalizowanych aplikacjach – stanowiąc wielki krok w przyszłość rolnictwa.
podsumowuje Michał Zachara, dyrektor operacyjny firmy
źródło: naukawpolsce.pap.pl
