Как цифра повышает эффективность сельского хозяйства
Автор фото: Денис Белозеров
Фраза «цифровизация сельского хозяйства» выглядит утопично, но только на первый взгляд. «Цифровые инструменты с элементами ИИ в современном сельском хозяйстве решают немало задач, повышая эффективность агропредприятий. Например, в направлении повышения урожайности и снижения операционных издержек при производстве сельхозпродукции, — рассказывает Максим Чепезубов, член совета директоров Центра нанотехнологий и наноматериалов Республики Мордовия. — Хотя искусственный интеллект пока и не применяется в сельском хозяйстве широко, чаще оставаясь в области экспериментальных хозяйств».
Уже сегодня в аграрном бизнесе востребованы цифровые инструменты, которые быстро позволяют получить экономический эффект. В первую очередь к ним относятся те, которые дают возможность сократить количество персонала, занятого в аграрном бизнесе. Это прежде всего программы автоматизации управления агрохозяйством.
«С учетом дефицита кадров в сельском хозяйстве масштабная цифровизация неизбежна. Начнется этот процесс с крупных агрохолдингов, потому что предиктивная аналитика на основе самообучающихся нейросетей требует наличия большой базы данных», — считает Максим Чепезубов.
Программы автоматизации аграрного бизнеса
Сегодня над цифровой платформой для управления агробизнесом работают многие российские стартапы. В их фокусе — модули, функционирующие на основе искусственного интеллекта. В основном в бизнесе он нужен для того, чтобы анализировать информацию с полей, которую можно получить с помощью беспилотников, из спутниковых снимков, аграрной техники или собрать вручную.
Эти модули с применением нейросетей уже сегодня способны, например, по фотографии посевов определить количество сорняков на определенном участке земли. В отличие от человеческого взгляда, искусственный интеллект способен увидеть общее количество сорняков, а не их десятую часть. Кроме того, нейросети помогают создавать тепловые карты полей, для того чтобы точечно вносить удобрения.
«Сейчас в России разрабатывается комплексная система управления аграрным хозяйством. У аграриев она получила название „История поля“, — рассказал Максим Чепезубов. — В нее будет интегрироваться информация, полученная с помощью датчиков, размещенных на сельхозтехнике с данными полевых метеостанций. Этот облачный сервис будет способен аккумулировать, анализировать и хранить многолетнюю информацию о работе хозяйства, что позволит оперативно реагировать на полевую обстановку, вести оперативный учет, в том числе кадастровый, а также своевременно оптимизировать производственные процессы».
При этом работнику ни пешком, ни на лошади перемещаться не нужно. Информация будет регулярно обновляться, а специалист сможет с ней ознакомиться, не выходя из уютного кабинета.
Более того, «интеллект» нейросетей может быть представлен в традиционных инструментах, таких как таблицы Excel. Но нейросетям необходимы данные за большой период времени, ведь они работают по принципу сравнения текущих показателей с предыдущими. К тому же аграрная IT-платформа будет способна интегрироваться с различными CRM-системами, то есть программным обеспечением для бизнеса, которое способно автоматизировать рутинные операции.
Таким образом, аграрий сможет оперативнее и точнее принимать хозяйственные решения. А чтобы нейросети были способны самообучаться, им требуется много примеров различных вариантов развития событий: исторических данных, на основе которых они делают прогнозы. Благодаря тому, что нейросеть с большей точностью, чем человеческий интеллект, анализирует огромные массивы данных, а события имеют свойство повторяться, она и выдает наиболее приближенную к реальности предиктивную аналитику. К тому же нейросеть учитывает сразу множество (а фактически неограниченное количество) факторов, влияющих на развитие событий.
Уже сейчас понятно, что комплексная система управления аграрным хозяйством «История поля» получит несколько модулей. Так, модуль планирования и учета проведения полевых работ поможет ускорить процесс расчета севооборота. Дело в том, что этот процесс требует затрат — техники, человеческих и денежных ресурсов. А его оптимальная организация в состоянии повысить эффективность полевых работ.
«Цифровой модуль на основе нейросети сам может моделировать сценарии севооборота и давать рекомендации агроному, что, где, когда и в каких количествах сеять и сколько это должно стоить, — говорит Максим Чепезубов. — На основе данных мониторинга в системе выстраиваются графики вегетации, которые можно сравнить с графиками других полей и сезонов».
Еще один важный модуль, который получит платформа, — это модуль учета урожая. С его помощью можно будет в автоматическом режиме отслеживать передвижение грузовой техники от места сбора урожая до его выгрузки. Можно автоматически рассчитать объем урожая. Важно, что модуль в состоянии накапливать информацию в офлайн-режиме. Собранные же данные поступят в систему «История полей» сразу при обнаружении доступной сети интернет.
Сведения, поступившие от пользователей системы в тестовом режиме, показали, что с ее помощью можно на 80% сократить время, необходимое на сбор и анализ подобной информации.
Дрон на службе у аграриев
Для современного аграрного производства применение беспилотника становится необходимой поддержкой. С его помощью можно быстро находить участки земли, пригодные для будущих посевов, осуществлять обработку всходов и в целом осуществлять наблюдение за угодьями. Причем многие работы можно делать точечно, что не по силам традиционной сельскохозяйственной авиации.
«По оценкам экспертов — рассказал Максим Чепезубов, — к 2032 году рынок сельскохозяйственных дронов в мире превысит $5 млрд. На эту цифру оказывает существенное влияние бурное развитие органического сельского хозяйства».
Применение новых стандартов возделывания земель обязывает аграриев подумать о возможности точечной обработки посевов. Современные принципы не позволяют использовать химические средства для обработки растений. При этом традиционная авиация не в состоянии ювелирно разбрасывать для обработки почвы полезных насекомых, например божьих коровок, златоглазок, хищных клещей или стерилизованных мотыльков. В былые годы подобные насекомые подсаживались на посадки вручную. С помощью дронов обработка посевов осуществляется быстрее, яйца таких насекомых можно доставить в специальных капсулах. Именно на этом рынке работает компания «Летай и смотри Агро», разработавшая устройство, которое крепится на беспилотник и позволяет равномерно вносить энтомофаги.
Беспилотники используются также и для опрыскивания посевов. Хотя пока здесь больше вопросов, чем прямых рекомендаций к применению. Грузоподъемность популярных моделей не превышает 30 литров, а для качественной обработки плодовых деревьев требуется поднять в воздух резервуар объемом около 400 литров.
Зато в области наблюдения за посевами беспилотники весьма востребованы. Оснащенные высокочувствительными датчиками и мультиспектральными камерами, они обладают компьютерным зрением и способны собирать информацию, необходимую для точного земледелия. Они фиксируют мельчайшие изменения во внешнем виде растений, вплоть до потемнения листа.
В США, где рынок дронов для сельского хозяйства растет наиболее активно, с помощью беспилотников собираются данные, например, о фруктовых посадках: можно узнать точное число деревьев, их состояние и даже проследить транспирацию — процесс движения воды через растение и ее испарения через его наружные органы.
С помощью дронов аграрии выяснили: вместо того чтобы удобрять поля полностью, без учета разных условий — от состава грунта до рельефа, можно точечно вносить удобрение в самое нуждающееся место. Отсюда проистекает огромная экономия. Известно, что в среднем на обработку посевов агрохозяйство тратит порядка 40 млн рублей.
Однако после анализа полученных аэрофотоснимков выяснилось, что около 10% угодий можно не опрыскивать. В этих местах наблюдалась заболоченность. На выявленных участках можно сэкономить порядка 4 млн рублей.
Нейросети борются с болезнями растений и учатся анализировать качество пшеницы
Искусственный интеллект способен быстро диагностировать заболевания растений. Стартап «Агролаб» университетской стартап-студии Оренбургского государственного университета разрабатывает сейчас систему анализа снимков заболевших растений с помощью нейросети.
Проблема в том, что внешние проявления болезней растений часто бывают плохо различимыми. Чтобы не ошибиться в диагнозе и не загубить урожай, используются неэффективные решения — антибиотики широкого спектра действий. С помощью ИИ разработчики надеются ставить диагноз точнее. Его внедрение позволит аграриям сократить время при постановке диагноза заболевшим растениям и исключить при этом человеческий фактор.
Имеются и другие разработки. Например, университетская стартап-студия Балтийского федерального университета им. И. Канта «Агроскан» озаботилась разработкой портативного анализатора пшеницы, действующего на принципах ИИ. Обычно зерно классифицируется с помощью громоздкого и дорогостоящего спектрометра. Разработчики надеются, что нейросеть и в этом случае поможет аграриям сэкономить. Новый анализатор будет работать по снимку зерна в ИК-спектре, анализировать и моментально соотносить с нужной категорией.
Нейросети в животноводстве
Огромная перспектива у нейросетей просматривается и в животноводстве. С их помощью можно корректировать состояние различных животных. Данные для сравнения нейросеть получает от «цифровых двойников» животных. Как правило, их создание — длительный и трудоемкий процесс. Он осуществляется не в тиши академических кабинетов, а в атмосфере реальных экспериментальных ферм. «Образцовое животное» обвешивается различными датчиками. Наблюдение за животным продолжается всю жизнь. Фиксируется все: реакция на корм, температуру, пищевые добавки и лекарства. Полученная информация сопоставляется с информацией, полученной с других ферм, анализируется нейросетью. Затем данные сравниваются с показателями реального животного. На выходе получается универсальная рекомендация фермеру, который сможет оперативно реагировать на изменение состояния своего стада: быстро менять рацион питания, вносить кормовые добавки, лекарства, контролировать температуру помещения, где оно содержится.
Известна также технология взвешивания скота с помощью анализа нейросетью снимка животного. Эта технология позволяет избавить животное от ожидаемого стресса при подходе к весам. При этом есть возможность оперативно влиять на динамику развития, скажем, свиньи или коровы.
В этом контексте любопытны разработки в области автоматизации раздачи кормов. Так, в Санкт-Петербургском государственном ветеринарном университете стартапом «Цифровой кентавр» изучается возможность автоматического управления процессами приготовления и подачи кормов. В будущем использование нейросети позволит аграриям эффективно и быстро формировать рационы комбикормов, потому что система будет оперативно выдавать рекомендации, что и в каком количестве необходимо прибавить или убавить в рационе конкретной особи.
И, наконец, яйца. Искусственный интеллект уже думает о них. В Уральском федеральном университете выяснили, что это идеальный материал для исследования возможности нейросетей. В университете исследуют возможность использования для анализа качества яиц компьютерного зрения. Там уже реализуются проекты по созданию банка цветных цифровых изображений яиц, которые будут затем обрабатываться ИИ. В итоге большой банк данных для сравнения позволит нейросети быстро управлять сортировкой яиц на птицефабриках.
