Petr Skoda
Zemědělství dlouho platilo za obor, kde se technologie prosazují pomaleji než jinde. To se mění. Nedostatek pracovních sil, rostoucí ceny vstupů a čím dál nevyzpytatelnější počasí tlačí farmy k tomu, aby jednotlivé procesy, od zavlažování přes ochranu plodin až po údržbu techniky, řídily na základě dat, ne jen podle zkušenosti a odhadu.
Co automatizace v zemědělství v praxi znamená
Základem je síť senzorů rozmístěných po pozemku nebo přímo na technice, která měří vlhkost a teplotu půdy, teplotu a vlhkost vzduchu, rychlost a směr větru nebo atmosférický tlak. Data z nich putují přes nízkoenergetické bezdrátové sítě, typicky LoRaWAN nebo NB-IoT, které umožňují senzorům fungovat na baterii i několik let bez nutnosti je dobíjet.
Samotná data ale hodnotu nemají. Skutečná automatizace začíná až ve chvíli, kdy software na jejich základě sám rozhoduje nebo alespoň farmáři doporučuje konkrétní krok, tedy kdy zavlažit, kdy postříkat proti škůdcům, nebo kdy poslat techniku na servis.
Automatizované zavlažování
Senzory vlhkosti půdy dokážou systém zavlažování spustit přesně tehdy, kdy to plodina potřebuje, a ne podle pevného rozvrhu. V praxi to podle dostupných dat z oboru umí snížit spotřebu vody o desítky procent a zároveň ušetřit čas, který by jinak farmář strávil ručním posuzováním stavu polí. Menší kolísání vlhkosti navíc pozitivně ovlivňuje kvalitu i výnos plodiny.
Umělá inteligence na poli
Kromě senzorů se do zemědělství čím dál víc dostávají modely, které rozpoznávají obsah fotografií a videa z pole. Umí rozlišit pěstovanou plodinu od plevele a plevel pak odstranit cíleně, bez plošné aplikace herbicidů. Podobné modely dokážou z fotografie listu rozpoznat začínající chorobu nebo škůdce dřív, než je problém vidět pouhým okem, a odhadnout zralost plodů pro optimální termín sklizně. Princip je stejný jako u jiných aplikací umělé inteligence, o kterém píšeme v článku o tom, jak vlastně funguje umělá inteligence: model se naučil na velkém množství fotografií rozpoznávat vzory, a tuto schopnost teď aplikuje na nové snímky z konkrétního pole.
Naváděné a autonomní stroje
Traktory a další technika dnes běžně používají GPS navigaci s přesností na centimetry, díky které jedou po poli bez překryvů a mezer mezi jednotlivými jízdami. Nad tímto základem vznikají autonomní stroje pro selektivní sklizeň, mechanické plečkování nebo cílený postřik, které dokážou pracovat s minimálním dohledem obsluhy. U větší flotily strojů navíc dává smysl sledovat i jejich technický stav, aby porucha nepřišla zrovna uprostřed sklizně, kdy je čas nejcennější.
Sledování zvířat a stavu techniky
Podobný princip funguje i u hospodářských zvířat. Senzory na obojcích nebo ušních známkách sledují pohyb, dobu odpočinku a příjem potravy, a odchylky od normálu mohou signalizovat začínající nemoc dřív, než si jí všimne člověk. Na strojích zase senzory vibrací, teploty nebo tlaku umožňují naplánovat servis podle skutečného opotřebení součástky, ne podle pevného intervalu, a předejít tak neplánovaným odstávkám v nejnabitějším období sezóny.
Kde automatizace naráží na limity
Rozlehlé a často odlehlé pozemky mají nerovnoměrné pokrytí signálem, takže spolehlivost přenosu dat je potřeba řešit už při návrhu systému, ne až když senzory přestanou hlásit data ze vzdálenější části pozemku. Druhým běžným problémem je roztříštěnost, kdy zavlažování, technika a sledování zvířat běží každé v jiné aplikaci od jiného výrobce, a farmář tak nemá jeden přehled, ale musí kontrolovat několik systémů zvlášť.
Kde v tom pomáhá Eniware
Eniware staví systémy, které data z různých senzorů a strojů spojují do jednoho přehledného řešení, podobně jako u digitálních dvojčat ve výrobě a logistice, kterým se věnujeme v samostatném článku. Stejný přístup, tedy propojení IoT senzorů s AI vyhodnocením do jednoho dashboardu, se dá použít i pro zemědělský provoz, ať už jde o zavlažování, techniku nebo chov zvířat. Tam, kde je pokrytí internetem na pozemku nespolehlivé, dává smysl řešit i to, jestli má vyhodnocení dat běžet v cloudu, nebo přímo na místě, což popisujeme v článku o volbě mezi cloudem a on-premise řešením.
