Γεωργία ακριβείας & μηχανική μάθηση

Abstract

Η γεωργία ακριβείας, γνωστή και ως έξυπνη γεωργία, έχει αναδειχθεί ως ένα καινοτόμο εργαλείο για την αντιμετώπιση των τρεχουσών προκλήσεων στη γεωργική βιωσιμότητα. Ο μηχανισμός που οδηγεί αυτήν την τεχνολογία αιχμής είναι η μηχανική μάθηση (Machine Learning). Δίνεται δηλαδή στη μηχανή η δυνατότητα να μαθαίνει χωρίς να είναι ρητά προγραμματισμένη. Το Machine Learning μαζί με το Internet of Things (IoT) δίνουν στα αγροτικά μηχανήματα τη δυνατότητα να αποτελούν βασικά συστατικά της επόμενης αγροτικής επανάστασης. Η γεωργία ακριβείας είναι μία από τις λύσεις για τη διασφάλιση της επισιτιστικής ασφάλειας για ολόκληρο τον κόσμο. Η γεωργία ακριβείας που επίσης συντομογραφείται ως ψηφιακή γεωργία, είναι ένα σύστημα βιώσιμης διαχείρισης αγροκτημάτων βασισμένο σε τεχνολογικά δεδομένα. Είναι βασικά η υιοθέτηση σύγχρονων ενημερωτικών τεχνολογιών, εργαλείων λογισμικού και έξυπνων ενσωματωμένων συσκευών για υποστήριξη διαφόρων αποφάσεων στη γεωργία. Σκοπός της παρούσας εργασίας είναι η ολιστική προσέγγιση της γεωργίας ακριβείας, καθώς και η διερεύνηση των εξελίξεων που έχουν επιτευχθεί στον συγκεκριμένο τομέα. Στο πρώτο κεφάλαιο γίνεται μία αναλυτική παρουσίαση του όρου γεωργία ακριβείας, των πλεονεκτημάτων και των μειονεκτημάτων της εξέλιξης αυτής στον τομέα της γεωργίας, παρουσιάζονται οι πρακτικές εφαρμογές της καθώς και τα οφέλη, αλλά και οι περιβαλλοντικές ανησυχίες που επικρατούν παγκοσμίως. Στο δεύτερο κεφάλαιο παρουσιάζονται παραδείγματα πρακτικών εφαρμογών της γεωργίας ακριβείας, όπως είναι οι εφαρμογές στη λίπανση, την άρδευση, την παρακολούθηση της απόδοσης και των ασθενειών. Στο τρίτο κεφάλαιο παραθέτονται πληροφορίες, σχετικά με τον εξοπλισμό και τις τεχνολογίες που περιλαμβάνονται σε ένα σύστημα γεωργίας ακριβείας. Ειδικότερα, γίνεται αναφορά στα συστήματα αισθητήρων που χρησιμοποιούνται και στις δυνατότητές τους. Ακόμη, αναλύονται πληροφορίες, που αφορούν τα δίκτυα επικοινωνίας που αναπτύσσονται αυτή τη στιγμή στη γεωργία ακριβείας, τα πλεονεκτήματα και τα μειονεκτήματά τους, καθώς και τον τρόπο δημιουργίας και λειτουργίας τους. Σημαντική αναφορά γίνεται και για πιο σύνθετες και καίριες, χρησιμοποιούμενες τεχνολογίες αιχμής, όπως οι: Computer Vision, Machine Learning και Data Analysis, καθώς και σε παραδείγματα εφαρμογών για μεγαλύτερη κατανόηση. Στο τέταρτο κεφάλαιο παρουσιάζονται τα συμπεράσματα της παρούσας έρευνας και γίνεται αναφορά στους περιορισμούς που εντοπίστηκαν κατά την εκπόνηση της. Στην Ενότητα 2 της παρούσας εργασίας παρουσιάζονται παραδείγματα ανάπτυξης αλγόριθμου Μηχανικής Μάθησης (Machine Learning ML) και Τεχνητής Νοημοσύνης (Artificial Intelligence, AI). Σκοπός της ενότητας αυτής είναι, να αναδείξει τη χρήση απλών διαδικτυακών εργαλείων για την υλοποίηση κώδικα κατηγοριοποίησης και πρόβλεψης νέων δεδομένων. Τα δεδομένα αυτά σχετίζονται με τη γεωργία ακριβείας και συγκεκριμένα χρησιμοποιείται αλγόριθμος μηχανικής μάθησης για την κατηγοριοποίηση και πρόβλεψη των δεδομένων, σχετικά με διάφορες ασθένειες φυτών στο φύλλωμα τους.