Augļkopība kā viena no lauksaimniecības nozarēm ir pakļauta virknei izaicinājumu: jāpielāgojas klimata izmaiņām, jaunu slimību ierosinātāju un kaitēkļu ienākšanai vai esošo plašākai izplatībai. ES, Latvijas institūcijas un sabiedrība pieprasa arvien samazināt pesticīdu lietošanu, kas savukārt ietekmē audzēšanas procesus un ražību. Vienlaikus ir jānodrošina ekonomiski izdevīga augļkopības produkcijas ražošana. Šādu, pretrunīgu uzdevumu risināšana prasa neordinārus zināšanu ietilpīgus risinājumus, ko var nodrošināt viedās dārzkopības rīku ieviešana dažādu informācijas avotu izmantošanā un palīdzība lēmumu pieņemšanā.

Kas ir viedā dārzkopība?

Viedā dārzkopība ietver mūsdienīgu saimniekošanas veidu, kas balstīts uz progresīvo tehnoloģiju pielietošanu. Tās ir risinājumu kopas, kas pašlaik attīstītās, sniedzot sabiedrībai inovācijas un jaunus izgudrojumus. Metaforiski runājot: progresīvas tehnoloģijas ir pārrobežu līnija starp tagadni un nākotni tehnoloģiju un industrijas progresa telpā. Jāatzīmē, ka termins “progresīvas tehnoloģijas” ir cieši saistīts ar industriālo revolūciju. Industriālā revolūcija ir būtiskas ekonomiskās, sociālās, politiskās un tehniskās pārmaiņas, kas notiek kāda izgudrojuma rezultātā. Tiek uzskatīts, ka mēs dzīvojām ceturtās industriālās revolūcijas laikmetā. Saistībā ar viedo dārzkopību, kā visbūtiskākās tehnoloģijas ir mākslīgais intelekts, spektrālie satelīti, droni un lietu internets. Katra no šīm tehnoloģijām sniedz jaunas iespējas dārzkopjiem, kas iepriekš nebija pieejamas.

Mākslīgais intelekts veido viedās dārzkopības kodolu, tas palīdz dārzkopjiem lēmumu pieņemšanā vai atļauj izveidot autonomo dārzu. Spektrālie satelīti, droni un lietu internets veido pamatu datu savākšanai un analīzei, savukārt droni un virszemes roboti var izpildīt manipulācijas dārzā, piemēram, veikt miglojumus vai vākt ražu. Lietu internets neaprobežojas tikai ar uztverošajiem sensoriem, kas mēra noteiktus vides parametrus, piemēram, temperatūru vai mitrumu, bet tajā ietilpst arī viedās ierīces kā autonomā laistīšana, kas reaģē uz izmaiņām ārējā vidē un spēj izpildīt attālināti saņemtas komandas.

Jebkurš dārzs ir unikāla ekosistēma, kuru veido mikroklimats, audzētie augi, kaitīgie organismi, audzēšanas paņēmieni un metodes, iekārtas un programmatūra, kā arī cilvēki. Ieviešot jaunas tehnoloģijas, ir Pāreja uz viedās dārzkopības laikmetu ir atkarīga no trīs faktoriem: 1) pieejamas viedās tehnoloģijas; 2) kompetences pielietot un ieviest šīs tehnoloģijas; 3) labvēlīga vide šo tehnoloģiju ieviešanai.

Viedā dārzkopība šodien

Jaunākie pētījumi, galvenokārt, ir vērsti uz precizitātes paaugstināšanu, kas izpaužas divos veidos: datu blīvuma palielināšanā un mākslīgā intelekta kvalitātes uzlabošanā. Datu blīvuma palielināšana ir saistīta ar mērījumu skaita palielināšanu, lai izveidotu pēc iespējas detalizētāku objekta digitālo kopiju. Piemēram, var apskatīt Awekas servisa tiešsaistes karti, kurā var redzēt meteostaciju izvietojuma blīvumu (1. foto). nepieciešamas zināšanas par to ekspluatāciju un datu interpretāciju, jāspēj tās pielāgot dārzkopības procesiem. 

Var pamanīt, cik tuvu tiek izvietotas meteostacijas, lai veiktu tiešsaistes mērījumus pēc iespējas lielākā daudzumā.

Cits piemērs ir 3D modeļu iegūšana, pielietojot lāzerskenēšanas tehnoloģiju (2. foto). Datu blīvuma paaugstināšanas uzdevums ir sniegt iespēju mākslīgajam intelektam uztvert fizisko pasauli pēc iespējams detalizētāk, tādējādi ietekmējot mākslīgā intelekta lēmumu pieņemšanas kvalitāti. Lai labāk izpētītu dabas procesus, tiek īstenots projekts “Digitālā Zeme”, kas paredz nākotnē atveidot mūsu planētu virtuālā vidē.

Mākslīgā intelekta kvalitāte visbiežāk tiek asociēta ar atpazīšanas kļūdas lielumu. Piemēram, augu slimību atpazīšanas algoritmi tiek vērtēti pēc kļūdaini noteiktu fotogrāfiju skaita testēšanas laikā. Cits kvantitatīvs rādītājs ir prognozes ticamība, kas tiek mērīta kā varbūtība, ka mākslīgā intelekta secinājums izpildīsies realitātē. Katram atmiņā būs kāds piemērs par neizpildījušos laika prognozi. Šajā gadījumā nozīme ir prognozes ticamībai, kas tiek izteikta kā procents, kurš attēlo, ar kādu varbūtību tā izpildīsies (3. foto).

Savukārt frāze “vietām gaidāms lietus” labi raksturo datu blīvuma nozīmi prognozē: jo detalizētāku informāciju mākslīgais intelekts spēj saņemt analīzei, jo precīzāk tas spēj iezīmēt šīs neskaidrās vietas kartē (4. foto).

Ja tiek veikta objekta atpazīšana vai prognoze, var iztikt ar precizitātes parametriem, savukārt optimālā lēmuma pieņemšana paredz nepieciešamību ņemt ērā vairākus faktorus ilgā laika periodā. Tieši tāpēc aktuālie pētījumi ir saistīti ar uzticama mākslīgā intelekta izstrādi. Vārds “uzticams” izsaka nepieciešamību izstrādāt tādu mākslīgo intelektu, kas nodrošinātu lietotājus ar drošības sajūtu, ka tā pieņemtais lēmums ir pareizs un neradīs zaudējumus. Piemēram, organizējot labvēlīgu darba vidi, mākslīgais intelekts, kas spēj pilotēt dronu, dārzā droši aplidos cilvēkus un tehniku; mākslīgais intelekts, kurš plāno darbus dārzā vienmērīgi, nepārslogos noteiktu darbinieku grupu un neapdalīs ar darbu citus vai nepārslogos konkrētas dienas ar darbiem. Vārds “drošība” ir viens no atslēgvārdiem mūsdienu pētījumos par mākslīgo intelektu.

Cits virziens ir dārza automatizācija. Populāras pētījumu tēmas ir ražas savākšanas robotizācija, monitoringa automatizācija, miglošana un dārzu laistīšana ar dronu palīdzību. Lai gan pilnīga automatizācija nav sagaidāma tuvākajā nākotnē dēļ drošības un ekonomiskajiem aspektiem, tāpēc pētnieki koncentrējas uz atsevišķu procesu automatizāciju, monitoringu vai lēmumu pieņemšanas sistēmu izstrādi.

Dārzkopības institūta un Rēzeknes Tehnoloģiju akadēmijas pētījumi

2020. gadā Dārzkopības institūts un Rēzeknes Tehnoloģiju akadēmija uzsāka pirmo sadarbības projektu viedās dārzkopības jomā “Mašīnu dziļās mācīšanās un datizraces pielietošana augu un patogēnu mijiedarbības izpētei: ābeļu un bumbieru kraupja patosistēmas” (Nr. lzp-2019/1-0094). Viens no projekta uzdevumiem bija izstrādāt mobilo lietotni, kas spēj atpazīt ābolu un bumbieru kraupi pēc fotogrāfijām agrīnā attīstības stadijā. Otrs uzdevums - iesaistīt mākslīgo intelektu Dārzkopības institūta pētniecisko datu analīzei, lai noteiktu saites starp laika apstākļiem, kraupja intensitāti un šķirnēm. Izstrādātie risinājumi nodrošināja pētījumus paplašināt vēl vienā projektā: “Lēmumu pieņemšanas sistēmas izstrāde, viedai augļkopībai pielietojot autonomus bezpilota lidaparātus” (Nr. lzp-2021/1-0134).

Kraupja datu semantiskā analīze

Semantiskās ontoloģijas ir viens no veidiem, kā digitalizēt ekspertu zināšanas, un atļaut šīs zināšanas pielietot mākslīgajam intelektam, lai veiktu secinājumus par teksta vai datu kontekstu. Lai strukturētu Dārzkopības institūta informāciju par ābeļu un bumbieru kraupi, augu izturības gēniem un vides datiem, tika izstrādāta “Ābolu un bumbieru kraupja ontoloģija” (6.foto). Tā atļāva mākslīgajam intelektam veikt Dārzkopības institūta datu analīzi. Vēlāk mākslīgais intelekts tika integrēts ekspertu sistēmā, kas ļauj saņemt atbildes uz iepriekš sagatavotiem jautājumiem, kas tiek sastādīti konstruktora veidā (8. foto), bet lietotāji, kuri pārzina programmēšanas valodu (SPARQL), var uzdot mākslīgajam intelektam jautājumus par savāktajiem datiem brīvā formā.

Kraupja atpazīšana agrīnajā stadijā

Mūsdienīga mākslīgā intelekta izstrāde ir balstīta uz lielo datu pielietošanu apmācīšanas laikā, tāpēc projekta laikā tika izveidota sistēma augļu un koku lapu fotogrāfiju savākšanai. Sistēma sastāvēja no mobilās un tīmekļa lietotnes. Ar mobilās lietotnes palīdzību lietotāji varēja iesniegt fotogrāfijas, bet, pielietojot tīmekļa lietotni – izpildīt šo fotogrāfiju analīzi. Pēc fotogrāfiju savākšanas eksperti veica datu anotāciju, piešķirot katrai fotogrāfijai statusu “kraupis” vai “kraupja nav”. Visi interesenti var atrast savāktās datu kolekcijas Kaggle repozitorijā ar nosaukumu “AppleScabFDs” un “AppleScabLDs” (5. foto).

Internetā var atrast arī apmācības spēli, kas ļauj lietotājam pamēģināt atpazīt kraupja esamību fotogrāfijā (7. foto).

Lai atpazītu kraupi agrīnajā stadijā, projekta sākotnējos posmos tika plānots izmantot hiperspektrālo fotokameru. Tomēr padziļināti pētījumi ar mākslīgo intelektu pierādīja, ka kraupi agrīnajā stadijā var atpazīt arī krāsainās fotogrāfijās, galvenais, lai būtu pietiekoši liela attēlu izšķirtspēja, ko pilnībā nodrošina mūsdienīgi skārienjūtīgie mobilie telefoni (9. foto).

Rezultātā apmācītais mākslīgais intelekts tika integrēts mobilajā lietotnē (11. foto). Lai atpazītu kraupi, šī lietotne varētu būt noderīga neprofesionāliem dārzkopjiem vai senioriem ar redzes traucējumiem.

Viedā dārza izstrāde

Iespēja atpazīt kraupi agrīnā attīstības stadijā ir nozīmīgs panākums no zinātnes skatupunkta, tomēr praktiski esošais risinājums nebija pilnvērtīgs, jo apstaigāt un fotografēt ābolu un bumbieru dārzus pieprasa pārāk daudz laika, un šis darbs jāpilda pastāvīgi visas sezonas laikā. Tāpēc tā ir labvēlīga vide automatizācijai, aizvietojot cilvēkresursus ar robotiem, nododot tiem monotonu, cilvēkam grūti izpildāmu darbu. Tāpēc projektā Nr. lzp-2021/1-0134 tika iesaistīti bezpilota lidaparāti jeb tautā pazīstami kā “droni”. Šo izvēli noteica gan to popularitāte un pieejamība, gan tehniskās iespējas. Projekta pētījuma uzdevums ir izstrādāt programmatūras prototipu, kas ļaus automātiski plānot dronu dārzu aplidošanas maršrutus, lidojuma laikus un analizēt iegūtās fotogrāfijas. Projekts uzsākts 2022. gada sākumā, tomēr šobrīd jau ir realizēta pirmā versija, kas daļēji izpilda paredzēto funkcionalitāti (10. foto), ļaujot sistēmai pilotēt dronus pēc ievadītā maršruta un ievākt fotogrāfijas kraupja atpazīšanai.

Kā jaunus izaicinājumus mākslīgajā intelektā projekta komanda izvēlējās vēl šādus darbus: apmācīt mākslīgo intelektu plānot dronu lidojumus, novērtēt augļus pēc fotogrāfijām un prognozēt ražu. Mākslīgais intelekts spēs aprēķināt ziedu, augļaizmetņu un augļu skaitu, ņemot vērā vēsturiskus datus.