Proprio mentre oggi, 28 giugno 2021, a Bruxelles è stato raggiunto l’accordo sulla PAC, la riforma della Politica agricola europea, il primo passo per decidere come investire 386 miliardi di euro (circa il 33% del bilancio comunitario) per il periodo 2023-2027 (leggere Gustoh24), si torna a parlare con rinnovato vigore di agricoltura 4.0 e innovazione tecnologica nei campi.

Una scelta non più eludibile per l’agricoltura futura.

Abbiamo chiesto a Fabio Maggio, docente di High Performance Computing alla Facoltà di Matematica dell’Università di Cagliari, di indicarci cinque tendenze dell’agricoltura digitale da segnalare ai nostri lettori.

Ecco le cinque risposte (e proposte) di Fabio Maggio

1. Database collaborativi annotati per l’addestramento di algoritmi di machine learning

Una componente fondamentale dell’Intelligenza Artificiale (AI) sono gli algoritmi di machine learning, costituiti da due stadi: l’addestramento, in cui “si insegna” all’algoritmo a riconoscere tipologie diverse di oggetti tramite immagini o dati misurati, e la classificazione in cui oggetti ignoti vengono assegnati ad una tra diverse tipologie predefinite dall’utente. Un mezzo agricolo intelligente, ad esempio, può utilizzare l’AI per imparare dalla propria esperienza a discernere le piante coltivate dalle infestanti tramite immagini acquisite da telecamere montate a bordo.

Le prestazioni dell’AI dipendono soprattutto dalla qualità e dalla quantità dell’informazione contenuta nei dati usati per l’addestramento: un algoritmo per la detection precoce di un’infestante necessiterà di un numero adeguato di immagini di questa pianta alla fase iniziale di sviluppo (non di esemplari adulti!) scattate in situ e non in altre parti del mondo dove le varianti locali possono manifestare fenotipi diversi.

Grazie agli smartphone, macchine fotografiche che abbiamo sempre con noi, c’è oggi la possibilità per l’agricoltore di produrre immagini annotate (indicando ad esempio se si tratta dell’infestante o della pianta coltivata) e inviarle ad un server tramite i comuni servizi di messaggistica, come WhatsApp, anche in un secondo tempo in caso di mancanza di copertura di rete in campo.

C’è quindi la possibilità della raccolta centralizzata di un numero significativo di immagini annotate altamente specializzate inviate dagli end-users che, tramite procedure automatiche con eventuali passi di pre-processing, definiscano dataset di addestramento di alta qualità.

2. Immagini aeree a basso costo

In agricoltura l’uso di immagini remote con camere montate su satelliti, aerei o droni è ormai largamente utilizzato per monitorare lo stato colturale su vasta scala e pianificare l’attività zootecnica, ad esempio alternando i pascoli sulla base della disponibilità di foraggio nelle varie porzioni di terreno.

Queste attività hanno però costi non trascurabili. Per i droni al prezzo d’acquisto occorre sommare spese significative per l’operatività in campo; per il satellite esistono repository di immagini liberamente accessibili ma con limiti evidenti su risoluzione o tempo di rivisitazione, mentre servizi a pagamento di qualità più elevata hanno costi che dipendono dall’estensione delle colture (generalmente maggiori in Europa rispetto agli USA).

Per questo motivo si è pensato di utilizzare palloni frenati riempiti di elio o torri di osservazione. I palloni, per minimizzare i costi, si possono equipaggiare con smartphone di gamma media che, se dotati di giroscopio, sono in grado di eseguire correzioni del punto di ripresa, tenere conto della variabilità causata dal vento e guidare l’operatore a terra nella copertura ottimale dell’impianto colturale.

3. Agricoltura di precisione open a costo contenuto

Lo scopo dell’agricoltura di precisione è riassunto nello slogan “fare quello che serve, quando serve e dove serve” in alternativa ai trattamenti indifferenziati che ad esempio prevedono l’irrigazione o l’irrorazione di prodotti in ugual misura in tutto il campo, senza fare differenza tra zone con necessità diverse.

L’agricoltura di precisione oltre a permettere risparmi notevoli è anche amica dell’ambiente perché evita sprechi di acqua e prodotti fitosanitari ma richiede supporti tecnologici adeguati: la localizzazione accurata dei mezzi in campo, la disponibilità di mappe che guidino le operazioni colturali, etc.

Alcune aziende offrono soluzioni commerciali per l’agricoltura di precisione ad un costo notevole, che può pregiudicarne l’adozione per gli imprenditori medio-piccoli. Inoltre, si tratta solitamente di sistemi “chiusi”, di uso limitato per l’utente che non può sfruttare completamente i vantaggi potenziali dei dati raccolti. Oggi è possibile utilizzare gli sviluppi recenti della microelettronica per implementare dispositivi a costo contenuto per l’agricoltura di precisione, che garantiscono la completa accessibilità e fruizione dei dati a un costo frazionario rispetto ai listini ufficiali: ad esempio soluzioni RTK (Real Time Kinematic) per la geolocalizzazione accurata in campo e l’utilizzo di sensori wireless di varia natura in campo o a bordo di mezzi agricoli.

4. Robotica di servizio

La service robotics riguarda l’utilizzo di macchine in sostituzione o affiancamento all’essere uomo per compiti pericolosi, sgraditi, ripetitivi o poco qualificanti. In agricoltura le applicazioni possibili sono innumerevoli, dalla semplice assistenza all’operatore in sistemi controllati come le serre, a pratiche di fattoria automatica quali la gestione di elettrovalvole per l’irrigazione, a operazioni di campo vere e proprie come l’identificazione e la distruzione mirata delle infestanti.

Un’idea intrigante è l’uso di rover, spesso nati per applicazioni in altri campi e disponibili come open-project, per la raccolta continuativa di dati e immagini in campo, anche durante la notte. Si tratta di veicoli diversi per le varie colture ma accomunati dallo stesso sistema di controllo hardware e software, già oggi potenzialmente in grado – grazie ad algoritmi AI da eseguire localmente e implementazioni di edge-computing – di operare autonomamente e produrre un report georeferenziato: l’agricoltore lo riceve sul proprio smartphone all’arrivo in campo, con la descrizione di eventuali “emergenze” da monitorare già geolocalizzate.

5. Sistemi avanzati di supporto alle decisioni (DSS)

Machine learning e computer vision sono già oggi applicati in qualche misura a riconoscimento delle piante infestanti, previsione del fabbisogno idrico e della concimazione azotata, stima dell’evapotraspirazione. L’AI, assieme alle reti di sensori senza fili a basso costo, ha fornito risultati preliminari ma incoraggianti sul riconoscimento di malattie della vite, il controllo remoto delle colture in risaia, il monitoraggio di infestanti e parassiti sia per le piante sia per il terreno. Grazie alla disponibilità recente di chip e acceleratori hardware progettati esplicitamente per l’AI, unitamente all’ottimizzazione matematica dell’algebra lineare su cui si basa il “motore computazionale” del machine learning, computer scientifici ad alte prestazioni possono addestrare modelli AI più sofisticati e complessi.

La successiva fase di classificazione e test può essere svolta svolta in parte su edge-computer anche in tempo reale, utilizzando acceleratori NPU (Neural Processing Unit) e altri dispositivi hardware ad hoc. Questi modelli AI, più profondi e con una capacità predittiva migliorata, sono in grado di affrontare compiti e problematiche fino ad oggi fuori portata.