Contare le spighe per una maggiore ecologia
Per Achim Walter, una cosa è chiara: il campo fiorente dell'intelligenza artificiale farà progredire in modo decisivo l'agroecologia. Ma prima di poter raccogliere i frutti dell'intelligenza artificiale, i computer hanno ancora molto da imparare.
![Achim Walter](/de/news-und-veranstaltungen/eth-news/news/2020/07/blog-achim-walter-ki-und-agraroekologie/_jcr_content/news_content/textimage/image.imageformat.textsingle.1657256347.png)
Campi eccessivamente concimati, terreni compattati, gas serra e mortalità degli insetti: l'elenco delle aree problematiche agro-ecologiche è vecchio e lungo. L'acqua potabile desta attualmente molte preoccupazioni perché i pesticidi e gli alti livelli di nitrati ne minacciano la qualità.
L'agricoltura è sempre sul banco degli imputati. Il querelante è una società che in linea di principio chiede il "biologico per tutti", ma che spende solo un vergognoso sei per cento del suo reddito per il cibo (e per la maggior parte non acquista biologico). I politici dovrebbero definire nuove e chiare regole. E la scienza? Dovrebbe chiarire i fatti in modo oggettivo e indicare le soluzioni.
Un passo alla volta
Per poterlo fare, però, la scienza ha bisogno di strumenti sensati. Non si tratta solo di analisi chimiche, ma anche di quantificare il successo di una determinata coltura in determinate condizioni. O anche quali insetti ed erbe sono presenti in che numero in un determinato luogo. Tutto ciò richiede una grande quantità di dati raccolti in modo affidabile.
L'intelligenza artificiale - o più precisamente l'apprendimento automatico - ha un grande potenziale per raccogliere tali dati nella quantità e qualità necessarie. Ad esempio, le immagini possono essere utilizzate per quantificare le proprietà dei terreni, così come il numero di colture e il numero di parassiti.
Sulla base di questi dati, il passo successivo è stimare le condizioni delle colture e infine determinare quanta acqua, nutrienti e pesticidi sono necessari, dove e quando. Tuttavia, l'esperienza dimostra che il primo passo è spesso l'anello più debole di questa catena. Un semplice compito di routine dell'allevamento può illustrare questo aspetto.
Esempio di conteggio delle spighe
Nella selezione delle piante, l'obiettivo è sviluppare varietà adatte in base a molte caratteristiche. Per creare varietà di grano resistenti alle malattie o più adatte all'ambiente, ad esempio, è importante identificare le varietà di successo, cioè ad alto rendimento, in una serie di prove in condizioni appropriate. Ciò significa, tra l'altro, quantificare il numero di spighe prodotte per area.
![Variazione del grano in otto immagini](/de/news-und-veranstaltungen/eth-news/news/2020/07/blog-achim-walter-ki-und-agraroekologie/_jcr_content/news_content/fullwidthimage/image.imageformat.930.1402914408.jpg)
Contare le spighe di grano è un'operazione semplice ma che richiede molto tempo e che i ricercatori fanno con le loro mani e i loro occhi da molto tempo. Si potrebbe pensare che oggi, con l'aiuto di smartphone e app, dovrebbe essere più veloce e affidabile. Purtroppo non è così: le spighe sono talvolta difficili da riconoscere nelle immagini perché una foglia le oscura, sono esposte in modo troppo forte o troppo debole e perché hanno un aspetto diverso da varietà a varietà.
Cercasi: Il miglior contatore di spighe di grano del mondo
Numerosi gruppi di ricerca stanno ora collaborando per insegnare ai computer come farlo nell'ambito della "Global Wheat Head Detection Challenge".1 Per farlo, hanno annotato 4700 immagini di grano in diversi continenti - in altre parole, hanno contato quante spighe di grano possono essere riconosciute in ogni caso. Hanno fatto questo per diverse varietà e condizioni di coltivazione. Ora un Concorso per il miglior algoritmo di apprendimento: Quale software riesce a determinare il numero corretto di spighe di grano nel modo più affidabile? Possono partecipare gli specialisti, ma anche tutti i cittadini curiosi che sono abbastanza sicuri di sé.
"In futuro, sarà possibile utilizzare le immagini di satelliti, trattori e droni per valutare con precisione diverse misure sul campo".Achim Walter
Tali competizioni sono comuni nell'elaborazione delle immagini. Si basano in parte su progetti di citizen science2 e sono sempre più utilizzati con successo nell'ecologia di campo, ad esempio per contare gli animali selvatici.3
Sono convinto che se riusciremo a trasferire questo approccio alle scienze agrarie, l'allevamento delle piante e l'agroecologia potranno trarre notevoli benefici.4 A volte sarà possibile valutare con precisione le conseguenze di varie misure di gestione in campo sulla base di immagini scattate da satelliti, trattori e droni. E saremmo più informati di oggi per discutere di come l'agricoltura dovrebbe svilupparsi.
Questo testo appare anche come articolo d'opinione nella rivista pagina esternaGazzetta Ufficiale.
referenze
1 Progetto pagina esternaDataset globale del grano e il sito web a Sfida della cattedra di Scienze delle colture. Una compilazione delle immagini e delle procedure di annotazione su cui si basa il concorso di dati è disponibile in questo documento. pagina esternaPubblicazione o come pagina esternaPreprint
2 I progetti svizzeri di Citizen Science in sintesi: pagina esternaRicerche in Svizzera
3 Quantificazione della biodiversità con l'esempio di un progetto molto apprezzato per la descrizione fotografica degli animali selvatici nel Serengeti: pagina esternaIdentificare, contare e descrivere automaticamente gli animali selvatici nelle immagini delle trappole con telecamera con il deep learning. PNAS: Norouzzadeh et al. 2018
4 Apprendimento automatico nelle scienze agrarie: pagina esternaApprocci di apprendimento automatico per la previsione della resa delle colture e la stima dello stato di azoto nell'agricoltura di precisione: una rassegna. Computer ed elettronica in agricoltura: Chlingaryan et al. 2018