Zastosowanie sztucznych sieci neuronowych w rolnictwie

Dynamiczny rozwój technik informatycznych oraz rosnące zainteresowanie metodami sztucznej inteligencji przyczyniło się do podjęcia prób zastosowania tych narzędzi również w naukach rolniczych. Wysoka skuteczność sieci neuronowych w modelowaniu procesów naturalnych uzasadnia przydatność tej metody w rozwiązywaniu zagadnień z obszaru techniki rolniczej. Według Web of Science, pierwsza publikacja wyników badań z dziedziny nauk rolniczych, w których wykorzystano sieci neuronowe, pojawiła się w 1991r. Jej autorami byli Thai i Shewfelt z Uniwersytetu w Georgii, którzy zastosowali sieci neuronowe do określenia relacji matematycznych łączących ocenę sensoryczną człowieka z fizycznymi pomiarami koloru pomidorów i brzoskwiń [Thai, Shewfelt 1991]. W latach dziewięćdziesiątych wykorzystywano sieci neuronowe m.in. do: prognozy jakości jabłek naświetlanych widmem podczerwieni [Bochereau i in. 1992], określania optymalnej temperatury dla szklarniowej uprawy sałaty [Seginer, McClendon 1992], rozpoznawania głosu operatora w hałasie spowodowanym pracą silnika ciągnika [Sato i in. 1993], automatycznego sprawdzania jakości nasion kukurydzy [Liako i in. 1993] oraz sprawdzania jakości

i sortowania róż ciętych [Steinmetz 1994] i roślin doniczkowych [Timmermans i in.1996] według kryteriów stosowanych przez człowieka przy sortowaniu ręcznym. Podejmowano również próby modelowania cech sensorycznych wołowiny przy użyciu ultradźwiękowych cech widmowych [Park i in. 1994], prognozowania erozji gleby [Cay 1995], modelowania konwencjonalnego zarządzania wodami gruntowymi [Yang i in. 1996], modelowania procesu podpowierzchniowego osuszania pól uprawnych [Yang i in. 1997], automatycznej oceny jakości owoców i warzyw podczas sortowania [Nagata 1998], symulowania interakcji gleby i narzędzia w różnych warunkach atmosferycznych i przy różnych parametrach pracy [Zhang i in. 1999] oraz wiele innych.

Wraz z początkiem XXI wieku znacznie wzrosło zainteresowanie modelowaniem neuronowym wśród badaczy zajmujących się zagadnieniami z obszaru nauk rolniczych. Zastosowano sieci neuronowe do rozpoznawania chwastów [Yang i in. 2002], odróżniania ich gatunków [Burks i in. 2005] oraz mapowania ich gęstości [Bajwa, Tian 2001]. Opracowano zintegrowane systemy zarządzania w produkcji zwierzęcej [Aerts i in. 2003], podjęto próby symulowania temperatury gleby na różnych głębokościach na podstawie danych atmosferycznych w konkretnej porze roku [Yang i in. 2004]. Przy pomocy sieci dokonywano analizy zapachu farm hodowlanych [Pan i in. 2006, 2007] z uwzględnieniem poziomu stężenia i emisji szkodliwych gazów [Sun i in. 2008], analizowano technologię zbierania roślin oleistych [Wiesman 2009] oraz zamodelowano proces produkcji włókienniczej [Rahman, Bal 2010].

Najnowsze badania (2010 – 2016), w których wykorzystano sieci neuronowe są bardzo liczne i dotyczą wielu różnych obszarów rolnictwa. Jednym z najważniejszych problemów rolnictwa na całym świecie jest dostępność wody niezbędnej do uprawy roślin oraz sposób jej optymalnego wykorzystania. Zastosowanie sztucznych modeli neuronowych stało się podstawą do ochrony wody oraz efektywnego wykorzystania jej zasobów na plantacjach. Za pomocą sieci neuronowych zbadano efektywność produkcji wody, która jest ważnym wskaźnikiem oszczędnego nawadniania [Xie, Han 2010]. W Indiach, za pomocą sieci neuronowych prognozowano dostępność wody na terenach suchych [Patil i in. 2012]. Opracowany system wspiera zarządzanie procesem nawadniania, a ponadto może zwiększyć wydajność rolnictwa w krajach rozwijających się. Opracowano również modele symulujące rozkład wody w nawadnianiu zraszającym [de Menezes i in. 2015]. W badaniach tych uwzględniono ciśnienie robocze, prędkość

i kierunek wiatru oraz średnice dysz zraszających, aby zminimalizować straty wody w trakcie nawadniania.

Kolejnym ważnym problemem współczesnego rolnictwa jest walka z chorobami, które atakują rośliny uprawiane na plantacjach. Aby skutecznie walczyć ze szkodnikami i chorobami, należy je precyzyjnie i bezbłędnie identyfikować. Wykorzystując sztuczne sieci neuronowe opracowano układy mechaniczne, oparte na technikach obrazowania, które z dużą skutecznością wykrywają choroby grzybiczne na powierzchni roślin [Moshou i in. 2011, Tallada i in. 2011, Shi i in. 2015].

Przedmiotem częstych zainteresowań naukowców z dziedziny nauk rolniczych jest gleba. Zastosowano różne rodzaje sieci neuronowych do oceny zawartości pozostałości azotanów w glebie [Gautam i in. 2011]. Do uczenia tych sieci wykorzystano zdjęcia satelitarne oraz informacje o plonach, topografii oraz przewodnictwie elektrycznym gleby. Opracowane modele osiągały bardzo wysokie skuteczności. Zamodelowano również procesy fizyczne zachodzące w glebie podczas jej dezynfekcji w uprawach szklarniowych [D’Emilio i in. 2012]. Model ten umożliwił głębsze studiowanie procesów zachodzących w glebie. Sztuczne sieci neuronowe umożliwiły również prognozowanie gęstości nasypowej gleby w środowiskach suchych [Al – Qinna, Jaber 2013] oraz uzyskanie topograficznych cech gleby [Chagas i in. 2010]. Wyniki tych badań wykorzystano w kartografii cyfrowej gleby. Dokonano oceny gruntów pod uprawę ryżu na podstawie danych pozyskanych z GIS (ang. Geographic Information

System), takich jak: wskaźniki zanieczyszczenia gleby, wskaźniki nawodnienia,

wartości pH gleby, zawartość materii organicznej itp. [Li i in. 2010]. W ten sposób umożliwiono zwiększenie plonu poprzez zakładanie plantacji na gruntach najlepiej dostosowanych do wymogów uprawianej rośliny. Metodę wykorzystującą dane z GIS jako sygnały wejściowe sieci neuronowej zastosowano również w modelach służących do oceny obszarów pod uprawę biomasy produkowanej na cele energetyczne [Miura i in. 2014]. Badania te miały na celu przedstawienie ważnych aspektów związanych z regionalnym planowaniem przestrzennym. Zastosowane techniki mogą stanowić narzędzie wsparcia strategicznego w procesie decyzyjnym w kwestii bioenergii. Wykorzystując sieci neuronowe opracowano również system wspomagania zarządzania produkcją biogazu w gospodarstwach [Finzi i in. 2014]. System ten jest narzędziem uniwersalnym, może być więc wykorzystywany do wszystkich biogazowni (wymaga

jedynie kalibracji pod względem cech morfologicznych rośliny). Ponadto, zamodelowano proces zgazowania biomasy w reaktorach ze złożem fluidalnym [Puig i in. 2013]. Uzyskane wyniki pokazały, że skład procentowy czterech podstawowych gazów w generatorze oraz wydajność wytwornicy gazu w złożu fluidalnym może być przewidziana przez sieć neuronową z wysoką skutecznością. Za pomocą sieci neuronowych symulowano również proces trawienia substratów rolniczych [Beltramo i in. 2016]. Taka technologia może być stosowana do kontrolowania procesu wytwarzania biogazu i zarządzania składem podłoża.

Sieci neuronowe są często wykorzystywane jako narzędzie wspierające zarządzanie technologią produkcji, na przykład poprzez usprawnienie procesu sortowania plonu. Przykładem może być opracowany system do oszacowania masy cytrusów rosnących na drzewach [Shin i in. 2012] lub system automatycznego zliczania jabłek na jabłoni [Xiao i in. 2015]. Modeli neuronowych użyto również do przewidywania masy pojedynczych bulw ziemniaka na podstawie jego wymiarów. Zastosowana technologia nie tylko pozwoliła usprawnić proces sortowania (jak w przypadku cytrusów), ale była niezbędna przy projektowaniu i rozwoju maszyn sortujących [Ghanbarian, Farhadi 2010]. Opracowane systemy do automatycznego rozpoznawania klas plonu były podstawą do stosowanego coraz częściej automatycznego sortowania warzyw lub owoców [Bouchech i in. 2013]. Zautomatyzowano również proces klasyfikacji drzew na podstawie zdjęć ich liści [Aakif, Khan 2015, Haraisora, Kukal 2016] lub klasyfikacji gatunków warzyw na podstawie zdjęć ich nasion [Kurtulmus i in. 2016]. Technikę monitorowania liści wykorzystano do automatycznego rozpoznawania momentu osiągnięcia pożądanej wilgotności tytoniu [Wu i in. 2014].

Sieci neuronowe zastosowano również do szacowania plonu [da Silva i in. 2014] oraz przewidywania jego strat na plantacjach [Chang i in. 2013]. Modele te osiągnęły wysokie skuteczności, co pozwoliło oszacować zysk lub ewentualne straty. Techniki wykorzystujące sieci neuronowe pozwoliły także na opracowanie systemów umożliwiających zwiększenie plonu, a co za tym idzie – zysku. Przykładem mogą być modele przewidujące szybkość procesu fotosyntezy roślin pomidorów uprawianych w szklarniach [Wang i in. 2013, Li i in. 2015]. Odpowiednie zarządzanie tymi parametrami w uprawie szklarniowej umożliwiło zwiększenie plonu pomidora.

Sieci neuronowe znalazły zastosowanie również w przemyśle spożywczym. Zastosowano je, na przykład, do diagnozowania świeżości jaj podczas przechowywania w różnych warunkach [Dhakal i in. 2011] lub do oceny i klasyfikacji produktów żywnościowych takich jak: mięso, produkty mleczarskie i wyroby piekarnicze [Turgut i in. 2014].

W celu podniesienia sprawności maszyn rolniczych opracowano system diagnostyczny oparty na sieciach neuronowych, służący do monitorowania topologii usterek układów mechanicznych [Moshou i in. 2010]. Zastosowano sieci neuronowe do identyfikacji sposobów zarządzania użytkami zielonymi [Dusseux i in. 2012] oraz do prognozowania upadłości przedsiębiorstw rolnych [Stavici, Mnerie 2012]. Użyto sieci neuronowych do optymalizacji procesu suszenia wybranych ziół [Rodriguez i in. 2013]. W najnowszych badaniach zastosowano sieci neuronowe do przewidywania zawartości białka w ziarniaku pszenicy poprzez hiperspektralne obrazowanie w podczerwieni [Yang i in. 2016] oraz do analizy energochłonności produkcji bioetanolu w gorzelniach [Trajer i in. 2016]. Kontynuowano badania z zakresu rozpoznawania chwastów [Pantazi i in. 2016] oraz chorób roślin uprawnych (np. soi, winorośli) na podstawie zdjęć ich liści [Hou i in. 2016, Pires i in. 2016]. Opracowano model klasyfikujący ziarna pszenicy pod względem wielkości i rodzaju uszkodzeń mechanicznych [Shrestha i in. 2016]. Użyto sieci neuronowych do optymalizacji procesu produkcji pasz dla zwierząt hodowlanych [Sudha i in. 2016], dzięki czemu możliwe było prognozowanie wielkości tej produkcji. Przewidywano zachowania konsumentów zachęcanych do kupna żywności modyfikowanej genetycznie [Rodriguez – Entrena i in. 2016]. Prognozowano wagę brojlerów na podstawie zdjęć 3D zwierzęcia [Mortensen i in. 2016]. Oceniano zdolność termoregulacji bawołów mlecznych i ich wrażliwość na zmiany środowiskowe [Sevegnani i in. 2016] oraz podjęto próby przewidywania budowy i okrywy tłuszczowej byków za pomocą sieci neuronowej uczonej na podstawie danych o masie, wieku i rasie zwierzęcia [Candek – Potokar i in. 2015].

W Polsce, pionierami w stosowaniu sieci neuronowych w inżynierii rolniczej byli: Langman [1999] oraz Koszela, Boniecki i Weres [2001]. Podjęli oni m.in. próbę budowy systemu ekspertowego służącego do diagnostyki oraz prawidłowej obsługi wózków widłowych wykorzystywanych w magazynach płodów rolnych. Ci sami autorzy, w późniejszych latach, wykorzystywali sieci neuronowe do analizy

i klasyfikacji obrazów suszu warzywnego w celu oszacowania udziału poszczególnych frakcji w badanej próbie [Koszela, Weres 2005, 2009] oraz identyfikacji mechanicznych uszkodzeń ziarniaków [Nowakowski i in. 2007]. Boniecki [2004] wykorzystywał sieci neuronowe jako modele aproksymacyjne w procesie predykcji plonu pszenżyta. Langman i Langman [2008] testowali radiowe sieci neuronowe do bezprzewodowej łączności pomiędzy agregatami rolniczymi, Górski i in. [2008] – do oceny stopnia dojrzałości jabłek, a Langman i Pedryc [2010] – do modelowania rolno – spożywczych procesów przetwórczych (szczególnie – procesu wypieku chleba).

Francik zbadał możliwość zastosowania sieci neuronowych do: prognozowania zmian techniczno – eksploatacyjnych parametrów ciągników i maszyn rolniczych [Francik 2001, 2006a, b, 2009a, b, 2010a, b], oceny nowoczesności ciągników rolniczych czołowych producentów [Francik 2005a, 2009] oraz prognozowania cen ogórka szklarniowego [Francik 2005b]. Ten sam autor, wraz ze współautorami, wykorzystywał sieci neuronowe do wyznaczenia gęstości nasion jęczmienia jarego [Francik, Hebda 2005] oraz do modelowania twardości ziarniaków pszenicy [Hebda, Francik 2006]. Na uwagę zasługują również próby modelowania procesu powstawania strat w kombajnie zbożowym [Złobecki, Francik 2000] oraz skurczu suszarniczego wybranych warzyw korzeniowych [Łapczyńska – Kordon i in. 2006]. Niżewski i in. [2007] użyli sztucznych sieci neuronowych do modelowania procesu emisji amoniaku z pól nawożonych gnojowicą, a Niedbała i Klejna [2007] – do analizy możliwości prognozowania przemieszczeń gleby podczas orki.

Sztuczne sieci neuronowe znalazły również zastosowanie w ekonomice rolnictwa. Przykładem tego może być przewidywanie rentowności sprzedaży [Kisielińska 2003], prognozowanie kondycji finansowej gospodarstw rolniczych [Kisielińska 2004] lub ich upadku [Kisielińska 2008a, b] oraz ocena zdolności kredytowych rolników [Kiljańska, Klimkiewicz 2008]. Najnowsze doniesienia naukowe z Polski, wchodzące w zakres różnych obszarów nauk rolniczych dotyczą m.in. identyfikacji jakości kompostu [Jakubek i in. 2011], badania wpływu zawartości wody i aktywności wody na cechy elektryczne miodu [Pentoś i in. 2014], oceny jakościowej produktów rolniczych [Koszela 2015], oceny jakościowej oocytów zwierzęcych [Koszela i in. 2015] i wiele innych.

Od 1997 roku ośrodki naukowe z Krakowa, Poznania i Lublina organizują cyklicznie Konferencję Naukową pn. „Zastosowanie technologii informacyjnych w rolnictwie”. Celem tej konferencji jest wymiana wiedzy naukowej pomiędzy specjalistami prowadzącymi badania z zakresu zastosowania technologii informatycznych w rolnictwie oraz gospodarce żywnościowej i leśnej. XVIII Konferencja organizowana w 2015 roku w Poznaniu zgromadziła uczestników wielu ośrodków naukowych z różnych części Europy i Azji. Prezentowane referaty dotyczyły wykorzystania neuronowego modelowania w inżynierii biosystemów, zużycia energii w produkcjach rolniczych, zastosowania sieci neuronowych do modelowania procesu ochrony roślin, modelowania systemu informacyjnego pszczół, opracowania modelu inteligentnego zarzadzania farmą i wiele innych.

Wykłady, referaty oraz komunikaty naukowe prezentowane na XIX Konferencji, organizowanej w maju 2016 roku w Czajowicach, obejmowały m.in. tematykę wykorzystania sieci neuronowych do: diagnostyki chorób i szkodników atakujących rośliny uprawne, analizy parametrów nawadniania, monitorowania warunków upraw na plantacjach, analizy kosztów upraw, klasyfikacji nasion roślin uprawnych oraz analizy uszkodzeń naziemnych części roślin.