Európska zelená dohoda sleduje ambiciózne environmentálne ciele, ktoré vyžadujú zelenú transformáciu mnohých sektorov spoločnosti. Čoraz častejšie sa vyzdvihuje transformačný potenciál UI prispievať k dosahovaniu cieľov zelenej dohody. Digitálne technológie, ako napríklad UI, súčasne výrazne zvyšujú spotrebu energie a zdrojov a vytvárajú riziká nepriaznivých vplyvov na životné prostredie. Tieto protichodné fakty naznačujú potrebu politických a regulačných opatrení s cieľom zosúladiť potenciál umelej inteligencie s cieľmi Európskej zelenej dohody. Prispôsobenie a implementácia efektívnych politík UI predpokladá dôkladné porozumenie sociálno-technických mechanizmov, ktoré môžu viesť k požadovaným alebo naopak nežiaducim následkom UI.

Riešenia UI v poľnohospodárskom sektore

Aplikácie UI v poľnohospodárskom sektore sa zameriavajú predovšetkým na intenzívne a industrializované poľnohospodárske systémy. Požadované údaje pre tieto aplikácie sú generované technológiami diaľkového prieskumu pomocou satelitov, lietadiel a bezpilotných lietadiel (dronov) a prostredníctvom pozemných senzorov v kombinácii s technológiou IoT. Obzvlášť využívanie leteckých dopravných prostriedkov bez posádky rozšírilo zber informácií, čo umožňuje vývoj aplikácií od identifikácie nedostatku vody, monitorovania chorôb plodín a mapovania burín až po predikciu úrody [1]. Techniky UI, ktoré sa v súčasnosti používajú v poľnohospodárskych aplikáciách, patria predovšetkým do kategórie strojového učenia a zahŕňajú umelé neurónové siete (hlboké učenie, napr. konvolučné neurónové siete) a algoritmy rozhodovacích stromov [1]. UI je aj základom vývoja robotických aplikácií v poľnohospodárstve, napríklad na odstraňovanie buriny a zber úrody.

Potenciálne zníženie chemických vstupov a lepšie riadenie živín

Najpokročilejším prípadom použitia UI v poľnohospodárskom sektore je presné poľnohospodárstvo, kde spracovanie údajov pomocou UI umožňuje poľnohospodárom prijímať časovo a priestorovo prispôsobené rozhodnutia v oblasti riadenia, čo vedie k efektívnejšiemu využívaniu poľnohospodárskych vstupov, ako sú hnojivá a pesticídy [2]. Poľnohospodárske stroje vybavené kamerami môžu napríklad snímať obraz rastlín na poli a spracovanie obrazu založené na hlbokom učení potom umožňuje rozpoznávanie burín v reálnom čase, po ktorom nasleduje presná aplikácia herbicídov strojom. Táto aplikácia je vyvíjaná v reakcii na buriny odolné voči herbicídom a očakáva sa, že zníži používanie herbicídov o 77 % na aplikáciu [3].

Strojové učenie tiež umožňuje analýzu bakteriálnej a hubovej diverzity pôdy v kombinácii s údajmi o chémii pôdy. To umožňuje rýchlejšiu analýzu vplyvu rôznych postupov riadenia, čo potenciálne dáva poľnohospodárom na výber medzi pesticídmi a alternatívami riadenia, ako je výsadba krycích plodín [4]. Ďalším príkladom je použitie rozpoznávania obrazu na identifikáciu škodcov ako prevencia proti zamoreniu a implementácia integrovanej ochrany proti škodcom [5]. Plantix ponúka poradenstvo v oblasti riadenia v reálnom čase pre poľnohospodárov, ktorí posielajú obrázky svojich plodín prostredníctvom WhatsApp a dostávajú odpovede od chatbota [6]. Situácia so škodcami sa môže zlepšiť už pri detekcii zamorenia a je to tiež príklad toho, ako môže UI, v tomto prípade spracovanie prirodzeného jazyka, podporovať a zlepšovať poradenské služby pre farmárov.

Analýza hyperspektrálnych snímok rastlín na poli pomocou UI umožňuje identifikovať nedostatky dusíka a fosforu, iniciovať aplikáciu hnojív [7] a optimalizovať toky živín v pôde. Nedostatky živín v rastlinách možno identifikovať aj pomocou fotografií a rozpoznávania obrázkov [6]. Tieto techniky poskytujú poľnohospodárom infor­mácie rýchlejšie než tradičné odbery vzoriek na poli a následné laboratórne analýzy [8].

V literatúre [9] je uvedený prehľad zdrojov – autori zozbierali množstvo prípadových štúdií, ktoré ukazujú potenciálne pozitívne vplyvy presného poľnohospodárstva. Publikácia uvádza príklady zníženia spotreby paliva poľnohospodárskymi strojmi medzi 6 % a 25 %. Úspory z hľadiska zníženia aplikácie pesticídov (herbicídy a insekticídy) sa pohybujú od 11 % do 90 % (v priemere 25 %). Pokiaľ ide o emisie N2O, uvádzajú príklad, kde aplikácia dusíka s premenlivým množstvom znížila emisie o 34 %, a ďalší príklad, kde zvýšená, ale variabilná aplikácia dusíka neviedla k zvýšeniu emisií. Autori tiež zdôrazňujú vysokú neistotu okolo rozsahu pozitívnych účinkov a to, že doteraz známe údaje sú špecifické pre každý prípad, t. j. závisia od analyzovanej plodiny a okolitých environmentálnych podmienok.

Potenciál na zníženie spotreby vody

UI sa používa aj na stanovenie vlhkosti pôdy a ďalších relevantných parametrov, ktoré môžu poľnohospodárov viesť k efektívnejšiemu využívaniu závlahovej vody. To sa dosiahne kombináciou satelitných snímok a informácií o objeme zrážok [10]. Optimalizácia zavlažovania závisí aj od presných informácií o počasí, pretože počasie priamo ovplyvňuje odparovanie vody zo zeme a rastlín (evapotranspiration). Množstvo aplikácií UI na zlepšenie predpovedí počasia, a to dokonca na úroveň lokality konkrétnej farmy, sa preto v poslednom čase zvýšilo [11], [12]. Vzhľadom na potenciálne vplyvy klimatickej variability vyvolanej zmenou klímy by takéto využitie UI mohlo pomôcť poľnohospodárom lepšie sa adaptovať na zmenu klímy.

Potenciálny príspevok k zmierneniu zmeny klímy

Poľnohospodárstvo je zodpovedné za 10 % emisií skleníkových plynov v EÚ (436 miliónov ton CO2 ekv.). CH4 z výkalov oviec a hovädzieho dobytka tvorí 42 % poľnohospodárskych emisií a emisie N2O z poľnohospodárskej pôdy a nakladania s hnojom tvoria 43 % (EHP 2020). Presné poľnohospodárstvo môže priamo znížiť spotrebu paliva z poľnohospodárskych strojov a potenciálne by mohlo mať pozitívne účinky druhého rádu na využitie energie. Efektívnejšie využitie vstupov by napríklad mohlo znížiť spotrebu energie potrebnú na ich výrobu [13]. Ak UI povedie k zníženiu antropogénnych vstupov dusíka (z minerálnych alebo organických hnojív) do ornej pôdy a trávnatých porastov, mohlo by to pomôcť znížiť priame aj nepriame emisie N2O z poľnohospodárskej pôdy a odtok živín do vody. V súčasnosti predstavujú emisie N2O približne 3,9 % z celkových čistých emisií skleníkových plynov v EÚ v roku 2018 (EEA 2020). Bežne uvádzaným účinkom nových technológií v poľnohospodárstve je zvýšenie výnosov [14] a potenciál zachovania zdravia pôdy. Ak to povedie k zníženiu tlaku na rozšírenie poľnohospodárskych oblastí alebo uvoľní plodiny a pasienky na organických pôdach, mohlo by to mať pozitívny vplyv na emisie z využívania pôdy. V roku 2018 pochádzalo 30 Mt emisií CO2 z EÚ z organických pôd [13]. To je však neistý účinok, pretože k rozhodovaniu poľnohospodárov o obhospodarovaní pôdy prispieva mnoho ďalších faktorov.

Podstatne priamejší príspevok k zmierňovaniu zmeny podnebia by mohol prísť, ak sa UI účinne využije na zlepšenie obsahu uhlíka v poľnohospodárskej pôde. Cloud Agronomics používa hyperspektrálne meranie pôdy a hĺbkové učenie na lepšiu kvantifikáciu uhlíka v pôde [7]. Táto technológia by mohla znížiť náklady na monitorovanie pôdy, prinajmenšom hornej vrstvy, a na analýzu účinnosti opatrení na zvýšenie obsahu uhlíka v pôde.

Obmedzenia UI v poľnohospodárstve

V súčasnosti sa hlavné aplikácie UI v poľnohospodárstve nezameriavajú na riešenie problémov životného prostredia, ale na zvyšovanie produktivity a riešenie nedostatku pracovnej sily [15]. Existuje teda všeobecný nedostatok údajov o vplyve technológie na životné prostredie, najmä vzhľadom na rozmanitosť poľnohospodárskych systémov. Vzhľadom na to, že súčasný vývoj sa zameriava na široko pestované plodiny (napr. pšenicu, kukuricu a ryžu) v podmienkach priemyselného poľnohospodárstva, rozsiahle prijatie môže viesť k neudržateľnej intenzifikácii [16], čím sa zachovajú súčasné „slepé miesta západných technológií“. Väčšina analýz ukazujúcich zlepšenia účinnosti sa zameriava na úroveň jednotlivých fariem a v súčasnosti nie je možné jednoznačne preukázať účinky, ktoré vedú k vyšším celkovým výnosom v celom poľnohospodárskom systéme [17].

Súčasné trendy a najlepšie postupy pri využívaní UI na úrovni členských štátov EÚ

Z 27 členských štátov štyri (Chorvátsko, Grécko, Írsko, Rumunsko) ešte nevypracovali konečné stratégie UI. Zo zostávajúcich 23 členských štátov sa osem stratégií (Rakúsko, Estónsko, Litva, Cyprus, Česká republika, Luxembursko, Poľsko, Slovensko) nesústreďuje na priority Európskej zelenej dohody alebo neuvádza konkrétne iniciatívy na podporu aplikácií UI súvisiacich s environmentálnymi problémami.

Zo zvyšných 15 národných stratégií UI deväť stratégií zahŕňa využitie UI súvisiace s environmentálnymi problémami, napr. zvýšenie energetickej účinnosti alebo energetického manažmentu, trvalo udržateľné poľnohospodárske riešenia, udržateľnú dopravu, inteligentné a udržateľné mestá, ktoré sa zaoberajú environmentálnymi problémami (Belgicko, Bulharsko, Fínsko, Lotyšsko, Litva, Malta, Portugalsko, Slovinsko, Španielsko, Švédsko). Najčastejšie spomínanou oblasťou je poľnohospodárstvo a zámer rozvoja presného poľnohospodárstva.

Ako sa uvádza ďalej, niektoré krajiny majú celkom jasnú predstavu o využívaní UI v oblasti poľnohospodárstva, rastlinnej a živočíšnej výroby.

Maďarsko

  • poľnohospodárstvo postavené na znalosti klimatickej situácie: UI pomôže zmierniť nepriaznivé vplyvy zmeny klímy v poľnohospodárstve;
  • vývoj a aplikácia optimalizačných riešení na báze UI z hľadiska rastlinnej výroby a chovu dobytka, implementácia prediktívnych analytických metód založených na UI na zlepšenie kvality vody, pôdy a vzduchu s cieľom zvýšiť účinnosť riadenia;
  • zriadenie rámcového systému poľnohospodárskych údajov vrátane environmentálnych údajov na zvýšenie účinnosti vládnej podpory a zákonov a rozvoj nových služieb pre poľnohospodárov.

Taliansko

  • využitie UI, aby sa predchádzalo nadprodukcii a plytvaniu, na precízne poľnohospodárstvo a optimalizáciu procesov spracovania, skladovania a prepravy potravín.

Holandsko

  • ďalšia automatizácia s využitím UI, presné poľnohospodárstvo a systémová integrácia a rozvoj dátovej infraštruktúry pre poľnohospodárstvo na ornej pôde. Nadácia JoinData bola založená z projektu Smart Dairy Farming, neziskového zoskupenia, ktoré umožňuje bezpečnú a transparentnú distribúciu údajov v potravinárskom a poľnohospodárskom sektore.

Nemecko

  • federálna vláda iniciovala niekoľko výskumných projektov o umelej inteligencii v poľnohospodárstve. Patria sem oblasti digitálnych dvojčiat v poľnohospodárstve, ktoré ukazujú, ako možno optimálne nasadiť digitálne technológie a technológie UI na ochranu životného prostredia, zlepšenie životných podmienok zvierat, biodiverzity a uľahčenie práce.

Literatúra

[1] Jung, J. et al.: The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems. In: Current Opinion in Biotechnology, 2021, 70, pp. 15 – 22.

[2] Finger, R. et al.: Precision Farming at the Nexus of Agricultural Production and the Environment. Annual Review of Resource Economics, 2019, 11(1), pp. 313 – 335.

[3] Blue River Technology & John Deere, Delivering Impactful Solutions. 2021. [online]

[4] Trace Genomics, Soil intelligence helps farmers on the front lines of soil health. 2021. [online]

[5] Plantix 2021b: Integrated Pest Management. How to create unfavourable conditions for plant pests. 2021. [online]

[6] Plantix 2021a: Farmers can now get immediate help on infected crops – for free. The AI powered Plantix turns every device turning Whatsapp into a powerful crop doctor. 2021. [online]

[7] Cloud Agronomics: Our Solutions Tackle the biggest challenges in sustainable agriculture. 2021. [online]

[8] Feng, D.et al.: Advances in plant nutrition diagnosis based on remote sensing and computer application. In: Neural Computing and Applications, 2020, vol. 32, no. 22, pp. 16 833 – 16 842. [online]

[9] Finger, R. et al.: Precision Farming at the Nexus of Agricultural Production and the Environment. In: Annual Review of Resource Economics, 2019, 11(1), pp. 313 – 335.

[10] HelioPas AI: WaterFox feldgenau bewässern. 2021. [online]

[11] Roach, J.: Is drought on the horizon? Researchers turn to AI in a bid to improve forecasts. 2019. [online]

[12] Fasal: Company homepage. 2021. [online]

[13] Böcker, T. et al.: An economic and environmental assessment of a glyphosate ban for the example of maize production. European Review of Agricultural Economics. 2019. [online]

[14] Lezoche, M. et al.: Agri-food 4.0: A survey of the supply chains and technologies for the future agriculture. Computers in Industry. 2020, pp. 117:103187. [online]

[15] Lakshmi, V. – Corbett, J.: How Artificial Intelligence improves agricultural productivity and sustainability: A Global Thematic Analysis, Proceedings of the 53rd Hawaii International Conference on System Sciences. 2020. [online]

[16] Walter, A. et al.: Opinion: Smart farming is key to developing sustainable agriculture. In: Proceedings of the National Academy of Sciences, 2017, vol. 114, no. 24, pp. 6 148 – 6 150. [online]

[17] Paul, C. et al.: Rebound effects in agricultural land and soil management: Review and analytical framework. In: Journal of Cleaner Production, 2019, vol. 227, pp. 1 054 – 1 067.

Zdroj: The role of Artificial Intelligence in the European Green Deal, Policy Department for Economic, Scientific and Quality of Life Policies Directorate-General for Internal Policies. 2021. [online]. Publikované 4. 7. 2021.