Puuvilja- ja marjakasvatajad katsetavad tehisintellekti, et hinnata, millal saak koristuseks valmis saab. Uued süsteemid analüüsivad puude ja taimede pilte, arvestavad ilma ning aitavad planeerida nii tööjõudu kui ka koristuseks vajalikke masinaid.

AI ei asenda siiski automaatselt kogenud kasvataja otsuseid. Tehnoloogia kasutegur sõltub muu hulgas varasemate andmete kvaliteedist, kasvukoha eripäradest ja sellest, kui täpselt suudab süsteem muutuvatele ilmaoludele reageerida.

Koristusaja vale ajastus võib kalliks maksma minna

Washingtoni osariigis tegutseva Okanagan Specialty Fruitsi esindaja Joel Carteri sõnul võib ilm koristusplaanid kiiresti segi paisata. Ettevõte pidi õunakoristuse kuumuse tõttu pooleli jätma, sest töötajatel ei olnud ohutu sellistes tingimustes jätkata.

Carteri hinnangul on prognoosimudelitel väärtus eelkõige seetõttu, et need ei püüa hinnata ainult vilja valmimise hetke. Kasvatajal on vaja teada ka seda, kui pikk koristusaken tegelikult on. Õunte puhul võib see olla suhteliselt pikk, kuid marjade korral võib sobiv aeg olla palju lühem.

Vale ajastus võib tähendada, et hooajatöötajad palgatakse liiga vara või liiga hilja. Samuti võib tootja kaotada võimaluse müüa saak perioodil, mil hinnad on kõrgemad. Eriti muutlik võib olukord olla maasikate ja teiste väärtuslike marjade puhul.

Pildid aitavad hinnata saagi suurust ja valmimist

Okanagan Specialty Fruits katsetab Kanada ettevõtte Vivid Machines kaameraid, mis on paigaldatud traktoritele. Sõiduk liigub läbi õunaaedade ning süsteem tuvastab salvestatud piltidelt muu hulgas pungad, õied ja viljad.

Carteri sõnul aitab tehnoloogia hinnata saagi suurust ja prognoosida koristuskuupäevi. Üheks eeliseks peab ta võimet märgata väga väikeseid õiepungi, mida inimene ei pruugi tavapärase vaatluse käigus näha.

Samas rõhutab ta, et prognooside täpsus sõltub tugevalt sellest, milliseid ajaloolisi andmeid mudel kasutab. AI ei saa tema sõnul tugineda lihtsalt üldisele internetist kogutud infole, sest prognoos peab olema kohandatud konkreetse talu, põllu ja kasvatusviisiga.

Ühendkuningriigi ettevõte FruitCast kasutab saagiprognoosides pilte, mida võib koguda droonide, nutitelefoni või farmisõidukile paigaldatud kaameraga. Süsteem arvestab ka ilma ja niisutustingimusi. Ettevõtte enda esitatud hinnangute järgi jäävad prognoosid nädal enne koristust tegelikule korjatud kogusele suhteliselt lähedale, kuid pikema ettevaate korral suureneb määramatus.

Tehnoloogia vajab kasvatajate usaldust

FruitCasti koostööpartneri Angus Soft Fruitsi operatsioonijuht Neill Finlayson kirjeldab AI-põhist valmimisprognoosi veel areneva lahendusena. Tema sõnul on edusamme tehtud, kuid täielikult ühendatud prognoosisüsteemini on valdkonnal veel minna.

Teadlased uurivad ka meetodeid, millega hinnata vilja omadusi ilma seda katki lõikamata. Lisaks suhkrusisaldust mõõtvatele seadmetele katsetatakse Princeton Universitys millimeeterlaineid, mis võivad anda infot vilja niiskuse, vee ja suhkru kohta. Selline analüüs võiks tulevikus toetada ka valmimisaja prognoose.

Tehnoloogia kasutuselevõtt ei ole siiski ainult tehniline küsimus. Kasvatajad peavad usaldama uuringuid ja süsteemi tulemusi ning kaaluma, kas investeering tasub end ära. Samuti võivad ettevõtted olla ettevaatlikud oma väetamise, niisutamise ja muude kasvatusvõtete andmete jagamisel kolmandate osapooltega.

AI võib seega aidata suurtes aedades ja põldudel teha seda, mida kogenud kasvataja suudab väiksemas ulatuses ise: jälgida taimede arengut, hinnata saagi suurust ja planeerida koristust. Lõplik otsus jääb aga tõenäoliselt ka edaspidi inimesele.

Mida edasi jälgida?

Oluline on jälgida, kui täpseks muutuvad saagiprognoosid eri ilmastiku- ja kasvutingimustes ning kas kasvatajad hakkavad neid kasutama igapäevaste koristusotsuste toetamiseks.

Algallikas: bbc.com