CERES
Informacije bazirane na satelitskom osmatranju Zemlje za "pametniju" i regenerativnu poljoprivredu
Opis projekta
U fokusu projekta CERES je izrada alata na bazi algoritama veštačke inteligencije namenjenih podršci poljoprivrednoj proizvodnji, kao i regenerativnoj poljoprivredi što rezultira vezivanjem ugljenika u zemljištu i borbom protiv klimatskih promena. Ideja projekta je da se kreiraju modeli koji bi na osnovu mnoštva dostupnih informacija – u vidu optičkih i radarskih satelitskih snimaka (Satelitska misija Copernicus), podataka o zemljištu (in-situ, LandGIS, SoilGrids), preciznih meteoroloških podataka i tekstualnih informacija dostupnih na internet portalima namenjenim poljoprivredi – mogli da automatizovano generišu nove informacije koje će služiti pravovremenom donošenju ispravnih odluka u poljoprivredi.
Modeli će biti razvijani za potrebe rane identifikacije promena u rastu biljke, automatizovanog zaključivanja o uzrocima nastalih promena, procene prinosa i humusa u zemljištu, kao i za identifikaciju aktivnosti obrade zemljišta.
Primena veštačke inteligencije u poljoprivredi aktuelna je u čitavom svetu, a u Srbiji bi razvoju ovih tehnologija trebalo pridati naročit značaj jer je reč o jednoj od ključnih grana ekonomije. Projekat CERES predstavlja važan iskorak u primeni širokog spektra relevantnih podataka koji se svakodnevno generišu i u kojima leži ogroman potencijal za poboljšanje poljoprivredne proizvodnje i razvoj koncepta pametne i Regenerativne poljoprivrede.
CILJEVI
Cilj projekta CERES jeste izrada skupa proizvoda geoprostornih informacija na bazi algoritama veštačke inteligencije i geoinformatike, zajedno sa proizvodima daljinske detekcije, text mining-a, uključujući i uzorkovanje zemljišta, koji imaju potencijal za unapređenje poljoprivredne proizvodnje u Srbiji, povećanje profitabilnosti poljoprivrednog sektora, kao i procenu prinosa i sadržaja hranljivih materija u zemljištu radi podrške regenerativnoj poljoprivredi.
Razvoj modela za identifikaciju promena na usevima (bolesti biljaka, štetočine, suša, vremenske nepogode)
Podaci satelitskog Osmatranja Zemlje biće korišćeni, obrađeni i “prevedeni” u korisne informacije u cilju detekcije promena na poljoprivrednim parcelama. Modeli prepoznavanja obrazaca i rane detekcije promena na usevima biće bazirani na veštačkim neuronskim mrežama. Podaci neophodni za trening modela (“in-situ” podaci) biće prikupljeni u okviru CERES projekta, ali će biti korišćeni i “in-situ” podaci iz Copernicus programa i drugih evropskih projekata.
Razvoj modela za procenu prinosa useva za najzastupljenije vrste useva (pšenica, kukuruz, ječam, soja, suncokret)
Procena prinosa useva je od značaja za analizu i poređenje produktivnosti polja, ali takođe omogućava poljoprivrednicima da donesu odluke vezane za prodaju i/ili skladištenje prinosa i planiraju logističke aktivnosti u cilju efektivnog transfera prinosa od njive do industrijskih centara. Modeli procene prinosa useva bazirani na tehnikama mašinskog učenja biće razvijeni na osnovu biofizičkih parametara i indeksa vegetacije dobijenih iz radarskih i optičkih satelitskih snimaka, kao i meteorološkim podacima.
Razvoj modela za identifikaciju aktivnosti obrade zemljišta (oranja) u kontekstu Regenerativne poljoprivrede
Razvoj modela za prostornu interpolaciju organskog ugljenika u zemljištu
Indeksi površinske refleksije i vegetacioni indeksi dobijeni na osnovu optičkih satelitskih snimaka (Sentinel-2), tekstura zemljišta dobijena na osnovu radarskih satelitskih snimaka (Sentinel-1), kao i klimatske promenljive i faktori površi terena biće iskorišćeni kao prediktori u cilju stvaranja modela za kartiranje organskog ugljenika u zemljištu. Budući da je organski ugljenik u zemljištu izvor hranljivih sastojaka i od velikog značaja za poljoprivrednu proizvodnju, procenjene količine organskog ugljenika biće sastavni deo modela za upravljanje poljoprivredom i procenom prinosa useva.
Razvoj metoda za izdvajanje informacija o događajima u poljoprivredi i prinosima koristeći nestrukturirane tekstualne izvore
Informacije o neželjenim poljoprivrednim događajima (prirodne nepogode, suša, bolesti, napadi štetočina, …) i prinosima useva često se objavljuju na brojnim lokalnim ili državnim vestima, izveštajima poljoprivrednih službi i na društvenim mrežama. Takve informacije, ako se pravilno prepoznaju, preuzmu i definišu u geoprostornom kontekstu, mogu biti dopuna dostupnim optičkim i radarskim satelitskim snimcima prilikom izrade i validacije različitih modela. Izdvojene informacije su posebno dragocene u slučajevima kada je u primarnim podacima prisutan šum, kada su oštećeni ili nedostaju. Iz tog razloga je neophodno primeniti različite metode veštačke inteligencije koje uključuju primenu NLP metode (eng. Natural Language Processing – NLP) na srpskom jeziku, ekspertska pravila i tehnike mašinskog učenja, u cilju izdvajanja i klasifikacije informacija o relevantnim, vremenski i prostorno definisanim događajima.
Izrada dnevnih karata temperatura i padavina visoke prostorne rezolucije
Podaci o temperaturama i padavinama veoma utiču na donošenje odluka vezanih za poljoprivredne useve. Karte temperatura na dnevnom nivou, visoke prostorne rezolucije, biće generisane iz javno dostupnih merenja na meteorološkim stanicama korišćenjem tehnika prostorno-vremenskog regresionog kriginga. Tehnike prostorno-vremenske interpolacije zasnovane na metodama mašinskog učenja će biti korišćene u cilju generisanja dnevnih karata padavina visoke prostorne rezolucije na osnovu javno dostupnih podaka sa meteoroloških stanica.