Wstęp

W obliczu rosnących wyzwań środowiskowych, takich jak zmiany klimatyczne, degradacja ekosystemów i utrata bioróżnorodności, technologie związane ze sztuczną inteligencją (AI) oraz nauką o danych (data science) zyskują na znaczeniu jako narzędzia wspierające ochronę środowiska. Dzięki swojej zdolności do analizowania ogromnych ilości danych oraz przewidywania przyszłych zdarzeń, AI może odegrać kluczową rolę w zarządzaniu zasobami naturalnymi, ochronie dzikiej przyrody i poprawie zrównoważonego rolnictwa.

AI w rolnictwie

Rolnictwo jest fundamentem ludzkiej cywilizacji, ale jednocześnie stoi przed wieloma wyzwaniami, które wpływają na produktywność, bezpieczeństwo żywnościowe i zasoby naturalne. Do 2050 r. musimy wyprodukować o 60 procent więcej żywności, aby wyżywić 9,3 miliarda światowej populacji — osiągnięcie tego przy tradycyjnym podejściu do rolnictwa może być trudne. Co więcej, zwiększyłoby to ogromne straty, jakie już wywieramy na naszych zasobach naturalnych.

Poniżej omówione zostaną trzy istotne problemy, przed którymi stoi dziś rolnictwo, i pokazane będzie, jak sztuczna inteligencja pomaga stawić im czoła.

1. Szkodniki: Szkodniki pożerają rocznie około 40% światowej produktywności rolnictwa, co kosztuje co najmniej 70 miliardów dolarów. Od rojów szarańczy dziesiątkujących pola w Afryce po muszki owocowe atakujące sady – skutki są globalne, a reperkusje finansowe kolosalne.

Dokładna i wczesna identyfikacja szkodników jest kluczowa dla minimalizacji uszkodzeń upraw i zmniejszenia zależności od chemicznych pestycydów. Dane takie jak prognozy pogody, historyczna aktywność szkodników i zdjęcia o wysokiej rozdzielczości wykonane przez drony lub satelity są już dziś łatwo dostępne. Modele uczenia maszynowego i wizja komputerowa mogą pomóc w przewidywaniu inwazji szkodników i identyfikowaniu szkodników na polu.

Przykładem rozwiązania jest urządzenie zbudowane przez Trapview, które zwabia i identyfikuje. Wykorzystując feromony, przyciąga je, po czym wykorzystując bazę danych, identyfikuje spośrów ponad 60 gatunków szkodników.

Po zidentyfikowaniu system wykorzystuje dane o lokalizacji i pogodzie, aby określić, gdzie jest największe prawdopodobieństwo wystąpienia owadów, a następnie przesyła wyniki w formie powiadomienia z aplikacji do rolników. 

System działa jako sposób wczesnego ostrzegania, przewidując, jak owady będą się rozprzestrzeniały, i co za tym idzie, umożliwia interwencję na czas, znacznie ograniczając straty w plonach i zużycie środków chemicznych. Trapview podaje, że jego klienci zaobserwowali 5% wzrost plonów i jakości oraz ogólne oszczędności w wysokości 118 milionów euro na kosztach plantatorów.

2. Jakość gleby i nawadnianie: Degradacja gleby dotyka prawie 33% gleby na Ziemi, zmniejszając jej zdolność do uprawy roślin, co prowadzi do strat o wartości około 400 miliardów dolarów. Niedobór wody i nieefektywne nawadnianie dodatkowo pogarszają produkcję rolną. Rolnictwo wykorzystuje 70% dostępnych na świecie zasobów słodkiej wody, ale 60% z nich jest marnowane z powodu nieszczelnych systemów nawadniających.

Ciągłe monitorowanie i analiza zdrowia gleby są niezbędne do zapewnienia optymalnych warunków wzrostu roślin i zrównoważonych praktyk rolniczych. Optymalizacja zużycia wody ma kluczowe znaczenie dla zapewnienia, że ​​rośliny otrzymają dokładnie to, czego potrzebują, a tym samym do ograniczenia ilości odpadów i zwiększenia produktywności.

Dane z czujników naziemnych, maszyn rolniczych, dronów i satelitów służą do analizy stanu gleby, w tym zawartości wilgoci, poziomu składników odżywczych i obecności patogenów. Taka analiza stanu gleby pomaga przewidzieć zapotrzebowanie na wodę i zautomatyzować systemy nawadniające.

Na przykład w ramach projektu CropX zbudowano platformę specjalizującą się w monitorowaniu stanu gleby, wykorzystując dane z dedykowanych czujników w czasie rzeczywistym, aby pomóc użytkownikom przeglądać i porównywać najważniejsze parametry z wydajnością upraw. Rolnicy uzyskują wgląd w rodzaj gleby i wskaźniki roślinności, takie jak NDVI – znormalizowany różnicowy wskaźnik wegetacji, SAVI – wskaźnik wegetacji dostosowany do gleby i wskaźnik wilgotności gleby, aby zoptymalizować strategie zarządzania uprawami. Firma CropX podaje, że jej rozwiązania doprowadziły do ​​zmniejszenia zużycia wody o 57%, zużycia nawozów o 15% i wzrostu plonów aż o 70%.

3. Chwasty: Pomimo postępu w praktykach rolniczych, chwasty powodują znaczny spadek plonów i jakości plonów. Około 1800 gatunków chwastów ogranicza produkcję roślin o około 31,5%, co prowadzi do strat ekonomicznych w wysokości około 32 miliardów dolarów rocznie.

Dokładna identyfikacja i eliminacja chwastów jest kluczowa dla zapobiegania konkurencji o zasoby między uprawami a chwastami. Dzięki wizji komputerowej drony i roboty mogą teraz z dużą precyzją identyfikować chwasty wśród upraw. Pozwala to na ukierunkowane zwalczanie chwastów, mechanicznie lub poprzez precyzyjną aplikację herbicydów.

Przykładem rozwiązania jest startup Carbon Robotics, który wykorzystuje deep learning w swoim rozwiązaniu do przetwarzania obrazu komputerowego. Identyfikuje chwasty, analizując dane z ponad 42 kamer o wysokiej rozdzielczości skanujących pola w czasie rzeczywistym. Następnie przy pomocy laserów zwalcza chwasty nie uszkadzając przy tym mikrobiom ziemi.

Według firmy, urządzenie LaserWeede odchwaszcza do dwóch akrów na godzinę i eliminuje do 5000 chwastów na minutę z 99% dokładnością. Jej hodowcy zgłaszają redukcję kosztów zwalczania chwastów nawet o 80%, przy potencjalnym zwrocie z inwestycji w ciągu 1-3 lat.

AI w leśnictwie

Leśnictwo odgrywa kluczową rolę w utrzymaniu równowagi ekologicznej, wspieraniu bioróżnorodności i zapewnianiu środków do życia dla milionów ludzi na całym świecie. AI może służyć jako potężne narzędzie do odwracania niekorzystnych skutków działalności człowieka na obszarach leśnych.

Monitorowanie wylesiania i zmian w użytkowaniu gruntów

Regulowanie działań powodujących utratę korony drzew, takich jak pozyskiwanie drewna, ekspansja rolnictwa i górnictwo, ma kluczowe znaczenie dla ochrony ekosystemów leśnych. Zapewnienie zgodności z przepisami ma kluczowe znaczenie, ale często stanowi wyzwanie ze względu na wysokie koszty związane z ręcznym monitorowaniem. 

AI może przetwarzać ogromne ilości danych satelitarnych, aby precyzyjnie lokalizować obszary wylesienia, śledzić ekspansję terenów rolniczych na obszary leśne i wykrywać oznaki nielegalnej wycinki. Dzięki temu możliwe jest szybkie reagowanie na zagrożenia i podejmowanie interwencji, zanim dojdzie do nieodwracalnych szkód​​.

Przewidywanie i zarządzanie pożarami

Pojawienie się sztucznej inteligencji otworzyło nowe horyzonty w przewidywaniu pożarów lasów i zarządzaniu nimi – zagrożeniu, które staje się coraz częstsze i poważniejsze ze względu na zmiany klimatyczne.

Analizując ogromne zbiory danych obejmujące wzorce pogodowe, historyczne zdarzenia pożarowe i inne czynniki środowiskowe, możemy nie tylko przewidywać wybuchy pożarów, ale także przewidywać ich potencjalną dotkliwość, jak szybko i daleko mogą się one rozprzestrzeniać  oraz jaki wpływ będą miały na ekosystem.oraz zarządzanie nimi.

Ochrona bioróżnorodności i dzikiej przyrody

Powszechnie uznaje się, że pojawieniem się ery przemysłowej człowieka jest odpowiedzialne za trwające obecnie szóste globalne masowe wymieranie. Utrata gatunków kręgowców w ciągu ostatniego stulecia jest nawet 100 razy wyższa niż naturalne tempo wymierania. Identyfikacja kluczowych cech siedlisk w celu lepszego zrozumienia obecności, obfitości i rozmieszczenia gatunków jest niezbędna do skutecznego wdrażania ukierunkowanych strategii ochrony.

AI analizuje dane z obrazów satelitarnych, dronów i sieci czujników, aby identyfikować kluczowe cechy siedliskowe i monitorować populacje dzikiej przyrody. Dzięki temu możliwe jest śledzenie zmian w jakości siedlisk oraz przewidywanie zagrożeń dla bioróżnorodności z większą precyzją niż kiedykolwiek wcześniej​​.

AI w ochronie środowiska

AI znajduje szerokie zastosowanie w różnych dziedzinach ochrony środowiska, od modelowania klimatu po zarządzanie odpadami i ochronę ekosystemów morskich.

Modelowanie klimatu i prognozowanie

Od 1880 r . temperatura na Ziemi wzrasta średnio o 0,08 stopnia Celsjusza na dekadę, a tempo ocieplenia jest ponad dwukrotnie od 1981 r., co oznacza poważny kryzys klimatyczny. Wykorzystanie sztucznej inteligencji do modelowania i przewidywania zmian klimatycznych może okazać się istotne w walce z nimi. Algorytmy uczenia maszynowego analizują ogromne zbiory danych, aby identyfikować wzorce i zapewniać dokładniejsze modele klimatyczne. Może także wykorzystywać wiele punktów danych, w tym temperaturę, emisję gazów cieplarnianych i prądy oceaniczne – czyli coś, czego nie da się kontrolować samodzielnie. W rezultacie pomaga nam to lepiej zrozumieć skutki zmian klimatycznych i odpowiednio się na nie przygotować.

Efektywność energetyczna i odnawialne źródła energii

Sztuczna inteligencja odgrywa kluczową rolę w odnawialnych źródłach energii i w całym sektorze energetycznym, wspierając rozwój i przejście w kierunku bardziej zrównoważonej produkcji energii. Na przykład produkcja energii zależna od pogody wymaga dokładnego przewidywania warunków pogodowych, aby umożliwić zakładom wytwarzającym energię odnawialną przewidywanie okresów wysokiej produkcji energii i odpowiednie planowanie. Innym przykładem jest równoważenie sieci. Systemy sztucznej inteligencji odgrywają zasadniczą rolę w zarządzaniu siecią i równoważeniu podaży i popytu na energię odnawialną. Potrafią przewidywać wahania zapotrzebowania na energię i odpowiednio dostosowywać podaż.

Gospodarka odpadami i recykling

Systemy oparte na sztucznej inteligencji zmieniają gospodarkę odpadami, zapewniając inteligentniejsze i bardziej wydajne rozwiązania. Systemy te mogą optymalizować trasy zbiórki odpadów, analizując dane historyczne i dane wejściowe w czasie rzeczywistym, takie jak warunki na drodze i aktualny poziom zapełnienia pojemników. Skutkuje to znacznymi oszczędnościami, zmniejszeniem zużycia paliwa i zmniejszeniem emisji gazów cieplarnianych z pojazdów zbierających odpady.

Sztuczna inteligencja pomaga ograniczyć ilość odpadów składowanych na wysypiskach, identyfikując możliwości recyklingu i kompostowania. Algorytmy uczenia maszynowego mogą sortować ogromne ilości danych, aby usprawnić oddzielanie materiałów nadających się do recyklingu od nienadających się do recyklingu, ostatecznie zmniejszając ilość odpadów trafiających na składowiska.

Usprawniając procesy recyklingu, sztuczna inteligencja może zwiększyć poziom recyklingu poprzez efektywne sortowanie materiałów w zakładach recyklingu. Zaawansowana robotyka i systemy wizyjne AI są w stanie sortować materiały z większą precyzją niż praca ręczna, podnosząc jakość i wartość materiałów pochodzących z recyklingu.

Zakończenie

Technologie AI i data science mają ogromny potencjał w zakresie ochrony środowiska i zarządzania zasobami naturalnymi. W miarę jak technologia ta będzie się rozwijać, współpraca między sektorem prywatnym, publicznym i naukowym stanie się kluczowa dla w pełni efektywnego wykorzystania jej możliwości. Dalsze inwestycje w AI, rozwój polityk wspierających jej zastosowanie oraz otwarty dostęp do danych środowiskowych będą niezbędne dla budowania zrównoważonej przyszłości.

Źródła:

1. https://www.forbes.com/sites/ganeskesari/2024/03/31/the-future-of-farming-ai-innovations-that-are-transforming-agriculture/?sh=6049eae83702
2. https://edition.cnn.com/2022/11/24/business/trapview-ai-pest-management-spc-intl/index.html
3. https://carbonrobotics.com/laserweeding
4. https://networkofnature.org/blog/ai-s-role-in-the-future-of-forest-conservation.htm
5. https://www.fdmgroup.com/news-insights/ai-and-sustainability/