Когато миналата година настъпва първият ден от беритбата на ябълки в щата Вашингтон, всичко изглежда готово. Плодовете са узрели, работниците са на място, но времето проваля плановете.

„Беше около 38 градуса. Просто не е безопасно хората да работят при такава жега“, обяснява пред BBC Джоел Картър от Okanagan Specialty Fruits. Компанията е принудена да прекрати работата още в 10 часа сутринта.

За Картър това е добър пример защо земеделието има нужда от повече от традиционна прогноза кога плодът ще узрее. Производителите трябва да знаят колко време ще имат да приберат реколтата, как времето променя този прозорец и кога ще са необходими сезонни работници.

Точно тук започват да навлизат AI модели.

„Не е достатъчно да знаеш кога плодът ще бъде узрял. Трябва да знаеш колко време имаш, за да го прибереш“, обяснява Картър. „Именно там тези модели могат да бъдат наистина полезни.“

Okanagan Specialty Fruits управлява над 1250 акра ябълкови насаждения във Вашингтон. Плодовете се използват основно за предварително нарязани порции ябълки, продавани например на хотели и училища. Компанията инвестира активно в технологии, за да повиши производителността си. Дори самите ябълки са генетично модифицирани така, че да потъмняват по-бавно след разрязване.

От прецизно земеделие до управление на водите: Как AI променя селското стопанство

Следващата технологична граница обаче е не самият плод, а прогнозата кога точно трябва да бъде прибран.

Планирането на реколтата е по-сложно, отколкото изглежда. Производителите трябва да координират работна ръка, транспорт, складови мощности и продажби, докато цените на някои плодове, особено ягоди и боровинки, могат значително да се променят.

Грешна прогноза означава риск сезонните работници да бъдат наети твърде рано или прекалено късно, част от продукцията да остане неприбрана или производителят да пропусне по-благоприятен момент за продажба.

Затова на пазара се появяват системи, които използват камери, компютърно зрение и AI, за да преброяват плодовете, да следят развитието им и да прогнозират кога ще узреят.

Okanagan Specialty Fruits например тества технология на канадската Vivid Machines. Камерите ѝ се монтират върху трактори и заснемат дърветата, докато машините преминават през овощната градина. След това алгоритми разпознават пъпки, цветове и плодове.

Според Картър системата вече предоставя оценки за бъдещия добив и прогнозни дати за реколтата. Полезна е и способността ѝ да открива много малки цветни пъпки, които трудно могат да бъдат отчетени бързо с човешко око.

Но има важна уговорка. Качеството на прогнозите зависи пряко от данните, с които разполага моделът.

„Това не е нещо, при което AI може просто да претърси интернет и да разбере какъв е средният добив при ябълките от сорта Грени Смит“, казва Картър. „Системата трябва да бъде адаптирана към конкретната ферма.“

Почвата, сортът, микроклиматът, напояването и начинът на отглеждане могат да се различават значително дори между близки стопанства. При ябълките производителите имат сравнително голям буфер. Прозорецът за прибиране на Грени Смит може да продължи около три седмици. При меките плодове ситуацията е по-критична.

„Ако ягодите са готови, трябва да ги приберете. В противен случай цялата реколта може много бързо да бъде засегната от заболявания“, обяснява пред BBC Реймънд Мартин, съосновател и оперативен директор на британската FruitCast.

Компанията предлага прогнози за ягоди, малини, къпини, боровинки и домати и планира да разшири технологията си към гроздето. На пръв поглед подобна система може да изглежда излишна, защото опитните земеделци обикновено знаят кога дадена култура ще узрее. Проблемът идва при големия мащаб.

Една ферма може да включва различни сортове и растения, отглеждани едновременно на открито и в оранжерии. Условията и развитието им не са еднакви.

„Правим точно това, което могат да направят фермерите, но го правим в мащаб, в който те физически не могат“, обяснява Мартин.

Япония използва AI, дронове и роботизирани вълци срещу зачестилите нападения от мечки

FruitCast анализира изображения, заснети от дронове, смартфони или камери върху земеделски машини, и ги комбинира с данни за времето и напояването. Според компанията прогнозите ѝ за обема на реколтата са в рамките на 10% от действително набраното количество една седмица предварително и в рамките на 17% три седмици предварително.

Тази година горещото време и сушата във Великобритания поставят много растения под сериозен стрес и забавят производството на плодове. Това допълнително усложнява планирането. Технологията обаче все още е далеч от завършено решение.

Angus Soft Fruits, британска компания, специализирана в отглеждането, пакетирането и доставката на ягоди, малини, боровинки и къпини, е сред производителите, които са работили с FruitCast. Основаната в Шотландия компания работи с близо 150 производители по света и снабдява търговци във Великобритания и Европа. Според оперативния ѝ директор Нийл Финлейсън, цитиран от BBC, въпреки постигнатия напредък секторът все още е далеч от „напълно интегрирана екосистема за прогнозиране“.

Технологията е използвана и от част от независимите производители, работещи с Driscoll's. Американската семейна компания има над 100-годишна история и е сред водещите глобални бизнеси при пресните ягоди, боровинки, малини и къпини. Във Великобритания Driscoll's разшири присъствието си след придобиването на Berry Gardens през 2022 г., която компанията определя като най-големия доставчик на горски плодове на британския пазар.

Следващата стъпка в развитието на технологиите е да анализират и вътрешното състояние на плодовете. Много фермери вече използват Brix метри, за да измерват концентрацията на захари. Някои устройства работят с инфрачервена светлина и позволяват анализ без разрязване на плода.

Екип от Принстънския университет експериментира с милиметрови вълни, които могат да проникват по-дълбоко и да реагират на съдържанието на вода и захари. Според изследователката Ясаман Гасемпур подобна технология би могла в бъдеще да се използва както от фермери, така и от потребители, които искат да определят дали даден плод е достатъчно узрял.

Данните могат да бъдат и допълнителен източник на информация за AI модели, които прогнозират точния момент за беритба. Други екипи търсят по-евтини решения.

Изследователи от Института по хранителни и селскостопански науки към Университета на Флорида разработват уеб базирани AI инструменти за прогнозиране на добивите от ягоди и домати, като изображенията могат да бъдат събирани дори с относително евтини дронове.

Държавният университет на Северна Каролина работи върху подобен подход за автоматично преброяване на боровинки чрез снимки от смартфон.

Роботи помагат срещу самотата и когнитивния спад при възрастните хора

Ще се доверят ли фермерите на алгоритъма?

Технологичният напредък обаче не означава автоматично масово внедряване. За земеделците инвестицията трябва да има ясно измерима възвръщаемост. Ако една система изисква скъпо оборудване, време за обучение и предоставяне на чувствителни данни, без да намалява достатъчно разходите или загубите, аргументът за използването ѝ отслабва.

„Внедряването е сложна задача“, казва пред BBC Джинг Джан от Държавния университет на Северна Каролина. „Производителят трябва да има доверие в изследването и в това дали технологията действително работи.“

Според BBC има и въпроси за данните. За да бъдат достатъчно точни, моделите за изкуствен интелект могат да имат нужда от информация за напояването, торовете, историята на добивите и други детайли от управлението на стопанството.

Част от земеделците вероятно няма да бъдат склонни да предоставят подобна информация на външни компании или AI платформи. Затова засега най-реалистичната роля на изкуствения интелект в земеделието не е да замени фермера, а да му даде по-добра информация.