Per affrontare le crescenti sfide della produzione agricola, è necessario comprendere meglio i complessi ecosistemi agricoli. Questo può avvenire attraverso le moderne tecnologie digitali che monitorano continuamente l’ambiente fisico, producendo grandi quantità di dati a un ritmo senza precedenti. L’analisi di questi big data consentirebbe agli agricoltori e alle aziende di estrarne valore, migliorando la loro produttività. Sebbene l’analisi dei big data stia portando a progressi in vari settori industriali, la loro concreta applicazione in agricoltura è ancora agli inizi.
Vari studi negli ultimi anni hanno evidenziato le grandi opportunità dell’analisi dei big data in agricoltura per accompagnarla verso un’agricoltura più intelligente, mostrando che la disponibilità di hardware e software, tecniche e metodi per l’analisi dei big data, così come la crescente apertura delle fonti di dati, ne incoraggia sempre più l’utilizzo nelle aziende agricole.
I big data vengono infatti utilizzati in modo efficace per aumentare la produttività e la redditività in quasi tutte le linee di business (ad esempio, finanziario, assicurativo, sanitario e manifatturiero). L’agricoltura è uno di questi settori. Vedremo di seguito le applicazioni dei big data in agricoltura e i suoi benefici per i produttori.
I big data per soddisfare l’aumento del fabbisogno alimentare
Negli ultimi 50 anni, la popolazione mondiale è cresciuta da tre miliardi a più di sei, creando una forte domanda di cibo. Secondo le stime delle Nazioni Unite, nel 2050 la popolazione mondiale supererà i 10 miliardi di persone. Questo porterà a un aumento del 50 per cento circa del fabbisogno alimentare rispetto a quello del 2013. Per soddisfare questa domanda, la produzione agricola deve aumentare.
Per nutrire la crescente popolazione mondiale senza la necessità di consumare ancora maggiore suolo ai fini alimentari, è necessario aumentare globalmente il rendimento delle unità di superficie di 1,5 volte entro il 2050. La quarta rivoluzione agricola che stiamo vivendo oggi, o in altre parole la trasformazione digitale dell’agricoltura e delle tecnologie dell’informazione basata sull’uso di big data, gioca un ruolo chiave nella soluzione di questo problema.
Il degrado del suolo e contaminazione delle acque, clima Il cambiamento, lo sviluppo socioculturale (ad esempio, la preferenza dietetica per le proteine della carne), le politiche governative e le fluttuazioni del mercato aggiungono incertezze alla sicurezza alimentare, definita come l’accesso a cibo sufficiente, sicuro e nutriente da parte di tutte le persone del pianeta. Queste incertezze sfidano l’agricoltura non solo a migliorare la produttività ma a ridurre allo stesso tempo la sua impronta ambientale, che attualmente rappresenta il 20% delle emissioni di gas serra di origine antropica.
Per soddisfare queste crescenti richieste, a partire dagli anni ’90 sono stati avviati diversi studi e iniziative. I progressi nella modellazione della crescita delle colture e nel monitoraggio delle rese, insieme ai sistemi globali di navigazione satellitare hanno permesso di localizzare con precisione le misurazioni puntuali sul campo, in modo da poter creare mappe di variabilità spaziale, un concetto noto come “agricoltura di precisione”.
L’agricoltura “intelligente”
Oggi le pratiche agricole sono supportate dalle biotecnologie e dalle tecnologie digitali emergenti come il telerilevamento, il cloud computing e l’Internet degli oggetti (IoT), che portano alla nozione di “agricoltura intelligente”. La diffusione delle nuove tecnologie dell’informazione e della comunicazione (ICT) per la gestione delle coltivazioni e delle aziende agricole sul campo estende il concetto di agricoltura di precisione, migliorando i compiti esistenti di gestione e di decisione per contesto, la consapevolezza della situazione e della localizzazione.
Per affrontare le sfide dell’agricoltura intelligente e dell’agricoltura sostenibile, gli ecosistemi agricoli complessi, multivariati e imprevedibili devono essere analizzati e compresi meglio. Le tecnologie digitali emergenti possono contribuire a questa comprensione monitorando e misurando continuamente vari aspetti dell’ambiente fisico, producendo grandi quantità di dati a un ritmo senza precedenti. Ciò implica la necessità di raccogliere, immagazzinare, pre-elaborare su larga scala, modellazione e analisi di enormi quantità di dati provenienti da varie fonti eterogenee.
Per creare un sistema agricolo intelligente, è quindi necessario mettere insieme tre fattori:
– la tecnologia che può raccogliere ed elaborare i dati, ossia il cosiddetto IoT;
– algoritmi in grado di convertire i dati ottenuti in decisioni per accelerare la produzione, la lavorazione e la distribuzione degli alimenti,
– piattaforme e servizi di big data in grado di analizzare migliaia di dettagli per indicare cosa stia realmente accadendo ed effettuare predizioni.
La creazione e l’utilizzo di queste piattaforme necessita di importanti investimenti in infrastrutture per l’archiviazione e l’elaborazione dei dati, che devono operare quasi in tempo reale per alcune applicazioni (ad esempio, previsioni meteorologiche, monitoraggio dei parassiti delle colture e delle malattie degli animali).
Due esempi di applicazione dei big data all’agricoltura
Grazie ai big data, le grandi serie di dati raccolti consentiranno agli agricoltori di monitorare le loro attività agricole e lo stato dei campi in tempo reale. In questo modo, sarà possibile raccogliere informazioni essenziali ed aumentare le rese in modo significativo. Vediamo due esempi:
1) se si aggiungono set di dati con informazioni utili per la decisione, come le precipitazioni, la siccità, il tempo atmosferico e l’indice di vegetazione, è possibile determinare con maggiore precisione quali siano le migliori colture per i diversi tipi di campi. Allo stesso tempo è possibile fare previsioni basate sulle informazioni ottenute da grandi mole di dati e notificare agli agricoltori come gestire meglio i loro campi e aiutarli ad aumentare la produttività.
2) Un altro modo di applicare big data per l’agricoltura è la raccolta di dati da agricoltori che hanno successo. Se uno dei due agricoltori che piantano lo stesso raccolto in luoghi vicini ottiene, ad esempio, il doppio del rendimento dell’altro, la differenza principale tra questi due agricoltori è che uno di loro sta facendo le operazioni giuste al momento giusto e nella giusta dimensione. L’altro agricoltore ha fatto queste operazioni in modo errato o incompleto. In questo caso, tutti i dati dell’agricoltore di successo possono essere identificati utilizzando sensori agricoli e si possono esplorare per identificare la funzione matematica in grado di esprimere formalmente quel ‘successo’. Andando a effettuare un campionamento di 30mila agricoltori con strumenti di monitoraggio e con l’analisi dei big data, si potrebbe creare un profilo di ‘super agricoltore’ utilizzando tecniche di deep learning.
