L'AI e il futuro dell'agricoltura

Quasi la metà della popolazione mondiale vive in famiglie che dipendono dai sistemi agroalimentari quale principale fonte di occupazione, secondo le Nazioni Unite. Con una previsione di aumento da 7,3 miliardi a 9,7 miliardi della popolazione mondiale entro il 2050, la scarsità d'acqua e i raccolti falliti dovuti ai cambiamenti climatici potrebbero portare a carenze alimentari globali catastrofiche.

Per stare al passo con la crescita della popolazione, il mondo dovrà aumentare la produzione agricola del 60% nei prossimi 25 anni, e anche allora potremmo avere ancora 300 milioni di persone affamate. Allo stesso tempo, si prevede che le rese delle colture a riga diminuiranno dell'11% a causa delle condizioni meteorologiche più severe e della maggiore quantità di parassiti. Attualmente, negli Stati Uniti servono circa 136 milioni di dollari e circa 12 anni per sviluppare una nuova caratteristica della coltura.

Il mondo si sta riscaldando, c'è meno acqua dolce e i raccolti di successo di un tempo non saranno affidabili ancora a lungo. L'AI può aiutare a mitigare l'imminente crisi agricola che dovremo affrontare nei prossimi decenni?

Il dottor Abhisesh Silwal, scienziato dei sistemi della Carnegie Mellon University, la cui ricerca si concentra su AI e robotica in agricoltura, pensa che sarà così. "L'AI potrebbe portare a previsioni più accurate e tempestive, specialmente per individuare precocemente le malattie," spiega, "e potrebbe aiutare a ridurre l'impronta e l'impatto ambientale, migliorando il modo in cui utilizziamo energia e risorse".

Ecco alcune aziende e organizzazioni non-profit del settore agritech che lavorano per combattere il cambiamento climatico.

In Tanzania, David Guerena, scienziato agrario presso l'International Center for Tropical Agriculture, sta usando l'AI per accelerare l'evoluzione delle piante.

Il progetto di Guerena, chiamato Artemis, utilizza AI e computer vision per accelerare il processo di fenotipizzazione. "Le persone non sono brave a fornire stime quantitative affidabili di ciò che vediamo", spiega. "Non è possibile per un essere umano contare accuratamente i fiori di centinaia di piante in migliaia di appezzamenti. Ci stanchiamo, perdiamo la concentrazione o semplicemente non riusciamo a vedere tutto ciò che dobbiamo. Un computer non ha questi problemi. I modelli di visione computerizzata ben addestrati producono istantaneamente dati quantitativi coerenti".

Quando il team di Guerena ha iniziato a lavorare con le immagini per gli smartphone, utilizzava reti neurali convoluzionali (CNN). Facevano il loro lavoro, ma erano affamate di dati; necessitavano di migliaia di esempi etichettati per essere addestrate, il che era costoso e richiedeva molto tempo. L'obiettivo era quello di sviluppare modelli per vari tratti (come il conteggio dei fiori) in diverse colture, tuttavia le CNN avevano esigenze eccessive.

Qualche anno fa, sono arrivati vision transformer e modelli open source come YOLO e Segment Anything e hanno rivoluzionato il settore, spiega Guerena. Questi modelli riducono drasticamente la necessità di dati etichettati. Ora, invece di migliaia di esempi di immagini ritagliate, ne bastano poche centinaia. "I vision transformer e i foundation model ci hanno davvero consentito di accelerare lo sviluppo dei modelli".

Il team di Guerena sta ora lavorando per integrare lo speech to text e l'elaborazione del linguaggio naturale insieme alla computer vision nei sistemi che stanno costruendo. Interagire con le persone attraverso il linguaggio naturale può aiutare a superare le barriere linguistiche e di alfabetizzazione, spiega. Inoltre, la combinazione di diversi tipi di dati può creare un quadro più completo dell'andamento delle piante nei campi. "Gli agricoltori stessi possono usare la funzione vocale per descrivere alcune delle problematiche che hanno dovuto affrontare durante la stagione", afferma. "Se raccogliamo questi dati da migliaia di aziende agricole in tutto il mondo, possiamo ricostruire meglio in che modo le condizioni ambientali locali influenzano le prestazioni delle varietà".

Crescendo, Max Evans e Himanshu Gupta hanno visto da vicino come i modelli meteorologici irregolari influenzassero le loro comunità. "Max è cresciuto in una piantagione di ananas in Ecuador, assistendo in prima persona agli impatti del cambiamento climatico sulle colture", racconta Gupta. "Io sono cresciuto in un villaggio nel nord dell'India, dove spesso dovevamo camminare per un miglio per trovare acqua pulita durante la siccità e le stagioni monsoniche". 

Quelle esperienze hanno lasciato un'impressione duratura su Evans e Gupta e li hanno ispirati a fondare ClimateAi. "Mentre la maggior parte delle aziende tecnologiche punta a migliorare le tradizionali previsioni del tempo a 14 giorni, questi intervalli di tempo non sono utili per gli agricoltori e le aziende alimentari", afferma Gupta. "Abbiamo innovato le previsioni meteorologiche per un periodo che va oltre le due settimane, implementando approcci di AI brevettati e basati sulla biofisica, per prevedere il rischio di eventi meteorologici estremi in modo più economico, rapido e affidabile rispetto ai modelli di supercomputer utilizzati dalle agenzie meteorologiche, tra cui la NOAA". Questo permette a ClimateAi di fornire agli agricoltori previsioni meteorologiche ultra-localizzate per quel giorno o per mesi di anticipo. Possono anche raccomandare i momenti ottimali per piantare e raccogliere colture specifiche, stimandone la resa.

ClimateAi ha effettuato simulazioni per gli agricoltori del Maharashtra, in India, e ha rilevato che il caldo estremo e la siccità avrebbero portato a una diminuzione di circa il 30% della produzione di pomodori nella regione nei due decenni successivi. Questi insight sono stati poi utilizzati da un'azienda produttrice di semi di pomodoro per accelerare le sperimentazioni per l'introduzione di sementi resistenti alla siccità per i piccoli agricoltori della zona. Hanno inoltre collaborato con una grande azienda alimentare e di bevande in India distribuire playbook di adattamento in 300 villaggi, aiutando circa 100.000 piccoli agricoltori. I playbook offrono consigli sui semi migliori da usare, su come gestire l'acqua e sui periodi migliori per piantare e raccogliere, con un conseguente aumento della produttività fino al 40%.

L'obiettivo è quello di rendere i sistemi alimentari e idrici più resilienti al cambiamento climatico e migliorare la vita in tutto il mondo, spiega Gupta, e gli agricoltori sono una parte chiave di questi sistemi: "Gli agricoltori sono i nodi più critici nelle catene del valore alimentari e idriche.

Avalo, azienda agritech con sede nella Carolina del Nord, utilizza l'AI spiegabile (xAI) per identificare con precisione i geni collegati a caratteristiche complesse delle colture. L'utilizzo di profili genetici dettagliati per guidare la coltivazione consente ad Avalo di sviluppare colture cinque volte più veloci e 50 volte più economiche rispetto alla concorrenza, secondo il CEO Brendan Collins. Uno dei progetti che Avalo ha affrontato è l'agricoltura verticale, un metodo di coltivazione al chiuso tutto l'anno. Sebbene sia ottimo per i cicli di coltura continui, si scontra con i costi elevati di energia e fertilizzanti, che portano a profitti ridotti.

Se queste aziende agricole potessero coltivare più velocemente colture di maggior valore, osserva Collins, otterrebbero profitti migliori. Al momento, l'unica coltura che funziona bene nel loro sistema è la lattuga, poco costosa. Avalo ha avviato una collaborazione con una fattoria verticale per coltivare broccoli, una delle verdure più costose nei supermercati, che impiega più di 120 giorni per crescere all'aperto. Hanno preso in esame più di 500 varietà di broccoli per creare una versione che può essere raccolta in soli 37 giorni. Questo raccolto rapido consente anche di evitare i pesticidi, poiché il lasso di tempo è troppo breve perché i parassiti possano diventare un problema.

"I genomi delle piante sono pazzi", afferma Collins. “Funzionano secondo regole diverse rispetto ai genomi animali”. Mentre gli animali hanno genomi piccoli ed efficienti per risparmiare energia, le piante hanno genomi grandi e flessibili perché non possono spostarsi per evitare le minacce, spiega. Inoltre, a differenza dei semplici genomi diploidi degli animali, molte piante hanno più copie genomiche (ad esempio quattro nel cotone, otto nelle fragole o addirittura dieci nella canna da zucchero), il che le rende difficili da studiare. "Siamo entusiasti di poter utilizzare xAI per dare un senso a questi complessi genomi vegetali".

L'IBM Sustainability Accelerator collabora anche con agricoltori in tutto il mondo, condividendo le competenze di IBM nel cloud e nell'AI per aiutarli ad adattarsi a un pianeta che cambia.

"Il nostro obiettivo è quello di aiutare a fornire agli agricoltori i dati e gli insight di AI necessari per rimanere redditizi, produttivi e sostenibili di fronte alle sfide climatiche e alle minacce ambientali", afferma Michael Jacobs, Sustainability and Social Innovation Leader, Corporate Social Responsibility. "Di conseguenza, quattro dei nostri cinque progetti agricoli si sono conclusi con circa 65.300 beneficiari diretti, ovvero gli agricoltori e le loro famiglie che utilizzano la tecnologia per aumentare i raccolti e rendere le loro operazioni più resilienti. Queste soluzioni possono essere adattate a diverse aree geografiche e settori industriali".

Diamo una rapida occhiata a uno dei loro successi.

Siccità, inondazioni, caldo e freddo estremi sono solo alcuni dei modi in cui il cambiamento climatico sta colpendo il Texas, causando continui problemi ai suoi agricoltori e allevatori. Ha un impatto su tutti i texani: l'anno scorso il dipartimento agricolo dello Stato ha pubblicato un rapporto che collega i cambiamenti climatici all'aumento dei prezzi dei prodotti alimentari e all'aumento dell'insicurezza alimentare.

David Chapin, agricoltore e dipendente di IBM a Lampasas, in Texas, che ha lavorato con IBM per testare soluzioni di gestione idrica, ha trascorso più di un decennio a osservare il cambiamento climatico che devastava il suo frutteto. Ha iniziato con 3.600 ulivi, tutti distrutti dalla tempesta invernale Uri nel 2021. L'anno successivo ricevette una sovvenzione USDA per sostituire gli alberi con pere, prugne, albicocche e pesche, che erano più resistenti all'inverno ma necessitavano anche di più acqua e il suo sistema di irrigazione non riusciva a tenere il passo.

"Poiché è fondamentale monitorare l'umidità a livello delle radici, non solo della superficie, sto cercando un metodo preciso per gestirlo", spiega Chapin. “L'AI potrebbe aiutare ad analizzare il fabbisogno idrico in diverse aree, ma richiederebbe numerosi sensori sotterranei. Idealmente, vorrei avere mappe in tempo reale delle condizioni del suolo e previsioni future dell'irrigazione, per gestire meglio l'accumulo d'acqua ed evitare carenze".

IBM e Texas A&M AgriLife stanno collaborando per aiutare piccoli agricoltori come Chapin. Il risultato è Liquid Prep, uno strumento che mira a fornire agli agricoltori le informazioni necessarie su dove e quando irrigare nel modo più efficiente possibile, con piani per distribuire e scalare la tecnologia nelle regioni aride degli Stati Uniti.

Liquid Prep utilizza un sensore IoT combinato con un'applicazione mobile in esecuzione su IBM Cloud. Gli agricoltori possono installare un sensore di umidità nel terreno e collegarlo alla loro app mobile per monitorare l'umidità del suolo, quindi caricarlo per analizzarlo. Il team di progetto sta attualmente ampliando l'app per includere dati meteorologici, tipi di suolo e supporto decisionale su quando irrigare, così che gli agricoltori possano gestire l'irrigazione in modo più efficace.

"I piccoli agricoltori di solito non sono molto avanzati dal punto di vista tecnologico, e questa è una delle differenze critiche tra i piccoli e i grandi agricoltori", afferma Chapin. "Ma le persone sanno usare un cellulare e alcune app, e Liquid Prep è un'app piuttosto semplice da usare... è qui che cambierà tutto".