Da høstperioden for æbler begyndte i Washington State sidste år, var frugten moden og plukkerne parate – men vejret havde andre planer. Temperaturen nåede 38 grader celsius, en varme der var for ekstrem til at arbejdere kunne være på marken. Høsten måtte standses klokken ti om morgenen.
Det scenario er problemet, som kunstig intelligens nu skal løse for frugtavlere verden over. AI-modeller, der forudsiger ideelle høstdatoer under hensyntagen til vejr, arbejdskraftberedskab og frugtens modenhed, er blevet centralt for rentabiliteten på landbrugsbedrifter.
Præcision på stort areal
Okanagan Specialty Fruits i Washington driver over 1.250 hektar æbleolande og har investeret i teknologi fra det canadiske firma Vivid Machines. Kameraer monteret på traktorer indsamler billeder af æbletræerne som traktoren bevæger sig forbi, og AI identificerer blomster eller frugt i materialet.
Ifølge virksomhedens leder Joel Carter er systemet særligt dyktig til at spotte meget små blomsterknoper, som er svære at se med det blotte øje. Men her kommer også den første vigtige begrænsning: systemets nøjagtighed afhænger helt af kvaliteten af historiske data fra den enkelte gård. “Det er ikke noget, hvor en AI kan skrabe internettet og finde ud af gennemsnittet for Granny Smith,” forklarer Carter. “Det skal være tilpasset din gård.”
For æbler er høstevinduet relativt forgivende – omkring tre uger til Granny Smith-sorten. For andre frugter som jordbær er situationen afgørende anderledes. “Hvis en jordbærmark er klar til høst, skal du høste den – ellers bliver hele dit afgrøde syg meget, meget hurtigt,” siger Raymond Martin, medstifter og chief operating officer hos det britiske firma FruitCast.
Fra drone-billeder til præcise prognoser
FruitCast tilbyder høstprognoser til frugtavlere for jordbær, hindbær, blåbær, brombær og tomater – og udvider til druer næste år. Deres system analyserer billeder af modne frugter, som kan indsamles via droner, smartphones eller kameraer monteret på køretøjer.
Ifølge FruitCast’s egne tal ligger deres prognoser inden for 10 procent af det faktisk plukkede volumen en uge ud – en nøjagtighed på 90 procent. Tre uger ud når de 83 procent nøjagtighed med en fejlmargin på 17 procent. Systemet tager højde for både vejrforhold og irrigationsbetingelser.
Neill Finlayson, driftsdirektør hos Angus Soft Fruits, som samarbejder med FruitCast, understreger at teknologien endnu ikke er “en færdig løsning”. “Denne rejse er stadig i gang, og selvom betydelig fremskridt er gjort, ligger industrien stadig et stykke fra en fuldt integreret prognosekosystem,” siger han.
Fra millimeterbølger til smartphone-billeder
Parallelt udvikler forskere helt nye metoder til at analysere frugtkvalitet. Yasaman Ghasempour fra Princeton University arbejder med millimeterbølger – højfrekvente radiobølger, der kan trænge dybere ind i frugtens væv end traditionelle målinger. “De reagerer meget godt på fugtighed, vand og sukker,” forklarer hun. Hendes hold har udviklet en ripeness-detektor baseret på millimeterbølger, som både kan bruges af landmænd på marken eller potentielt af kunder i butikkerne.
Mindre omkostningsfuldt er løsninger fra University of Florida, hvor Kevin Wang har udviklet værktøjer til automatisk at tælle blåbær på billeder optaget med 100-dollar droner. Sådanne simple systemer kunne senere føde data ind i ripeness-prognoser.
Tillid og kommerciel hemmelighed
Men adoption af teknologien er ikke givet. Jing Zhang fra North Carolina State University påpeger at landmænd skal have tillid til teknologien og forskningen bag den. Derudover er der praktiske hindringer: nogle landmænd kan være skeptiske over for at dele kommercielt sensitiv information om deres dyrkningsmåde – såsom gødnings- og irrigationsplaner – med tredjepartsAI-modeller.
Ben Palone fra Western Growers, en organisation der repræsenterer landmænd i den vestlige USA, anerkender at høstprognoser har potentiale som “optimeringsværktøj”. Men han pointerer også at landmænd vil fortsætte med at stole på menneskelig dømmekraft. “Avlere foretrækker at have mennesker involveret i nogle af de kritiske beslutninger – især når det gælder høst,” siger han.