Jak na autonomní pěstování ve školkách?

Podle výzkumníka Stefana Mareeho z výzkumného centra univerzity v nizozemském Wageningenu (WUR) je klíčem začít v malém a chytře využít dostupné technologie: „Nemusíte hned skákat do světa umělé inteligence. Začněte sběrem dat o plodinách – už to vám rychle ukáže, kde máte prostor ke zlepšení.“

Stef Maree, výzkumník z Wageningen University & Research. Foto: Fotostudio Vlekke.

Je autonomní skleník opravdu takovou výzvou?

Zelinářství udělalo v oblasti autonomního pěstování velký pokrok. Skvělým příkladem je soutěž Autonomous Greenhouse Challenge, kde mezinárodní týmy vyvíjejí software pro dálkové řízení skleníku WUR v Bleiswijku – bez fyzického vstupu do prostoru. „Účastníci nesmí do skleníku vstoupit, vše musí řídit na dálku,“ vysvětluje Stef.

Po čtyřech ročnících soutěže se autonomní řízení klimatu ve skleníku výrazně posunulo. Přesto je stále co ladit, protože rostliny nereagují vždy stejně a podmínky se mění.

Řídit pole pod širým nebem jde hůře

Zásadní rozdíl mezi skleníkem a polní školkou spočívá v míře kontroly. Ve skleníku lze přesně řídit klima a snadno sbírat data pomocí senzorů. Venku je to složitější, v létě například nelze snížit teplotu vzduchu. Navíc je obtížnější měřit rostliny senzory a analyzovat živiny ve vodě. To vše ztěžuje zavádění autonomních systémů. Na druhou stranu venkovní pěstování nabízí nové příležitosti – například využití dronů nebo satelitních snímků na větších plochách.

Předpověď závlahy pomocí AI

Nicméně autonomní pěstování už přináší výsledky i ve venkovních školkách. Evropský projekt PLANtAR, jehož je WUR partnerem, testoval předpověď závlahy pomocí umělé inteligence. Senzory měřily vlhkost substrátu u kontejnerových rostlin a na základě těchto dat, spolu s předpovědí počasí a slunečního záření, se řídila závlaha. Výsledky byly slibné, ale integrace různých systémů od různých dodavatelů zůstává výzvou.

Nizozemská polní školka

Kde jako školkař začít?

Stef doporučuje začít sběrem dat, ať už ručně nebo pomocí senzorů. „Už jen samotné uspořádání dat vám ukáže, kde jsou slabá místa a kde by autonomní pěstování mohlo pomoci. Možná zjistíte, že voda nebo živiny nejsou dostupné v klíčových momentech.“

S těmito daty je snazší nasadit modely AI pro prediktivní závlahu a hnojení – i když jejich vývoj pravděpodobně zajistí specializovaní partneři. Stef věří, že nástroje založené na datech budou pro venkovní pěstování stále dostupnější a pomohou pěstitelům snížit rizika a zvýšit výkonnost plodin.

Venkovní školky s velkými plochami umožňují použití dronů.