Case Study

Aws-Corteva, coltivazioni più sostenibili grazie ai dati: il caso GeoPard

Amazon Web Services (AWS) e Corteva Agriscience uniscono le proprie competenze, nel momento in cui la capacità di scalare in modo efficiente e la necessità di investire saggiamente risorse finanziarie saranno vitali per sostenere modelli di business sostenibili [...]
  1. Home
  2. Data Science
  3. Aws-Corteva, coltivazioni più sostenibili grazie ai dati: il caso GeoPard

Produrre di più con meno input. E’ questa la sfida di fronte a cui si trova, e si troverà sempre più in prospettiva, il settore agricolo. Questo perché nei prossimi 30 anni la popolazione mondiale è destinata ad aumentare – secondo le stime dell’Onu – di due miliardi di persone, mentre acqua, terra, manodopera e altre risorse per la produzione a diminuire. E già oggi il settore dell’agrifood è responsabile del 24% delle emissioni di gas serra a livello globale.

Per affrontare le sfide del cambiamento climatico, della conservazione della biodiversità e del soddisfacimento della crescente domanda di cibo Amazon Web Services (AWS) e Corteva Agriscience uniscono le proprie competenze, proprio nel momento in cui la capacità di scalare in modo efficiente e la necessità di investire saggiamente risorse finanziarie saranno vitali per sostenere modelli di business sostenibili.

Geopard, piattaforma indipendente per l’agricoltura di precisione, sta collaborando con Corteva, leader a livello mondiale nel settore agricolo, per migliorare l’app Granular Link – spiega in un blog post Dzmitry Yablonski, Cto e co-fondatore di GeoPard Agriculture – Per affrontare sfide come il cambiamento climatico, la conservazione della biodiversità e il soddisfacimento della crescente domanda di cibo, Corteva Agriscience ha deciso di investire nell’agricoltura sostenibile e nella biodiversità, elementi integranti della visione strategica dell’azienda. In Europa, stanno investendo in soluzioni digitali che possano migliorare l’efficienza delle decisioni agronomiche attraverso un uso più intelligente degli input agricoli. Quest’anno, Corteva Agriscience Europe ha lanciato Granular™ Link, una app con mappe VRA (Variable Rate Application) personalizzate che permette di gestire in modo più intelligente le materie della filiera agroalimentare (dalla protezione delle sementi e alle colture) con raccomandazioni integrate”.

Per gestire l’origine eterogenea e la grande quantità di dati, che ha raggiunto un centinaio di terabyte, il team di Flavio Cozzoli, Head of Digital Agronomy and Innovation di Corteva Agriscience Europe ha avuto bisogno di un sistema in grado di generare mappe VRA su scala per milioni di ettari, in pochi minuti. Il tutto tenendo conto della cronologia agricola, poiché saltare anche una singola stagione del raccolto causerebbe problemi di convalida delle tecnologie.

“Per questo Corteva Agriscience si è affidata a GeoPard Agriculture, che ha fornito sistemi di analisi dei dati di alta qualità, potenti e scalabili – spiega Yablonski – Un terreno agricolo è un ecosistema complesso e composto da diversi fattori. Include un profilo del suolo variabile con i suoi micro e macronutrienti, proprietà fisiche e chimiche, condizioni meteorologiche, varietà di colture, profilo topografico dettagliato e operazioni agricole eseguite. Per questo un singolo livello di dati non è sufficiente a descrivere accuratamente i processi di crescita delle colture. Pertanto, GeoPard raccoglie dati su più livelli, con l’obiettivo di produrre informazioni dettagliate e scalabili per milioni di ettari in modo automatico. Ciò migliora le pratiche di produzione delle colture, integra l’agricoltura di precisione, il monitoraggio remoto delle colture e accelera la transizione verso un’agricoltura sostenibile e basata sui dati”.

WHITEPAPER
IoT e Smart Agriculture: in crescita le soluzioni
Smart agrifood
Precision agricolture

L’origine dei dati è il punto di partenza per la costruzione di qualsiasi piattaforma, e possono essere di diversa natura, includere immagini satellitari, topografia, scanner ad alta densità e dati operativi registrati dai macchinari. “Il primo passo – sottolinea Yablonski – è integrare la pipeline automatizzata di immagini satellitari di Geopard, in particolare quelle multispettrali delle missioni Landsat4-8 e Sentinel2 con gli archivi storici, attivi dal 1988. Analizzare lo sviluppo della vegetazione e correlarla a clima e suolo fornisce uno strumento eccellente per comprendere la variabilità del campo e prevederne la resa futura. L’estensione della suite con Planet, la più grande rete satellitare per l’osservazione della Terra, è stata fondamentale per fornire un set di dati globale quasi quotidiano con immagini ad alta risoluzione. Ora, la suite è in costante crescita e si sta espandendo con le immagini del radar ad apertura sintetica (SAR) della missione Sentinel1”.

I dati raccolti dai sensori sui macchinari riportano con accuratezza i consumi delle materie prime utilizzate e le informazioni riguardo le operazioni di raccolta, irrorazione, semina/semina e concimazione eseguite sul campo. Anche la gamma di scanner del suolo ad alta densità è in espansione. Infatti, i sensori del suolo, oltre a misurarne conduttività elettrica e umidità, possono raccogliere dati su micro e macronutrienti. Per questo stanno diventando una valida alternativa alle classiche sonde di campionamento del suolo. I principali vantaggi sono la copertura continua del campo (rispetto a località selezionate) e la frequenza di scansione (è più facile avere condizioni del suolo aggiornate).

Ma i dati grezzi non sono sufficienti per prendere decisioni, rendendo necessaria un’ulteriore elaborazione per produrre risultati utili e significativi. Ottenere conoscenze e approfondimenti dai dati acquisiti su larga scala è una sfida importante per il settore agricolo.

“La centrale elettrica GeoPard è composta da tre componenti principali: la pipeline di elaborazione dati, il data lake e le interfacce protette. Grazie a questi elementi, elabora i dati grezzi per produrre set armonizzati, permettendo agli addetti ai lavori un’analisi efficiente – spiega Yablonski – I dati vengono processati automaticamente dalla pipeline in modo scalabile. Tutte le risorse di elaborazione necessarie vengono noleggiate da AWS durante i picchi di carico e restituite al termine del processo. Gli algoritmi di Intelligenza Artificiale (AI) e Machine Learning (ML) sono incorporati nell’esecuzione delle pipeline di dati. Lo storage dei dati si basa sull’approccio AWS Data Lake che archivia i dati e consente un accesso scalabile. Non ci sono limitazioni legate alla dimensione e alla capacità di lettura/scrittura: lo storage supporta facilmente terabyte di dati per operazioni simultanee di salvataggio (scrittura) ed estrazione (lettura). Inoltre, è disponibile trasformare i dati in vari formati per semplificare l’integrazione con qualsiasi soluzione”.

Si arriva così agli End Products di GeoPard: “L’agricoltura di precisione è un concetto di gestione dell’azienda agricola basato sull’osservazione, la misurazione e la risposta alla variabilità dei campi inter e intra agricoli nelle colture – aggiunge Yablonski – In particolare, il benchmarking sul campo permette di tenere traccia delle prestazioni stagionali, misurare l’eterogeneità storica e la produttività, oltre a dare priorità alle attività stagionali come la raccolta o l’irrorazione di sostanze chimiche. Lo scouting e il campionamento intelligente aiutano a rilevare correttamente i luoghi in cui eseguire le misurazioni necessarie e raccogliere campioni. Le mappe a tasso variabile consentono d’utilizzo della quantità corretta di materie prime, solo dove sono richieste. La ricca biodiversità e l’equilibrio dell’ecosistema possono essere raggiunti tramite l’uso di rotazioni ottimizzate, con un aumento della cattura di carbonio e una diminuzione delle emissioni di gas serra”.

FacebookTwitterLinkedInWhatsApp

Commenta per primo

Lascia un commento

L'indirizzo email non sarà pubblicato.


*


FacebookTwitterLinkedInWhatsApp