Nedostatak vode i visoka cena energije predstavljaju glavne probleme za zajednice za navodnjavanje, koje u tu svrhu upravljaju vodom, čineći je dostupnom poljoprivredi.
U kontekstu suše, sa deregulisanim i promenljivim tržištem električne energije, saznanje kada i koliko vodenih useva će se navodnjavati omogućilo bi onima koji njima upravljaju da prevaziđu neizvesnost prilikom donošenja odluka i stoga ih vode ka ciljevima poput ekonomske uštede , ekološka održivost i efikasnost. Za ovo su važni resursi, nauka o podacima i veštačka inteligencija.
Istraživači iz grupe za hidrauliku i navodnjavanje sa Jedinicom izvrsnosti Maria de Maeztu na Odseku za agronomiju na Univerzitetu u Kordobi (DAUCO) rade na primeni ove najsavremenije tehnologije u oblasti precizne poljoprivrede. Primer za to je projekat HOPE, koji se fokusira na razvoj holističkog preciznog modela navodnjavanja koji takođe uključuje primenu AI za vođenje donošenja odluka.
U okviru ovog napora, razvijeni su modeli predviđanja koji bi zajednicama za navodnjavanje pružili rigorozne procene količine vode koja će uzgajivačima biti potrebna da zadovolje potrebe svojih useva.
Najnoviji razvijeni model, i do sada najtačniji, omogućava da se predvidi stvarna potražnja za vodom za navodnjavanje nedelju dana unapred i sa marginom greške manjom od 2%, čime je omogućeno efikasno upravljanje resursima, sve bez umanjenja autonomiju od svojih korisnika.
Prema istraživačima Rafaelu Gonzalesu, Emiliju Kamačou i Huanu Antoniju Rodrigezu, ovaj napredak predstavlja još jedan korak u liniji digitalizacije primenjene na navodnjavanje koju je razvila istraživačka grupa AGR 228 „Hidraulika i navodnjavanje“. Sada su primenili revolucionarnu arhitekturu Transformer Deep Learning na oblast preciznog navodnjavanja.
Od svog pojavljivanja 2017. godine, ovo je primenjeno u različitim sektorima i nalazi se u korenu prekretnica veštačke inteligencije, kao što je ChatGPT. Arhitektura ‘Transformera’ se ističe po svojoj sposobnosti da uspostavi dugoročne odnose u sekvencijalnim podacima kroz ono što je poznato kao ‘mehanizmi pažnje’.
U slučaju navodnjavanja, ova arhitektura podataka omogućava simultanu obradu mnogo informacija, delegirajući selekciju i ekstrakciju informacija neophodnih za optimalno predviđanje svojoj veštačkoj neuronskoj mreži.
Za validaciju rezultata ovog modela korišćeni su dnevni podaci iz kampanja navodnjavanja od 2015. do 2022. godine u Zajednici irigatora Zujar kanala u Don Benito (Badahoz). Ukupno je korišćeno više od 1.800 merenja potrošnje vode za obuku modela, u kombinaciji sa podacima o temperaturi, padavinama, sunčevom zračenju, evapotranspiraciji, brzini vetra, vlažnosti, vrstama useva itd.
Ovo je smanjilo marginu greške u odnosu na prethodne modele sa 20% na samo 2%. Primenjeno na integrisane sisteme za podršku donošenju odluka, ovo može biti veoma korisno za menadžere zajednica za navodnjavanje tako što će ponuditi tačnu prognozu dnevne potražnje za vodom za navodnjavanje za narednih sedam dana u kontekstu nestašice vode i visokih cena energije, ali i u okvir posvećenosti održivom upravljanju resursima.
Rad je objavljen u časopisu Računari i elektronika u poljoprivredi.
