Aumentare la produzione di cibo richiede creatività

• 
• Tweet
• Pin It
• Condividi per email

Ferve, ancora una volta, l‘attività presso il CLIK Lab del Politecnico di Torino, grazie ai nuovi gruppi di studenti partecipanti all’ultimo concorso proposto che metterà sicuramente a dura prova la loro creatività e le loro capacità ingegneristiche. Grazie a questo programma, che può beneficiare del supporto continuo di Mouser, i team di studenti del prestigioso ateneo italiano sono coinvolti nello sviluppo di progetti a tema. Per questo semestre è stato deciso di focalizzare l’attenzione sull’agricoltura “intelligente” (smart agriculture).  Si tratta di un tema di grande attualità per la nostra società destinato a rivestire un’importanza sempre maggiore negli anni a venire: complice il continuo aumento della popolazione mondiale, lo sfruttamento delle terre e delle risorse idriche disponibili si va sempre più intensificando, raggiungendo livelli difficilmente sostenibili.

Un recente rapporto pubblicato dalla FAO (Food and Agriculture Organization, ovvero l’Organizzazione delle Nazione Unite per l’alimentazione e l’agricoltura) viene posto in evidenza il fatto che entro il 2050 la Terra sarà abitata da oltre 9 miliardi di persone, il che si traduce nella necessità di aumentare la produzione di cibo in misura pari a circa il 70%. La produzione annuale di cereali dovrebbe passare dalle attuali 2,1 miliardi di tonnellate a oltre 3 miliardi di tonnellate. Allo stesso modo, a meno di un cambiamento drastico delle abitudini alimentari, la produzione annuale di carne dovrà aumentare di 200 milioni di tonnellate, dalle 270 attuali. Questi numeri evidenziano chiaramente che si tratta di uno dei maggiori problemi che l’umanità si trova a dover affrontare.

L’adozione di metodi di produzione agricola più evoluti e una diffusione più capillare della tecnologia consentiranno agli agricoltori di sfruttare al meglio le loro terre, ottimizzando in tal modo i raccolti. La possibilità di monitorare e gestire le operazioni in maniera più efficace contribuirà ad aumentare il rendimento, ridurre gli sprechi e rendere molto più produttive le aziende agricole.

Il team VERDE, formato da quattro membri con competenze interdisciplinari tra di loro, ha deciso di focalizzarsi sulla viticoltura, un settore di primaria importanza per l’economia italiana: basti pensare che negli ultimi 3 anni l’Italia si è classificata al primo posto della classifica mondiale dei produttori di vino, scalzando la Francia, lo storico rivale. Dopo una serie di discussioni utili e proficue, i membri del team sono stati in grado di individuare parecchi ostacoli che secondo loro hanno frenato l’adozione dell’agricoltura “smart”.

Figura 2: L’hardware per la visualizzazione e l’elaborazione delle immagini messo a punto dal team VERDE prevede un computer su scheda singola Raspberry Pi 3 oltre a una telecamera Pi NoIR V2

Le grandi aziende coinvolte nella filiera dell’agroalimentare potrebbero già aver iniziato ad adottare metodi nuovi e innovativi per la produzione agricola e a far ricorso a un’automazione più spinta. Fino a questo momento, invece, nessuno si è preoccupato seriamente delle piccole imprese agricole, tipicamente a conduzione familiare, nonostante la loro forte e radicata presenza sul suolo europeo (basti pensare che ce ne sono circa 650.000 solo in Italia). Poichè le comunità rurali, molto spesso, hanno una scarsa interazione con la tecnologia, sono alquanto ridotte le probabilità che siano a conoscenza dei vantaggi legati all’adozione dell’agricoltura “intelligente”. Anche coloro che ne sono consapevoli, molto spesso avvertono la loro inadeguatezza dal punto di vista delle competenze tecniche necessarie per sfruttare in modo adeguato le potenzialità di questo innovativo tipo di agricoltura. Per completare il quadro, non bisogna dimenticare che le soluzioni attualmente disponibili sono destinate essenzialmente alle aziende di grandi dimensioni, per cui richiedono un investimento iniziale che le aziende agricole di piccole dimensioni non sono sicuramente in grado di sostenere.

L’obiettivo del progetto del team VERDE è creare una piattaforma in grado di aiutare i viticoltori nell’acquisizione e nell’analisi dei dati delle immagini relative alle loro coltivazioni, in modo da poter affrontare fin dalle fasi iniziali problemi riguardanti la qualità o il rendimento potenziale: per accelerare il throughput queste operazioni sono state automatizzate ricorrendo a un software per il riconoscimento delle immagini. Gli aspetti chiave da affrontare erano essenzialmente tre: raccolta dei dati, elaborazione dei dati e gestione del sistema. Quest’ultimo è stato affidato a Gabriele e Chin, mentre Marco si è offerto di occuparsi dell’acquisizione dei dati, lasciando a Giuseppe l’aspetto legato all’acquisizione dei dati. Al fine di organizzare il progetto nel modo migliore possibile, è stata formulata una WBS (Work Breakdown Structure – ovvero la scomposizione strutturata del progetto) e tracciato il diagramma di Gantt (per pianificare le fasi di progetto e controllarne l’avanzamento). tra le opzioni hardware che Mouser ha messo a disposizione, il team ha deciso di utilizzare una telecamera Pi NoIR V2per l’acquisizione dell’immagine che opera in abbinamento con un SBC (computer su scheda singola) Raspberry Pi 3 Model B+(che ovviamente si occupa della parte di elaborazione e integra funzionalità Wi-Fi per la connettività wireless).

L’obiettivo per il secondo team è progettare un sottosistema prototipale da montare su un UAV (Unmanned Aerial Vehicle) tramite il quale ottenere dati relativi al contenuto di umidità nel suolo di aree di grandi dimensioni. Il progetto di questo team (che è stato denominato IS4H2O, un gioco di parole che significa “In Search for Water”) prevede il ricorso alla tecnologia GNSS (Global Navigation Satellite System) e sfrutta i principi della riflettometria GNSS (GNSS-R).

Per chi non ne fosse a conoscenza, il principio di funzionamento della tecnologia GNSS-R si può così sintetizzare: un segnale GNSS trasmesso da un satellite e quindi riflesso dal terreno di interesse può essere rilevato da un ricevitore e confrontato con il segnale ricevuto direttamente. Dalla differenza di potenza di questi due segnali è possibile determinare i fattori che hanno influenzato il segnale riflesso (e la presenza dell’acqua è appunto uno dei fattori che ha una maggiore influenza).

Il team ha deciso di suddividere il progetto in due parti principali. La prima prevede la realizzazione del ricevitore GNSS-R e il relativo apparato per la registrazione cronologica dei dati (data-logging), mentre la seconda si focalizza sullo sviluppo dell’algoritmo di elaborazione necessario per ottenere risultati significativi dai dati acquisiti. In questo modo è possibile ricavare una mappa del contenuto di umidità del suolo utile per mettere a punto piani di irrigazione più efficaci.

Per quando riguarda il drone è stato deciso di utilizzare un apparecchio in Classe II con capacità di trasporto di 1 kg e un’autonomia media di volo di circa 40 minuti. Per effettuare la geo-referenziazione è necessaria la presenza di una video/foto camera. L’adozione di opportune tecniche di condizionamento del segnale permette di filtrare qualsiasi rumore presente e attenuare le interferenze prodotte da altre sorgenti di segnale, oltre a consentire la demodulazione dei segnali filtrati. A due membri del team, Abni ed Emanuele, è stato assegnato il compito di sviluppare il front-end RF, mentre a Enrico è stata affidata la responsabilità dell’ingegnerizzazione del sistema hardware principale. Il compito di studiare gli aspetti relativi alla geo-referenziazione è stato demandato a Giovanni e Ivano, mentre Daniil ha avuto l’incarico di codificare ed elaborare i modelli matematici necessari per convertire i dati acquisiti in informazioni utili.

Anche il team SNAP (Smart Nowcasting for Agriculture Protection) ha deciso di fare ricorso ai droni. Formato da studenti con competenze in diverse discipline – ingegneria biomedicale, ingegneria meccanica, meccatronica e architettura dell’ambiente – il team si è posto l’obiettivo di creare nei prossimi mesi un sistema per l’acquisizione dei dati relativi a diversi parametri che possa essere trasportato a bordo di un UAV o, in alternativa su un UGV (Unmanned Ground Vehicle, ovvero un veicolo terrestre senza pilota). Mezzi di questo tipo possono essere utilizzati per acquisire dati relativi a pressione atmosferica, temperatura o umidità.

Per l’agricoltura “intelligente”, i dati metereologici in tempo reale e i dettagli relativi ad altre condizioni ambientali correlate risultano ovviamente di fondamentale importanza. La capacità di prevedere con maggior precisione il verificarsi di tempeste, grandinate e ondate di freddo consente di predisporre tempestivamente adeguate protezioni per raccolti che altrimenti sarebbero posti a serio rischio, con conseguente risparmio di denaro e incremento della produzione agricola.

I membri del team SNAP si sono ben presto resi conto che l’uso di un UAV sarebbe risultato senz’altro più vantaggioso rispetto a quello di un UGV in quando avrebbe consentito di ottenere un insieme di dati in 3D. In questo modo sarebbe possibile prevedere con maggior precisione, ad esempio, l’arrivo del gelo poichè una conoscenza più dettagliata delle modalità di variazione del gradiente termico con l’altezza consente di effettuare previsioni più accurate. Nel contempo, i membri del team si sono resi conto che la realizzazione di un progetto in grado di supportare un volo prolungato avrebbe sicuramente comportato l’insorgere di problemi di natura ingegneristiche di una certa entità. Per quanto riguarda la componente hardware, essa avrebbe dovuto rispettare vincoli molto stringenti in termini di SWP (Size, Weight, Power). Inoltre era necessario ottimizzare il consumo di energia (power budget), in modo da garantire la possibilità di effettuare la trasmissione dati e di mantenere attive le funzioni di memorizzazione presenti a bordo (per consentire l’accesso agli algoritmi di elaborazione) senza penalizzare in modo eccessivo la durata della batteria, con le conseguenti limitazioni sul raggio di azione del drone.

Figura 3: Questo schema mostra il sistema di monitoraggio per applicazioni nel settore dell’agricoltura messo a punto dal team SNAP

Una volta acquisiti dal drone, i dati vengono trasferiti a un server a terra e visualizzati mediante una app caricata su uno smartphone o su un PC per effettuare l’analisi dei trend sul lungo periodo. Nel caso fossero invece richieste azioni immediate, si potrebbero innescare dei trigger nel caso di superamento di alcune soglie preimpostate, con conseguente invio di segnali di avvertimento al contadino. Il carico utile del drone – che comprende tutti gli elementi di rilevamento coinvolti, oltre alla funzionalità di connessione wireless necessarie per supportare la comunicazione con il server – deve essere leggero e compatto, oltre che di costo contenuto. Non bisogna dimenticare che la soluzione proposta deve risultare anche vantaggiosa dal punto di vista commerciale.

Vista l’impostazione dei concetti iniziali e il lavoro di sviluppo preliminare in corso, si può senz’altro affermare che l’avvio dei tre team è decisamente promettente. Nel prossimo blog verranno descritti i progressi che sono stati compiuti e approfondite le difficoltà che i team hanno affrontato nel corso dello sviluppo dei progetti.

Massimo Violante e Mark Patrick per Mouser Electronic

• 
• Tweet
• Pin It
• Condividi per email