INNOVATIVE APPROACHES TO DIGITAL AGRICULTURE WITH ARTIFICIAL INTELLIGENCE: ANALYSIS AND OPTIMIZATION OF STRAWBERRY CULTIVATION

ΚΑΙΝΟΤΟΜΕΣ ΠΡΟΣΕΓΓΙΣΕΙΣ ΨΗΦΙΑΚΗΣ ΓΕΩΡΓΙΑΣ ΜΕ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ: ΑΝΑΛΥΣΗ ΚΑΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΦΡΑΟΥΛΑΣ Ε. Μπιτάκου1,*, Μ. Κοτζαμπασάκη2, Κ. Νυχάς3, Β. Ψηρούκης3, Κ. Δεμέστιχας1,* & Θ. Μπαρτζάνας2 1Γεωπονικό Πανεπιστήμιο Αθηνών, Τμήμα Αγροτικής Οικονομίας και Ανάπτυξης, Εργαστήριο Πληροφορικής, Ιερά Οδός 75, 11855 Αθήνα, Ελλάδα, * bi [email protected] ; cdemes @aua.g 2Γεωπονικό Πανεπιστήμιο Αθηνών, Τμήμα Αξιοποίησης Φυσικών Πόρων και Γεωργικής Μηχανικής, Εργαστήριο Γεωργικών Κατασκευών, Ιερά Οδός 75, 11855 Αθήνα, Ελλάδα 3Γεωπονικό Πανεπιστήμιο Αθηνών, Τμήμα Αξιοποίησης Φυσικών Πόρων και Γεωργικής Μηχανικής, Εργαστήριο Γεωργικής Μηχανολογίας, Ιερά Οδός 75, 11855 Αθήνα, Ελλάδα Περίληψη Η συνεχής αύξηση του παγκόσμιου πληθυσμού και οι αυξανόμενες πιέσεις στους φυσικούς πόρους αναδεικνύουν την ανάγκη για πιο αποδοτικές και βιώσιμες πρακτικές στη γεωργία. Οι σύγχρονες τεχνολογίες, όπως η τεχνητή νοημοσύνη, η μηχανική μάθηση και τα αυτόνομα συστήματα, διαμορφώνουν το μέλλον της ψηφιακής γεωργίας, προσφέροντας εργαλεία για καλύτερη παρακολούθηση, πρόβλεψη και διαχείριση των καλλιεργειών. Η καλλιέργεια της φράουλας, λόγω της ευαισθησίας της σε ασθένειες και της υψηλής εμπορικής της αξίας, αποτελεί μια ιδανική περίπτωση για την εφαρμογή αυτών των καινοτομιών. Μέσω συστηματικής επισκόπησης της διεθνούς βιβλιογραφίας, εξετάστηκε η υιοθέτηση τεχνολογιών τεχνητής νοημοσύνης με έμφαση στην πρόβλεψη παραγωγικότητας όσον αφορά την καλλιέργεια φράουλας. Τα αποτελέσματα δείχνουν αυξανόμενο ενδιαφέρον τα τελευταία χρόνια, με ευρεία χρήση αισθητήρων, όπως κάμερες RGB, υπερφασματικές κάμερες και αισθητήρες εδάφους, ενώ οι μέθοδοι μηχανικής μάθησης και επεξεργασίας εικόνας κυριαρχούν στην ανάλυση των δεδομένων. Επομένως, η παρούσα μελέτη αναδεικνύει σημαντικές ευκαιρίες για περαιτέρω έρευνα και τεχνολογική ανάπτυξη, με στόχο την ενίσχυση της βιωσιμότητας και της αποτελεσματικότητας στη γεωργική παραγωγή φράουλας. Λέξεις κλειδιά: ψηφιακή γεωργία, ευφυής γεωργία, τεχνητή νοημοσύνη, μηχανική μάθηση, παραγωγικότητα, φράουλα INNOVATIVE APPROACHES TO DIGITAL AGRICULTURE WITH ARTIFICIAL INTELLIGENCE: ANALYSIS AND OPTIMIZATION OF STRAWBERRY CULTIVATION E. Bi akou1,*, M. Ko zabasaki2, K. Nychas3, V. Psi oukis3, K. Demes ichas1,* & T. Ba zanas2 1Ag icul u al Uni e si y o A hens, Depa men o Ag icul u al Economics and Ru al De elopmen , In o ma ics Labo a o y, Ie a Odos 75, 11855 A hens, G eece, * [email p o ec ed]; [email p o ec ed] 2Ag icul u al Uni e si y o A hens, Depa men o Na u al Resou ces De elopmen and Ag icul u al Enginee ing, Labo a o y o Fa m S uc u es, Ie a Odos 75, 11855 A hens, G eece 3Ag icul u al Uni e si y o A hens, Depa men o Na u al Resou ces De elopmen and Ag icul u al Enginee ing, Labo a o y o Fa m Machine Sys ems, Ie a Odos 75, 11855 A hens, G eece ABSTRACT The con inuous g ow h o he global popula ion and he g owing p essu es on na u al esou ces highligh he need o mo e e icien and sus ainable p ac ices in ag icul u e. Mode n echnologies, such as a i icial in elligence, machine lea ning, and au onomous sys ems, a e shaping he u u e o digi al ag icul u e, p o iding ools o be e moni o ing, o ecas ing, and managemen o c ops. S awbe y cul i a ion, due o i s sensi i i y o diseases and high comme cial alue, p esen s an ideal case o he applica ion o hese inno a ions. Th ough a sys ema ic e iew o he in e na ional li e a u e, he adop ion o a i icial in elligence echnologies wi h a ocus on p oduc i i y o ecas ing o s awbe y cul i a ion was examined. The esul s show inc easing in e es in ecen yea s, wi h widesp ead use o senso s such as RGB came as, hype spec al came as, and soil senso s, while machine lea ning and image p ocessing me hods domina e he da a analysis. The e o e, his s udy highligh s signi ican oppo uni ies o u he esea ch and echnological de elopmen , aiming o enhance he sus ainabili y and e iciency o s awbe y ag icul u al p oduc ion. Keywo ds: digi al ag icul u e, p ecision ag icul u e, a i icial in elligence, machine lea ning, p oduc i i y, s awbe y 1. ΕΙΣΑΓΩΓΗ Η ταχεία αύξηση του παγκόσμιου πληθυσμού και η πίεση στους φυσικούς πόρους έχουν αναδείξει τη βιωσιμότητα και την αποδοτικότητα ως βασικούς στόχους της σύγχρονης γεωργικής παραγωγής (Bongio anni & Lowenbe g-DeBoe , 2004). Στο πλαίσιο αυτό, η ψηφιακή γεωργία εμφανίζεται ως κεντρική λύση στις προκλήσεις αυτές, αξιοποιώντας τεχνολογίες αιχμής, όπως η τεχνητή νοημοσύνη, η μηχανική μάθηση και τα αυτόνομα συστήματα, με σκοπό την ενίσχυση της παρακολούθησης, της πρόβλεψης και της λήψης αποφάσεων (Zhang e al., 2002). Η καλλιέργεια της φράουλας (F aga ia × ananassa) αποτελεί παράδειγμα εφαρμογής των συγκεκριμένων τεχνολογιών, καθώς συνδυάζει υψηλή εμπορική αξία και σημαντική ευαισθησία σε ασθένειες, έντομα και περιβαλλοντικούς παράγοντες. Οι παραδοσιακές μέθοδοι ανίχνευσης ασθενειών βασίζονται σε οπτικές παρατηρήσεις και χειρωνακτικές μετρήσεις, που συχνά είναι χρονοβόρες και περιορισμένης ακρίβειας (Chen e al., 2019). Συνεπώς, η παρούσα μελέτη έχει ως στόχο τη διερεύνηση των δυνατοτήτων και των προκλήσεων της τεχνητής νοημοσύνης στην πρόβλεψη παραγωγικότητας και την ανίχνευση ασθενειών στην καλλιέργεια φράουλας, παρουσιάζοντας τα αποτελέσματα συστηματικής βιβλιογραφικής επισκόπησης των τεχνολογιών και μεθοδολογιών τεχνητής νοημοσύνης, καθώς και τον εντοπισμό ερευνητικών κενών και προοπτικών ανάπτυξης. 2. ΜΕΘΟΔΟΛΟΓΙΑ 2.1 Αναζήτηση επιστημονικών άρθρων Για τους σκοπούς της παρούσας μελέτης, πραγματοποιήθηκε συστηματική επισκόπηση της διεθνούς βιβλιογραφίας, χρησιμοποιώντας τη μεθοδολογία PRISMA 2020 (P e e ed Repo ing I ems o Sys ema ic Re iews and Me a-Analyses). Η αναζήτηση πραγματοποιήθηκε σε δύο επιστημονικές βάσεις δεδομένων, Scopus και Web o Science, με σκοπό τον εντοπισμό όλων των σχετικών ερευνητικών εργασιών που αφορούν την εφαρμογή ψηφιακών τεχνολογιών στην καλλιέργεια φράουλας. 2.2 Επιλογή αποτελεσμάτων Η αναζήτηση στις δύο βάσεις δεδομένων πραγματοποιήθηκε τον Ιανουάριο του 2025. Συγκεκριμένα, χρησιμοποιήθηκαν λογικοί τελεστές (όπως AND και OR) σε συνδυασμό με λέξεις-κλειδιά που σχετίζονται με το αντικείμενο της μελέτης. Επιπλέον, εφαρμόστηκαν συνδυασμοί όρων που κάλυπταν τεχνολογίες απομακρυσμένης παρακολούθησης (π.χ. UAV, d one, κάμερες), αναλύσεις εικόνας, τεχνητή νοημοσύνη, και μηχανική μάθηση, καθώς και εφαρμογές τους στη γεωργία, όπως η ανίχνευση ασθενειών, παρασίτων και η πρόβλεψη απόδοσης. Επιπλέον, περιλήφθηκαν όροι που αφορούσαν την καλλιέργεια φράουλας. 3. ΑΠΟΤΕΛΕΣΜΑΤΑ Κατά την ανάλυση των αποτελεσμάτων διαπιστώθηκε ότι στις περισσότερες μελέτες για την καλλιέργεια της φράουλας χρησιμοποιήθηκαν κυρίως κάμερες RGB, με τις υπερφασματικές να ακολουθούν, ενώ άλλοι τύποι αισθητήρων (θερμικές, πολυφασματικές, δορυφορικές) χρησιμοποιούνται λιγότερο συχνά (Elha i i e al., 2023; Lawal, 2024). Οι περισσότερες μελέτες εστιάζουν στη μηχανική μάθηση και την υπολογιστική όραση, με σταθερή παρουσία της γεωργικής μηχανικής, της τηλεπισκόπησης και της πληροφορικής. Η ρομποτική και η τεχνητή νοημοσύνη εμφανίζονται περιορισμένα, ενώ άλλες θεματικές εντάσσονται στην ευρύτερη κατηγορία «Άλλο», η οποία συγκεντρώνει μια ποικιλία θεμάτων, όπως η γεωργία ακριβείας, η ανίχνευση αντικειμένων, η μοντελοποίηση καλλιεργειών, η φυτοπαθολογία, η επιστήμη τροφίμων, η βαθιά μάθηση και το Διαδίκτυο των Πραγμάτων (Debna h e al. 2023). Επιπλέον, οι εφαρμογές που εντοπίζονται στις μελέτες ταξινομούνται σε τρεις κύριες κατηγορίες: παρακολούθηση, προγνωστική μοντελοποίηση και αυτοματοποίηση. Η παρακολούθηση περιλαμβάνει την εκτίμηση της υγείας των φυτών, την ανίχνευση ασθενειών και την αξιολόγηση της ποιότητας των καρπών. Η προγνωστική μοντελοποίηση εστιάζει στην πρόβλεψη της απόδοσης, στην εκτίμηση του σταδίου ωρίμανσης και στη μοντελοποίηση φαινοτυπικών χαρακτηριστικών. Τέλος, η αυτοματοποίηση αφορά τη ρομποτική συγκομιδή, την εφαρμογή εισροών και την αυτόματη παρακολούθηση της καλλιέργειας μέσω μη επανδρωμένων εναέριων οχημάτων (Liu e al., 2024). 4. ΣΥΜΠΕΡΑΣΜΑΤΑ Μέσω της παρούσας συστηματικής βιβλιογραφικής επισκόπησης διαπιστώθηκε ότι η καλλιέργεια της φράουλας αποτελεί ένα κατάλληλο πεδίο για την εφαρμογή καινοτόμων τεχνολογιών τεχνητής νοημοσύνης, λόγω της υψηλής εμπορικής της αξίας και της ευαισθησίας της σε περιβαλλοντικές πιέσεις. Επιπλέον, η αξιοποίηση αισθητήρων υψηλής ακρίβειας, συστημάτων μηχανικής μάθησης και προηγμένων τεχνικών επεξεργασίας εικόνας, επιτρέπει την έγκαιρη ανίχνευση ασθενειών και την ακριβή πρόβλεψη αποδόσεων. Επομένως, η αυξανόμενη ερευνητική δραστηριότητα και η συνεχής βελτίωση των τεχνολογιών προσφέρουν σημαντικές προοπτικές για μια πιο βιώσιμη και αποδοτική παραγωγή φράουλας. 5. ΒΙΒΛΙΟΓΡΑΦΙΑ Bongio anni, R., & Lowenbe g-DeBoe , J. (2004). P ecision ag icul u e and sus ainabili y. P ecision Ag icul u e, 5, 359– 387. h ps://doi.o g/10.1023/B:PRAG.0000040806.39604.aa Chen, Y., Lee, W. S., Gan, H., Pe es, N., F aisse, C., Zhang, Y., & He, Y. (2019). S awbe y yield p edic ion based on a deep neu al ne wo k using high- esolu ion ae ial o hoimages. Remo e Sensing, 11(13), 1584. Debna h, B., Mghames, S., Mandil, W., Pa sa, S., Pa sons, S., & Ghalamzan-E, A. (2023). Towa ds Au onomous Selec i e Ha es ing: A Re iew o Robo Pe cep ion, Robo Design, Mo ion Planning and Con ol. a Xi p ep in a Xi :2304.09617. Elha i i, E., El-Benda y, N., & Saleh, S. M. (2023). S awbe y-DS: Da ase o anno a ed s awbe y ui s images wi h a ious de elopmen al s ages. Da a in B ie , 48, 109165. Lawal, O. M. (2024). S udy on s awbe y ui de ec ion using ligh weigh algo i hm. Mul imedia Tools and Applica ions, 83(3), 8281-8293. Liu, H., Wang, X., Zhao, F., Yu, F., Lin, P., Gan, Y., ... & Tu, J. (2024). Upg ading swin-B ans o me -based model o accu a ely iden i ying ipe s awbe ies by coupling ask- aligned one-s age objec de ec ion mechanism. Compu e s and Elec onics in Ag icul u e, 218, 108674. Zhang, N., Wang, M., & Wang, N. (2002). P ecision ag icul u e—A wo ldwide o e iew. Compu e s and Elec onics in Ag icul u e, 36, 113– 132. h ps://doi.o g/10.1016/S0168-1699(02)00096-0 Ευχαριστίες: Η παρούσα δημοσίευση αποτελεί μέρος του έργου TALLHEDA, το οποίο έχει χρηματοδοτηθεί από το πρόγραμμα έρευνας και καινοτομίας Ho izon Eu ope της Ευρωπαϊκής Ένωσης, βάσει της συμφωνίας επιχορήγησης αριθ. 101136578. Οι απόψεις και οι γνώμες που εκφράζονται ανήκουν αποκλειστικά στους/στις συγγραφείς και δεν αντανακλούν απαραίτητα τις απόψεις της Ευρωπαϊκής Ένωσης ή της Ευρωπαϊκής Εκτελεστικής Υπηρεσίας Έρευνας. Ούτε η Ευρωπαϊκή Ένωση ούτε η αρμόδια αρχή χορήγησης μπορούν να θεωρηθούν υπεύθυνες για αυτές.