Applicazioni attuali di scansione 3D in agricoltura

La tecnologia di scansione tridimensionale si è già spostata oltre le fasi sperimentali e in pratica, uso quotidiano in aziende agricole e stazioni di ricerca. La distribuzione più diffusa utilizza i droni dotati di sensori LiDAR (Light Detection and Ranging) che utilizzano i trasmettitori pre-programmati di biomassa su campi, emettendo impulsi laser che riflettono la vegetazione e il terreno.

Fotogrammetria, un'altra tecnica di scansione 3D core, utilizza immagini aeree sovrapposte catturate da droni o velivoli a maneggia. Il software sofisticato mette insieme queste immagini, triangolando caratteristiche comuni per generare modelli ortosoici e di superficie digitale (DSMs). Mentre la fotogrammetria è generalmente più conveniente di LiDAR per campi di piccole e medie dimensioni, lotta in condizioni di scarsa illuminazione o con colture a risoluzione uniforme-texture, come i dati completamente sviluppati.

Gli ingegneri agricoli scandiscono mietitori, trattori e bracci per irrigazione per creare precisi gemelli digitali. Questi modelli permettono ai team di laboratorio di testare virtualmente parti di ricambio, simulare modelli di usura e pianificare la manutenzione preventiva senza smontare macchinari. Allo stesso modo, la scansione del profilo del suolo con scanner laser terrestri o sensori strutturati-leggeri cattura la microtopografia degli ingegneri per la riduzione dei semirimorchio, aiutando

Esempi reali-mondo

L’University of Nebraska-Lincoln’s ]CropWatch program[] ha usato i droni equipaggiati con LiDAR dal 2021 per monitorare le prove di soia e grano. La loro ricerca mostra che le stime 3D del volume di baldacchino si riferiscono fortemente alla resa finale del grano, permettendo agli allevatori di selezionare genotipi ad alta qualità XPD

Tecnologie e innovazioni emergenti

La successiva ondata di scansione 3D in agricoltura è guidata da tre tendenze convergenti: integrazione dell'intelligenza artificiale (AI), elaborazione dei bordi in tempo reale e miniaturizzazione dei sensori. Piuttosto che catturare i dati e inviarlo ai server cloud per ore di analisi offline, nuovi sistemi incorporati modelli di machine learning direttamente su droni o trattori. Questi dispositivi di bordo possono classificare oggetti (ad esempio, weeds vs. crops, sani spotbin).

Un'altra innovazione è la scansione 3D multispettrale e iperspectral. Tradizionale LiDAR registra solo la geometria e l'intensità di un'unica lunghezza d'onda. I sistemi emergenti aggiungono 10–100 bande spettrali, ciascuna riflettente catturante a diverse lunghezze d'onda. Questo consente agli ingegneri di identificare specifiche firme di stress che sono invisibili alle telecamere standard.

I rover piccoli e poco costosi dotati di chip LiDAR a basso costo (simile a quelli trovati in sottovuoto autonomo) possono strisciare sotto le tettoie delle colture, creando mappe 3D ad alta risoluzione di densità di stelo, posizione di frutta e compattazione del suolo nella zona radice della pianta.

Integrazione con l'intelligenza artificiale e l'apprendimento automatico

I ricercatori hanno sviluppato un algoritmo di apprendimento profondo che rileva l'insorgenza di fioriture in meleti provenienti da soli dati UAV-LiDAR, ottenendo un'accuratezza del 94% dei fertilizzanti in fase di ottimizzazione delle colture.

Le reti adversariali (GAN) sono anche esplorate per colmare le lacune nelle nubi a punto causate da occlusioni, ad esempio le foglie che bloccano la struttura stelo di una vite. Il GAN crea punti sintetici plausibili, consentendo un modello 3D completo dell’architettura della vite.

Potenziali vantaggi per l'allevamento di precisione

Accuratezza e interventi mirati

Il vantaggio principale della scansione 3D su immagini tradizionali 2D o scouting manuale è la capacità di misurare le proprietà volumetrici. Un'immagine satellitare 2D può mostrare una patch stressata di coltura, ma un modello 3D rivela se tale stress corrisponde a un tetto più sottile, piante più corte, o altezza del terreno irregolare. Questa informazione consente la tecnologia a tasso variabile (VRT) di applicare ingressi ruvidi con precisione di livello di centimetri.

Una scansione LiDAR di un frutteto di mandorle nella Central Valley della California, elaborata con un algoritmo di clustering point-cloud, può contare su singoli noci su ogni albero con precisione del 90%. Questa previsione iniziale di resa aiuta i coltivatori a negoziare contratti, pianificare le esigenze del lavoro e assegnare l'acqua a blocchi di alta priorità.

Ottimizzazione delle risorse

L'uso dell'acqua è uno dei maggiori costi di input in agricoltura e la cattiva gestione contribuisce alla deplezione delle acque sotterranee e ai rifiuti energetici. La scansione 3D fornisce i dati necessari per l'irrigazione di precisione. Sovrapposizione di un modello digitale ad alta risoluzione (DTM) sulle letture dei sensori di umidità del suolo, gli agricoltori possono identificare i bassi punti in cui gli stagni dell'acqua e gli alti punti che si asciugano più velocemente.

Una scansione 3D di un campo di grano appena prima della fase di giunzione può rivelare variazioni di altezza e densità vegetale. Utilizzando una tabella di ricerca sviluppata da dati storici, il computer di bordo regola il tasso di azoto per ogni quadrato di 1 metro. Il risultato è lo sviluppo uniforme delle colture, meno incidenti di alloggio e meno il calo totale di azoto, un importante vantaggio ambientale nei spartitiacque vulnerabili alle fioriture alghe.

Pratiche sostenibili

La scansione 3D supporta direttamente l'agricoltura di conservazione consentendo sistemi di taglio e riduzione. La capacità di scansione dei residui di copertura da un drone consente agli agricoltori di verificare che almeno il 30% della superficie del terreno è protetto, un requisito comune per i programmi di credito al carbonio.

L'applicazione di pesticidi è un'altra area in cui la scansione 3D riduce il danno ambientale. Gli spruzzatori orientati alla precisione che utilizzano in tempo reale le nuvole a punto 3D possono colpire solo le foglie di erba, evitando la deriva su impollinatori e campi organici vicini. Uno studio del 2023 pubblicato sulla rivista Precision Agriculture]] ha scoperto che questo metodo ha tagliato l'uso di erbicidi 86% nelle stesse applicazioni di rotazione di maisaggio.

Risparmio di costi

Mentre l'investimento in upfront in 3D scansione hardware può essere sostanziale - un professionista-grade LiDAR drone costa $15,000–$50,000 - il ritorno sull'investimento appare spesso entro due stagioni.

Sfide e considerazioni

Costi iniziali elevati

Nonostante i vantaggi che ne derivano, il costo dell'ingresso rimane una barriera, soprattutto per i piccoli agricoltori nelle regioni in via di sviluppo. Un sistema di allevamento di precisione completo, tra cui un sensore di droni, LiDAR o multispettrale, software di elaborazione e di abbonamento a cloud storage, può superare i 100.000 dollari.

Trattamento e gestione dei dati

Un singolo volo LiDAR su 100 ettari può generare 30–50 gigabyte di dati cloud di punto grezzo. L’elaborazione dei dati in mappe attuabili richiede computer potenti e analisti esperti. Sebbene le piattaforme basate su cloud semplificano il processo, dipendono dalla connettività internet affidabile, alcune aziende, soprattutto nelle aree remote, la mancanza. L’elaborazione dei bordi sta mitigando questo problema, ma l’acquisizione in tempo reale dei droni è ancora limitata dalla durata della batteria e dal calore del processore.

Requisiti tecnici di competenza

Gli operatori del settore hanno assunto un’altra funzione di controllo 3D e interpretano i dati derivati che richiedono una formazione non comunemente trovata tra i tradizionali lavoratori agricoli. Gli agricoltori stanno ora assumendo scienziati di dati e specialisti “ag-informatics”, ma l’industria affronta una carenza di talenti. In un sondaggio del 2024 della American Society of Agricultural and Biological Engineers, il 68% dei gestori di aziende agricole ha identificato “la mancanza di competenze tecniche interne” come la barriera principale per l’adozione della tecnologia di scansione 3D.

Sicurezza e privacy dei dati

I concorrenti o gli avversari potrebbero abusare di questi dati per stimare i rendimenti, identificare le infrastrutture vulnerabili o le operazioni sabotaggio. Gli agricoltori sono sempre più attenti a condividere i dati di scansione con i fornitori di tecnologia, soprattutto quando i termini di servizio danno la proprietà del fornitore di analisi derivate.

Integrazione con macchine esistenti

La maggior parte delle attuali uscite di scansione 3D deve essere copiata manualmente al software su trattori, spruzzatori e piantatori. La vera integrazione – dove la scansione del drone crea automaticamente una mappa di prescrizione che viene trasmessa in modalità wireless al display del trattore – richiede la compatibilità tra più piattaforme di fornitori.

La strada sulla fronte

In attesa di un piano di espansione dell'umidità, la convergenza della scansione 3D con macchinari autonomi e l'Internet of Things (IoT) promette di rimodellare l'agricoltura più profondamente di qualsiasi innovazione nel secolo scorso.

Il costo dell'hardware di scansione 3D sta seguendo una curva di adozione della tecnologia classica: chip LiDAR a stato solido che una volta costano migliaia di dollari sono ora disponibili per meno di $100, guidato dal mercato LIDAR automobilistico. Come questi sensori proliferano, saranno incorporati in droni a molla fissa, veicoli a terra e dispositivi perfino indossabili per scouting portatile.

I ricercatori possono collegare questi cambiamenti alle pratiche di gestione e alla variabilità del clima, fornendo agli agricoltori raccomandazioni basate su prove che migliorano la resilienza. Nei Paesi Bassi, i Wageningen University & Research programma utilizza le indagini annuali LiDAR2 per mappare i livelli di subsidenza

Infine, si sta emergendo l'integrazione della scansione 3D con tracciabilità blockchain. Un modello 3D completo della storia di un campo, che vede profonditÃ, curva di crescita, uso dell'acqua, data di raccolta, puÃ2 essere memorizzato come set di dati non-fungible. Quando un consumatore esegue la scansione di un codice QR su una busta di farina, potrebbe visualizzare il cloud punto 3D del campo di grano dove il grano à ̈ cresciuto, verificato dai revisori indipendenti.

In sintesi, la scansione 3D sta passando da uno strumento di ricerca di nicchia a una componente mainstream di allevamento di precisione. La sua capacità di fornire dati precisi, volumetrici e tempestivi affronta direttamente le sfide principali dell'agricoltura moderna: nutrire una popolazione in crescita proteggendo le risorse naturali.