Come si usa l'IoT in agricoltura?

L’agricoltura è un mestiere di decisioni prese nell’incertezza: quando irrigare, quando trattare, quando raccogliere, quale animale è malato, quale campo rende meno e perché. Per gran parte della storia quelle decisioni si sono prese camminando sulla terra. L’IoT in agricoltura sostituisce parte di quel camminare con sensori che riferiscono in continuo, e sostituisce parte delle congetture con la misura.

Il settore è anche uno degli ambienti più difficili per i dispositivi connessi. I campi sono grandi, lontani dall’alimentazione e spesso lontani da qualsiasi rete. I dispositivi prendono la pioggia, vengono investiti dai mezzi, masticati dal bestiame e sepolti nel terreno. I margini sono stretti e chi compra la tecnologia è giustamente scettico verso tutto ciò che richiede un reparto IT.

Questa guida spiega cosa si rileva, come i dati escono da un campo, dove l’agricoltura di precisione dà risultati e cosa fa fallire i progetti.

Cosa si misura?

Suolo. L’umidità a una o più profondità è la singola misura più preziosa, perché guida l’irrigazione. Seguono temperatura, conducibilità elettrica (un indicatore indiretto di salinità e nutrienti) e pH. Le sonde vengono interrate nella zona delle radici e riferiscono poche volte all’ora; le letture cambiano lentamente, quindi bastano bassi data rate e lunghi intervalli di sleep.

Meteo e microclima. Le stazioni meteo aziendali misurano pioggia, temperatura, umidità, vento e radiazione solare a livello di campo, che si discosta dalle previsioni regionali abbastanza da contare per gli avvisi di gelata e i tempi dei trattamenti. I sensori di bagnatura fogliare alimentano i modelli di malattia per colture come la vite e la patata.

Stato delle colture. Telecamere su pali fissi, droni e satelliti forniscono indici di vegetazione che mostrano lo stress prima che l’occhio lo veda. È il territorio della visione artificiale (computer vision) e sempre più spesso gira all’edge, sul dispositivo che cattura l’immagine.

Bestiame. Marche auricolari e collari con accelerometri e sensori di temperatura rilevano estro, zoppia, parto e malattia dai cambiamenti nei pattern di movimento e di ruminazione. I boli ruminali misurano temperatura interna e pH. I tag di localizzazione seguono il pascolo e ritrovano gli animali su grandi estensioni.

Macchine e infrastrutture. Trattori e mietitrebbie sono piattaforme di telematica su ruote che riferiscono posizione, carburante, resa e stato degli attrezzi. Pompe, valvole, silos per il grano, celle frigorifere e serbatoi d’acqua ricevono sensori di livello, temperatura e stato, così i guasti vengono notati prima che rovinino un raccolto.

Come escono i dati da un campo?

La connettività è il vincolo che definisce tutto. Un campo non ha Ethernet e spesso non ha copertura cellulare, e un sensore può dover funzionare per anni con una batteria o un piccolo pannello solare.

LoRaWAN è il cavallo di battaglia per i sensori fissi. Un singolo gateway sul tetto di un fienile copre diversi chilometri di terreno pianeggiante, i nodi funzionano per anni a batteria, e l’azienda agricola può possedere gateway e rete senza un operatore. Il basso data rate non è un limite per le letture di suolo e meteo. Molti fornitori di sensori agricoli offrono LoRaWAN di serie proprio per questo.

NB-IoT e LTE-M funzionano dove c’è copertura dell’operatore ed eliminano la necessità di possedere un gateway. Sono adatti agli asset sparsi (una pompa qui, un serbatoio là) e a tutto ciò che si sposta tra un’azienda e l’altra. Roaming e buchi di copertura nelle zone rurali vanno verificati prima di impegnarsi.

L’IoT satellitare colma i vuoti rimanenti per le stazioni remote e il bestiame su grandi estensioni, a un costo per messaggio più alto. Wi-Fi HaLow e le reti private compaiono nelle serre e negli allevamenti intensivi, dove serve più banda vicino agli edifici. Droni e trattori riportano i dati da soli quando rientrano, uno schema legittimo per le immagini troppo pesanti da trasmettere.

L’energy harvesting da piccoli pannelli solari è comune per tutto ciò che sta sopra terra; i sensori interrati si affidano a batterie pluriennali e a duty cycle aggressivi.

Come i dati diventano decisioni?

Una lettura di umidità del suolo è utile solo quando cambia un’azione. I sistemi pratici traducono i dati dei sensori in raccomandazioni o in controllo automatico:

• Pianificazione dell’irrigazione: combinare umidità del suolo, fase della coltura, previsioni meteo e stime di evapotraspirazione per decidere quando e quanto irrigare, poi aprire le valvole in automatico o inviare un piano all’agricoltore. Il risparmio idrico e l’aumento di resa sono qui il beneficio più costantemente documentato dell’IoT agricolo.
• Applicazione a rateo variabile: usare mappe del campo costruite da sensori e immagini per distribuire fertilizzante, semente e fitofarmaci a dosi diverse nelle varie zone del campo anziché in modo uniforme, riducendo gli input dove non servono.
• Modelli di malattie e parassiti: alimentare con i dati del microclima modelli che prevedono le finestre di rischio di infezione, così i trattamenti si fanno quando contano e non a calendario.
• Avvisi sul bestiame: segnalare un animale il cui pattern di attività si discosta dalla sua linea di base, cioè rilevamento delle anomalie applicato a una mandria, così un operatore lo controlla in giornata.
• Avvisi di gelata e tempesta: i sensori locali attivano ventilatori antigelo, irrigatori o coperture prima che si verifichino i danni.

Molto di questo gira nel cloud, dove i dati dell’azienda incontrano servizi meteo e modelli agronomici. L’eccezione è tutto ciò che sta su un veicolo o su una telecamera, dove l’edge computing gestisce l’elaborazione pesante e viaggiano solo i risultati.

Cosa fa riuscire o fallire i progetti?

I successi hanno tratti comuni. Misurano qualcosa che guida direttamente una decisione frequente e costosa (irrigazione, alimentazione degli animali, trattamenti). Usano hardware abbastanza rugged per il campo e abbastanza semplice da essere installato dal personale dell’azienda. Forniscono il risultato nella forma che l’agricoltore usa già, spesso una notifica sul telefono o una riga su una piattaforma di gestione aziendale familiare, anziché una nuova dashboard. E la connettività è stata provata in quell’azienda, non presunta da una mappa di copertura.

I fallimenti sono noti. Sensori che richiedono una ricalibrazione che nessuno esegue, così i dati derivano fino a diventare inutili. Reti che funzionavano d’estate e sono morte quando il mais è cresciuto abbastanza da bloccare il segnale. Piattaforme che chiudono i dati nel cloud di un fornitore, così cambiare fornitore significa perdere anni di storico, una forma di vendor lock-in di cui gli agricoltori hanno imparato a diffidare. Dashboard senza alcuna raccomandazione allegata. E business case che presupponevano l’economia di una grande azienda con il budget di una piccola.

La proprietà dei dati merita una menzione specifica. Dati di campo, mappe di resa e registri degli animali sono commercialmente sensibili, e i contratti con i costruttori di macchine e i fornitori di piattaforme dovrebbero stabilire chi possiede i dati, chi può usarli e come si esportano. È una questione aperta nel settore e una domanda legittima per qualsiasi acquirente.

Per continuare

• LoRaWAN spiegato tratta la rete su cui gira la maggior parte dei sensori fissi in campo.
• NB-IoT e LTE-M spiegati spiega l’alternativa cellulare per gli asset sparsi e mobili.
• Tipi di dispositivi IoT e i vincoli che ne determinano la progettazione spiega i budget di energia e robustezza entro cui vive l’hardware agricolo.

Argomenti: agricoltura, agricoltura di precisione, LoRaWAN, sensori del suolo, bestiame