Terreno fertile: Come l'apprendimento per rinforzo può migliorare la sostenibilità alimentare 

L'agricoltura è uno dei settori più complessi e imprevedibili che si possano immaginare, con risultati che sono in gran parte influenzati da fattori che sfuggono al controllo umano. Non c'è modo di controllare o prevedere in modo affidabile le condizioni meteorologiche. La qualità del suolo è soggetta all’influsso di un'ampia gamma di fattori (dalle precipitazioni alle colture passate) ed è così difficile e costosa da testare da essere quasi ingestibile. I fattori principali su cui gli agricoltori possono agire attivamente sono la rotazione delle colture, la genetica, la lavorazione del terreno, l'irrigazione e la fertilizzazione.  

Calcolare la strategia di fertilizzazione o di irrigazione ottimale per un determinato luogo, date tutte le influenze impreviste, richiede analisi che sono semplicemente al di fuori delle capacità umane. Sebbene gli agricoltori dispongano di molte conoscenze a cui attingere, i loro calcoli devono basarsi su medie regionali o nazionali e non possono tenere conto di tutte le specificità del loro campo. I computer possono ovviamente gestire questi calcoli, ma come possono produrre dati sufficienti? Ottenere dati significativi su un luogo specifico, con lunghi cicli colturali e clima in continua evoluzione, potrebbe richiedere migliaia di anni. Attingere da un gruppo più ampio di aziende agricole in una regione riduce i tempi, ma a costo della specificità: le aziende agricole vicine possono avere condizioni molto diverse. È questa la domanda che si pone il ricercatore NCCR Automation Matteo Turchetta.  

Matteo e il suo collega del Politecnico di Zurigo Luca Corinzia, insieme a Scott Sussex, coinvolto in una fase precedente del progetto, hanno concentrato la loro attenzione sulla fertilizzazione. Questo aspetto ha una doppia valenza: in primo luogo, la fertilizzazione ha un forte impatto ambientale, in termini di inquinamento delle acque e di emissioni di gas serra. In secondo luogo, può essere ottimizzata per ogni azienda agricola, poiché l'azoto nel suolo è piuttosto mobile e, quindi, cambia rapidamente. In teoria, quindi, c'è molto margine per trovare una soluzione ottimale per ogni sede e trarre vantaggi significativi. Nella pratica, determinare la soluzione migliore per colture, clima, condizioni del suolo e terreno specifici è una questione di tentativi ed errori, che richiede troppo tempo. A meno che non si eseguano questi esperimenti attraverso una simulazione.  

La soluzione del gemello digitale  

L'apprendimento per rinforzo (RL) - il tipo di apprendimento automatico che addestra gli algoritmi in base al feedback del loro ambiente - dovrebbe essere uno strumento produttivo per trovare strategie adattive per l'agricoltura... se solo non fosse per i lunghi tempi di rotazione. Poiché un RL efficace richiede migliaia di cicli di feedback, non può essere applicato ai dati agricoli del mondo reale; si possono invece usare simulazioni per testare condizioni specifiche e proporre la migliore strategia di fertilizzazione. Ma quelle attualmente disponibili limitano gli input a singole dimensioni: una sola coltura, un solo anno, un solo tipo di gestione delle colture. I diversi simulatori, naturalmente, fanno ipotesi e semplificazioni diverse e possono essere utili per vari scopi. Ma il divario tra teoria e pratica è scoraggiante. 

Matteo e Luca insieme ad un ampio gruppo di ricercatori e ricercatrici hanno affrontato questo problema con CyclesGYM: il primo ambiente RL di gestione delle colture in grado di gestire più colture su più anni. Questo è davvero importante, perché la sicurezza alimentare e la sostenibilità sono intrinsecamente sfide a lungo termine. Una concimazione pesante potrebbe generare un raccolto abbondante quest'anno, ma degradare il raccolto dell'anno successivo. Per alimentare un ecosistema in grado di garantire un'alimentazione sana sia in futuro che in questo momento, dobbiamo ottimizzare la rotazione delle colture, la concimazione e altre strategie su un lungo periodo di tempo.

Il back-end di CyclesGYM si basa su un modello agronomico già esistente (Cycles), ma lo utilizza per creare un gemello digitale (tarato su un luogo specifico) in grado di apprendere strategie di fertilizzazione adattive. In sostanza, il gemello digitale sfrutta pochi dati per generare molto, anche sulla base di condizioni non osservate nella realtà. E con l'apprendimento per rinforzo, questo pool di dati ampliato può generare decisioni attuabili che consentono di ottenere notevoli guadagni di efficienza, riducendo gli sprechi di fertilizzante e aumentando la resa.  

Il primo test reale delle strategie specifiche per il sito elaborate da CyclesGYM ha avuto luogo durante la stagione di crescita 2023, con il supporto del centro di eccellenza svizzero per la ricerca agricola Agroscope. Quattro campi di grano invernale nel Vaud sono stati gestiti secondo le raccomandazioni fornite dagli agenti RL formati da CyclesGYM e i risultati hanno generato un feedback più prezioso per il modello. Mentre le prestazioni in due dei campi erano buone (riduzione dei costi e mantenimento o leggero aumento della produzione), gli altri due hanno dato risultati controintuitivi. Da un'indagine è emerso che uno di questi campi ha un terreno insolitamente poco profondo, che sembra aver influito sulla ritenzione idrica. Nel frattempo, l'altro campo gode della vicinanza di una mandria di mucche che fornisce un'abbondante fertilizzazione naturale. Questi due esempi mostrano il tipo di condizioni specifiche di cui non si può tenere conto quando si usa un modello standard, ma che possono essere considerate nell'adattamento di CyclesGYM per generare strategie più personalizzate e risultati migliori. (Nella stagione di crescita 2024, gli insegnamenti tratti da questa prima esperienza sono stati incorporati in un sistema migliorato che genera modelli più accurati). 

Vantaggi nel mondo reale  

Matteo e Luca stanno ora sviluppando un'applicazione per consentire a chi si occupa di agricoltura, consulenza o ricerca di ottenere facilmente raccomandazioni accurate e specifiche per il campo. Attraverso KoraLabs (definita "l'AI nutrizionista per le vostre colture"), i due hanno puntato a molteplici obiettivi: sperano di migliorare l'accesso agli strumenti strategici intelligenti, soprattutto per le aziende agricole più piccole, di ridurre i costi dei fertilizzanti e, allo stesso tempo, di ridurre le emissioni di gas serra e l'inquinamento ambientale. 

Utilizzando l'applicazione, le aziende agricole potranno facilmente inserire le loro condizioni specifiche e i modelli meteorologici attuali, ottenendo raccomandazioni strategiche significative e personalizzate. Senza dubbio, strumenti di pianificazione adattativa come questo diventeranno sempre più preziosi in un clima che cambia, poiché l'esperienza diretta degli agricoltori potrebbe non essere più adatta alle condizioni emergenti: è allora che i dati provenienti da altre regioni (e climi) possono integrare la storia locale per fornire un quadro più completo. La raccolta di feedback da parte degli utenti garantirà che lo strumento si aggiorni, impari e rimanga pertinente, consentendo non solo alle aziende agricole, ma all'intera comunità, di raccogliere i benefici di emissioni ridotte e cibo più sostenibile.

Matteo e Luca sono desiderosi di entrare in contatto con altre aziende agricole e del settore agroalimentare, per scambiare idee ed esperienze, raccogliere dati e altro ancora. Chiunque sia interessato a partecipare alla sperimentazione o a saperne di più su KoraLabs può iscriversi attraverso il sito web.