Digital Agriculture Technologies for the Improvement of Wheat Production

ΤΕΧΝΟΛΟΓΙΕΣ ΨΗΦΙΑΚΗΣ ΓΕΩΡΓΙΑΣ ΓΙΑ ΤΗ ΒΕΛΤΙΩΣΗ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΣΙΤΑΡΙΟΥ N. Magazin1, B. Lalić1, P. Benka1, V. Ćirić1, A. Sedlar1, S. Vujić1, V. Koči2, B. Ćupina1, Ε. Μπιτάκου3,*, Μ. Κοτζαμπασάκη4, Κ. Δεμέστιχας3,* & Θ. Μπαρτζάνας4 1University of Novi Sad, Faculty of Agriculture, Trg Dositeja Obradovića 8, 21000 Novi Sad, Serbia 2CLIMATE SMART SOLUTIONS, Novi Sad, Serbia 3Γεωπονικό Πανεπιστήμιο Αθηνών, Τμήμα Αγροτικής Οικονομίας και Ανάπτυξης, Εργαστήριο Πληροφορικής, Ιερά Οδός 75, 11855 Αθήνα, Ελλάδα, * [email protected]; [email protected] 4Γεωπονικό Πανεπιστήμιο Αθηνών, Τμήμα Αξιοποίησης Φυσικών Πόρων και Γεωργικής Μηχανικής, Εργαστήριο Γεωργικών Κατασκευών, Ιερά Οδός 75, 11855 Αθήνα, Ελλάδα Περίληψη Το σιτάρι αποτελεί μια καλλιέργεια στρατηγικής σημασίας, με την παγκόσμια παραγωγή του να επηρεάζεται από περιβαλλοντικούς και τεχνολογικούς παράγοντες. Οι τεχνολογίες ψηφιακής γεωργίας αξιοποιούνται τόσο για την αύξηση της παραγωγικότητας όσο και για τη διασφάλιση της αγροτικής παραγωγής σε συνθήκες έντονων κλιματικών αλλαγών. Η παρούσα μελέτη έχει ως στόχο τη διερεύνηση των δυνατοτήτων και των προκλήσεων της ψηφιακής γεωργίας στη διαχείριση και παρακολούθηση της καλλιέργειας σιταριού. Στο πλαίσιο αυτό, πραγματοποιήθηκε συστηματική βιβλιογραφική επισκόπηση με βάση τη μεθοδολογία PRISMA 2020. Τα αποτελέσματα ανέδειξαν ότι το 16% των μελετών ήταν επισκοπήσεις, ενώ οι υπόλοιπες ήταν ερευνητικά άρθρα, κυρίως από την Κίνα, τις Ηνωμένες Πολιτείες και την Αυστραλία. Οι πιο συχνές θεματικές περιοχές που εντοπίστηκαν στη βιβλιογραφία αφορούσαν την τηλεπισκόπηση, τις γεωργικές επιστήμες, τη γεωργία ακριβείας και τη μηχανική μάθηση. Συνολικά, προσδιορίστηκαν 18 διαφορετικοί τύποι αισθητήρων, με τους πολυφασματικούς να είναι οι πιο διαδεδομένοι. Οι συνηθέστερες πλατφόρμες παρακολούθησης ήταν οι δορυφόροι, τα UAV και οι επίγειες πλατφόρμες, όπως φορητές συσκευές. Επομένως, η συγκεκριμένη μελέτη προσφέρει μια ολοκληρωμένη αποτύπωση των πρόσφατων εξελίξεων στη ψηφιακή γεωργία αναφορικά με την παραγωγή σιταριού. Παράλληλα, αναδεικνύει νέες ευκαιρίες για περαιτέρω έρευνα και αξιοποίηση των τεχνολογικών δυνατοτήτων, με σκοπό τη βελτίωση της διαχείρισης καλλιεργειών και την αύξηση της αποδοτικότητας της παραγωγής. Λέξεις κλειδιά: ψηφιακή γεωργία, τεχνητή νοημοσύνη, μηχανική μάθηση, παραγωγικότητα, σιτάρι DIGITAL AGRICULTURE TECHNOLOGIES FOR THE IMPROVEMENT OF WHEAT PRODUCTION N. Magazin1, B. Lalić1, P. Benka1, V. Ćirić1, A. Sedlar1, S. Vujić1, V. Koči2, B. Ćupina1, E. Bitakou3,*, M. Kotzabasaki4, K. Demestichas3,* & T. Bartzanas4 1University of Novi Sad, Faculty of Agriculture, Trg Dositeja Obradovića 8, 21000 Novi Sad, Serbia 2CLIMATE SMART SOLUTIONS, Novi Sad, Serbia 3Agricultural University of Athens, Department of Agricultural Economics and Rural Development, Informatics Laboratory, Iera Odos 75, 11855 Athens, Greece, * [email protected]; [email protected] 4Agricultural University of Athens, Department of Natural Resources Development and Agricultural Engineering, Laboratory of Farm Structures, Iera Odos 75, 11855 Athens, Greece ABSTRACT Wheat is a strategically important crop, with its global production being influenced by environmental and technological factors. Digital agriculture technologies are utilized both to increase productivity and to ensure agricultural production under conditions of intense climate change. This study aims to explore the opportunities and challenges of digital agriculture in the management and monitoring of wheat cultivation. In this context, a systematic literature review was conducted using the PRISMA 2020 methodology. The results revealed that 16% of the studies were reviews, while the remainder were research articles, mainly from China, the United States, and Australia. The most common thematic areas identified in the literature were remote sensing, agricultural sciences, precision agriculture, and machine learning. In total, eighteen different types of sensors were identified, with multispectral sensors being the most widespread. The most common monitoring platforms were satellites, UAVs, and ground-based platforms such as portable devices. Therefore, this study provides a comprehensive overview of recent developments in digital agriculture regarding wheat production. At the same time, it highlights new opportunities for further research and the exploitation of technological capabilities, aiming to improve crop management and increase production efficiency. Keywords: digital agriculture, artificial intelligence, machine learning, productivity, wheat 1. ΕΙΣΑΓΩΓΗ Το σιτάρι (Triticum aestivum L.) αποτελεί μία από τις σημαντικότερες βασικές τροφές σε παγκόσμιο επίπεδο (Ruan et al., 2021), καθώς καλύπτει μεγάλο μέρος των διατροφικών αναγκών του ανθρώπου και καλύπτει σημαντική ποσότητα της απαιτούμενης καθημερινής ενέργειας και θρεπτικών συστατικών. Η ιστορική πορεία της αξιοποίησής του είναι άμεσα συνδεδεμένη με την ανθρώπινη προσπάθεια για έλεγχο της τροφής και αντιμετώπιση της πείνας (Igrejas et. al, 2020). Η εξέλιξη των γεωργικών πρακτικών οδήγησε σε σημαντική αύξηση των αποδόσεων, αναδεικνύοντας το σιτάρι σε στρατηγικό αγροτικό προϊόν και βασικό αγαθό του διεθνούς εμπορίου. Στα τέλη της δεκαετίας του 1990, η ψηφιακή γεωργία ενσωματώθηκε σταδιακά στην αγροτική παραγωγή ως τεχνολογική καινοτομία με στόχο την ενίσχυση της παραγωγικότητας και της κερδοφορίας, μέσω της αξιοποίησης τεχνολογιών πληροφορικής και γεωγραφικών συστημάτων πληροφοριών (Zhou et al., 2023). Η ψηφιοποίηση στη γεωργία αναφέρεται στη χρήση ψηφιακών τεχνολογιών για τη συστηματική παρακολούθηση και συλλογή δεδομένων, με σκοπό τη βελτιστοποίηση των καλλιεργητικών πρακτικών και τη μείωση της κατανάλωσης φυσικών πόρων (π.χ. εδάφους, νερού) και εισροών (π.χ. λιπασμάτων, φυτοφαρμάκων) (Shamshiri et al., 2024). Σήμερα, ο αγροτικός και αγροδιατροφικός τομέας αξιοποιεί τις τεχνολογίες της ψηφιακής γεωργίας, όπως τα Μεγάλα Δεδομένα, το Διαδίκτυο των Πραγμάτων, τη ρομποτική, τους αισθητήρες, την Τεχνητή Νοημοσύνη, τη Mηχανική Mάθηση, τα Ψηφιακά Δίδυμα και την τεχνολογία Blockchain. Οι συγκεκριμένες τεχνολογίες επιτρέπουν τη συλλογή ιστορικών δεδομένων, την παρακολούθηση της τρέχουσας κατάστασης και την πρόβλεψη μελλοντικών εξελίξεων, με σκοπό να λαμβάνονται έγκαιρες και ακριβείς αποφάσεις σε όλα τα επίπεδα της γεωργικής παραγωγής (Wolfert et al., 2017). Η ψηφιακή γεωργία έχει ήδη αρχίσει να εφαρμόζεται ευρέως στην καλλιέργεια σιταριού σε παγκόσμιο επίπεδο, συμβάλλοντας στη βελτιστοποίηση των παραγωγικών διαδικασιών και στην ενίσχυση της αποδοτικότητας. Ωστόσο, εξακολουθεί να αντιμετωπίζει σημαντικές προκλήσεις. Μεταξύ αυτών οι κυριότερες είναι η αυξανόμενη ζήτηση τροφίμων, η υποβάθμιση των φυσικών πόρων (Nasani et al., 2019) - κυρίως του εδάφους - το αυξανόμενο κόστος εργασίας, η ανάγκη μείωσης του ανθρακικού αποτυπώματος, οι επιπτώσεις της κλιματικής αλλαγής (Thayer et al., 2020) και η απαίτηση μείωσης της χρήσης εισροών σε πολλές αγροτικές περιοχές (Langridge et al., 2022). Συνεπώς, η παρούσα μελέτη έχει ως στόχο τη διερεύνηση των δυνατοτήτων και των προκλήσεων της ψηφιακής γεωργίας στη διαχείριση και παρακολούθηση της καλλιέργειας σιταριού, παρουσιάζοντας τα αποτελέσματα συστηματικής βιβλιογραφικής επισκόπησης των τεχνολογιών ψηφιακής γεωργίας για την πρόβλεψη της παραγωγικότητας, καθώς και τον εντοπισμό ερευνητικών κενών και προοπτικών ανάπτυξης. 2. ΜΕΘΟΔΟΛΟΓΙΑ 2.1 Αναζήτηση επιστημονικών άρθρων Η παρούσα συστηματική επισκόπηση ακολουθεί τη μεθοδολογία Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA 2020). Η αναζήτηση της βιβλιογραφίας πραγματοποιήθηκε σε δύο επιστημονικές βάσεις δεδομένων, Scopus και Web of Science, με σκοπό τον εντοπισμό όλων των σχετικών ερευνητικών εργασιών που αφορούν την εφαρμογή ψηφιακών τεχνολογιών στην καλλιέργεια σιταριού. Η αναζήτηση πραγματοποιήθηκε χρησιμοποιώντας λογικούς τελεστές (όπως AND και OR) σε συνδυασμό με λέξεις-κλειδιά που σχετίζονται με το αντικείμενο της μελέτης. Συγκεκριμένα, χρησιμοποιήθηκαν συνδυασμοί όρων που περιλάμβαναν τεχνολογίες όπως UAV, UAS, Drone, και άλλες σχετικές έννοιες (π.χ. κάμερες πολυφασματικές και υπερφασματικές, ανάλυση εικόνας), καθώς και όρους που αφορούν την τεχνητή νοημοσύνη, μηχανική μάθηση και τις εφαρμογές τους στη γεωργία, όπως η ανίχνευση ασθενειών, ζιζανίων, παρασίτων, και η πρόβλεψη απόδοσης στις καλλιέργειες σιταριού. 2.2 Επιλογή αποτελεσμάτων Η αναζήτηση περιορίστηκε σε ερευνητικά άρθρα σε περιοδικά στην αγγλική γλώσσα, τα οποία δημοσιεύθηκαν από τον Ιανουάριο του 2015 έως και τον Απρίλιο του 2025. Συνολικά, εντοπίστηκαν 392 άρθρα (Scopus: 170 και Web of Science: 222). Από αυτά, αφαιρέθηκαν οι διπλότυπες δημοσιεύσεις (125 άρθρα). Στη συνέχεια, πραγματοποιήθηκε έλεγχος συνάφειας με βάση τον τίτλο, την περίληψη και τις λέξεις-κλειδιά, με αποτέλεσμα τον αποκλεισμό 154 άρθρων. Τελικά, ο αριθμός των άρθρων περιορίστηκε σε 113, τα οποία στη συνέχεια μελετήθηκαν στο σύνολό τους. 3. ΑΠΟΤΕΛΕΣΜΑΤΑ Όσον αφορά το αντικείμενο των άρθρων, 18 αφορούν βιβλιογραφικές επισκοπήσεις και τα υπόλοιπα 95 ερευνητικές εργασίες. Από αυτές, οι περισσότερες από τις μισές διαθέτουν τα δεδομένα που έχουν συλλεχθεί μετά από αίτημα στον συγγραφέα. Σχετικά με τη γεωγραφική κάλυψη, η πλειονότητα αφορά στην Κίνα (28 άρθρα), ακολουθούμενη από τις ΗΠΑ (17 άρθρα) και την Αυστραλία (9 άρθρα). Διαπιστώθηκε ότι οι χώρες με το μεγαλύτερο ενδιαφέρον για την εφαρμογή ψηφιακών τεχνολογιών στη γεωργία είναι αυτές με μεγάλη έκταση καλλιεργειών σιταριού και υψηλή ερευνητική δραστηριότητα. Επιπλέον, οι πιο συχνές θεματικές περιοχές που εντοπίστηκαν στη βιβλιογραφία αφορούσαν στην τηλεπισκόπηση, τις γεωργικές επιστήμες, τη γεωργία ακριβείας και τη μηχανική μάθηση - συμπεριλαμβανομένης της βαθιάς μάθησης. Όσον αφορά τους χρησιμοποιούμενους αισθητήρες περιλαμβάνονται 18 διαφορετικοί τύποι, με τους πολυφασματικούς να είναι οι πιο διαδεδομένοι. Οι επικρατέστερες πλατφόρμες αισθητήρων για την παρακολούθηση καλλιεργιών σίτου είναι οι δορυφόροι, ακολουθούμενοι από τα μη επανδρωμένα αεροσκάφη και τις επίγειες πλατφόρμες (π.χ. φορητές συσκευές και οχήματα). 4. ΣΥΜΠΕΡΑΣΜΑΤΑ Οι ψηφιακές τεχνολογίες στη γεωργία έχουν μετασχηματίσει σημαντικά τη χρήση γης και πόρων, καθώς και τις καλλιεργητικές πρακτικές σε παγκόσμια κλίμακα (Balasundram et al., 2023). Μετά το 2020, παρατηρήθηκε έντονη αύξηση του πλήθους των επιστημονικών άρθρων αναφορικά με την ψηφιοποίηση στα αγροδιατροφικά συστήματα (Hassoun et al., 2023), ενώ η περίοδος της πανδημίας του COVID-19 δημιούργησε νέες συνθήκες που επιτάχυναν τη χρήση ψηφιακών τεχνολογιών (Sridhar et al., 2023). Σε αυτό το πλαίσιο, οι ψηφιακές τεχνολογίες προσφέρουν καινοτομίες με μεγάλη προοπτική για τη μελλοντική παραγωγή τροφίμων. Ένα σημαντικό πλεονέκτημά τους είναι η δυνατότητα παρακολούθησης μικροκλιματικών συνθηκών που επηρεάζουν άμεσα την παραγωγή σε συγκεκριμένες περιοχές (Morisse et al., 2022). Με βάση την παρούσα βιβλιογραφική επισκόπηση, η ψηφιακή γεωργία ήδη εφαρμόζεται στην καλλιέργεια του σιταριού σε διάφορες χώρες παγκοσμίως. Ειδικότερα, η μηχανική μάθηση αναδεικνύεται ως μια πολλά υποσχόμενη και ευρέως διαδεδομένη, η οποία βρίσκει εφαρμογή σε διάφορες πτυχές της παραγωγής, όπως η διαχείριση νερού και εδάφους, η ανίχνευση ασθενειών και ζιζανίων και η πρόβλεψη αποδόσεων και βροχοπτώσεων (Gawdiya et al., 2024; Abbasi et al., 2022). Αναμένεται ότι στο προσεχές μέλλον το αυξανόμενο ερευνητικό ενδιαφέρον και η ραγδαία εξέλιξη των τεχνολογιών θα αναδείξουν νέες προοπτικές για βιώσιμη και αποδοτική καλλιέργεια σιταριού. 5. ΒΙΒΛΙΟΓΡΑΦΙΑ Abbasi, R., Martinez, P., & Ahmad, R. (2022). The digitization of agricultural industry–a systematic literature review on agriculture 4.0. Smart Agricultural Technology, 2, 100042. Balasundram, S. K., Shamshiri, R. R., Sridhara, S., & Rizan, N. (2023). The role of digital agriculture in mitigating climate change and ensuring food security: an overview. Sustainability, 15(6), 5325. Gawdiya, S., Kumar, D., Ahmed, B., Sharma, R. K., Das, P., Choudhary, M., & Mattar, M. A. (2024). Field scale wheat yield prediction using ensemble machine learning techniques. Smart Agricultural Technology, 9, 100543. Hassoun, A., Marvin, H. J., Bouzembrak, Y., Barba, F. J., Castagnini, J. M., Pallarés, N., Rabail, R., Aadil, R. M., Bangar, S. P., Bhat, R., Cropotova, J., Masqood, S., Regenstein, J. M. (2023). Digital transformation in the agri-food industry: Recent applications and the role of the COVID-19 pandemic. Frontiers in Sustainable Food Systems, 7, 1217813. Igrejas, G., Ikeda, T. M., & Guzmán, C. (Eds.). (2020). Wheat quality for improving processing and human health (pp. 1-7). Berlin/Heidelberg, Germany: Springer. Langridge, P., Alaux, M., Almeida, N. F., Ammar, K., Baum, M., Bekkaoui, F., ... & Zhang, X. (2022). Meeting the challenges facing wheat production: The strategic research agenda of the Global Wheat Initiative. Agronomy, 12(11), 2767. Morisse, M., Wells, D. M., Millet, E. J., Lillemo, M., Fahrner, S., Cellini, F., ... & Janni, M. (2022). A European perspective on opportunities and demands for field-based crop phenotyping. Field Crops Research, 276, 108371. Nassani, A. A., Awan, U., Zaman, K., Hyder, S., Aldakhil, A. M., & Abro, M. M. Q. (2019). Management of natural resources and material pricing: Global evidence. Resources Policy, 64, 101500. Ruan, S., Wang, L., Li, Y., Li, P., Ren, Y., Gao, R., & Ma, H. (2021). Staple food and health: a comparative study of physiology and gut microbiota of mice fed with potato and traditional staple foods (corn, wheat and rice). Food & Function, 12(3), 1232-1240. Shamshiri, R. R., Sturm, B., Weltzien, C., Fulton, J., Khosla, R., Schirrmann, M., ... & Hameed, I. A. (2024). Digitalization of agriculture for sustainable crop production: a use-case review. Frontiers in Environmental Science, 12, 1375193. Sridhar, A., Balakrishnan, A., Jacob, M. M., Sillanpää, M., & Dayanandan, N. (2023). Global impact of COVID-19 on agriculture: role of sustainable agriculture and digital farming. Environmental Science and Pollution Research, 30(15), 42509-42525. Thayer, A. W., Vargas, A., Castellanos, A. A., Lafon, C. W., McCarl, B. A., Roelke, D. L., Winemiller, K. & Lacher, T. E. (2020). Integrating agriculture and ecosystems to find suitable adaptations to climate change. Climate, 8(1), 10. Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M. J. (2017). Big data in smart farming–a review. Agricultural systems, 153, 69-80. Zhou, X., Chen, T., & Zhang, B. (2023). Research on the impact of digital agriculture development on agricultural green total factor productivity. Land, 12(1), 195. Ευχαριστίες: Η παρούσα δημοσίευση αποτελεί μέρος του έργου TALLHEDA, το οποίο έχει χρηματοδοτηθεί από το πρόγραμμα έρευνας και καινοτομίας Horizon Europe 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.