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, * [email protected]; [email protected] 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. Bitakou1,*, M. Kotzabasaki2, K. Nychas3, V. Psiroukis3, K. Demestichas1,* & T. Bartzanas2 1Agricultural University of Athens, Department of Agricultural Economics and Rural Development, Informatics Laboratory, Iera Odos 75, 11855 Athens, Greece, * [email protected]; [email protected] 2Agricultural University of Athens, Department of Natural Resources Development and Agricultural Engineering, Laboratory of Farm Structures, Iera Odos 75, 11855 Athens, Greece 3Agricultural University of Athens, Department of Natural Resources Development and Agricultural Engineering, Laboratory of Farm Machine Systems, Iera Odos 75, 11855 Athens, Greece ABSTRACT The continuous growth of the global population and the growing pressures on natural resources highlight the need for more efficient and sustainable practices in agriculture. Modern technologies, such as artificial intelligence, machine learning, and autonomous systems, are shaping the future of digital agriculture, providing tools for better monitoring, forecasting, and management of crops. Strawberry cultivation, due to its sensitivity to diseases and high commercial value, presents an ideal case for the application of these innovations. Through a systematic review of the international literature, the adoption of artificial intelligence technologies with a focus on productivity forecasting for strawberry cultivation was examined. The results show increasing interest in recent years, with widespread use of sensors such as RGB cameras, hyperspectral cameras, and soil sensors, while machine learning and image processing methods dominate the data analysis. Therefore, this study highlights significant opportunities for further research and technological development, aiming to enhance the sustainability and efficiency of strawberry agricultural production. Keywords: digital agriculture, precision agriculture, artificial intelligence, machine learning, productivity, strawberry 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 (Bongiovanni & Lowenberg-DeBoer, 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 et al., 2002). Η καλλιέργεια της φράουλας (Fragaria × 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 et 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 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Η αναζήτηση 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 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, drone, 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 (Elhariri et 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 (Debnath et 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 et 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 Bongiovanni, R., & Lowenberg-DeBoer, J. (2004). Precision agriculture and sustainability. Precision Agriculture, 5, 359– 387. https://doi.org/10.1023/B:PRAG.0000040806.39604.aa Chen, Y., Lee, W. S., Gan, H., Peres, N., Fraisse, C., Zhang, Y., & He, Y. (2019). Strawberry yield prediction based on a deep neural network using high-resolution aerial orthoimages. Remote Sensing, 11(13), 1584. Debnath, B., Mghames, S., Mandil, W., Parsa, S., Parsons, S., & Ghalamzan-E, A. (2023). Towards Autonomous Selective Harvesting: A Review of Robot Perception, Robot Design, Motion Planning and Control. arXiv preprint arXiv:2304.09617. Elhariri, E., El-Bendary, N., & Saleh, S. M. (2023). Strawberry-DS: Dataset of annotated strawberry fruits images with various developmental stages. Data in Brief, 48, 109165. Lawal, O. M. (2024). Study on strawberry fruit detection using lightweight algorithm. Multimedia Tools and Applications, 83(3), 8281-8293. Liu, H., Wang, X., Zhao, F., Yu, F., Lin, P., Gan, Y., ... & Tu, J. (2024). Upgrading swin-B transformer-based model for accurately identifying ripe strawberries by coupling taskaligned one-stage object detection mechanism. Computers and Electronics in Agriculture, 218, 108674. Zhang, N., Wang, M., & Wang, N. (2002). Precision agriculture—A worldwide overview. Computers and Electronics in Agriculture, 36, 113– 132. https://doi.org/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 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.