Big data e intelligenza artificiale

L’Università di Bologna in collaborazione con Edagricole ha organizzato un webinar il 5 dicembre 2022 intitolato “Big data e intelligenza artificiale per migliorare benessere animale, sostenibilità e produttività negli allevamenti di bovini da latte”.
Webinar durante il quale è stato presentato un progetto innovativo relativo appunto all'applicazione dei big data e dell’intelligenza artificiale nelle stalle da latte. Durante il webinar è stata presentata la piattaforma DairySust, dall’omonimo progetto europeo EIT Food DairySust, il cui capofila è stata l’Università di Bologna. Obiettivo di progetto e piattaforma permettere agli allevatori di perseguire gli obiettivi di benessere animale, sostenibilità e produttività.
Il webinar è stato moderato da Giorgio Setti, caporedattore dell’Informatore Zootecnico, mentre i relatori che hanno illustrato questo progetto sono stati:

• L’ingegner Marco Bovo, ricercatore di Ingegneria agraria presso il dipartimento Distal (Dipartimento di Scienze e Tecnologie Agroalimentari) dell’Università di Bologna;
• Il professor Stefano Benni, professore associato di Ingegneria agraria presso lo stesso dipartimento;
• l terzo relatore è l’ingegner Andrea Fumanti, esponente dell’azienda Agricolus srl di Perugia, un’azienda specializzata nell’agricoltura di precisione che offre ad agricoltori e allevatori un software in grado di perseguire l’obiettivo di agricoltura di precisione ampliatosi al settore zootecnico.

Le cinque relazioni

Cliccando su questi cinque link si possono consultare le relazioni del webinar:
1a relazione, Bovo1 - Il progetto europeo EIT Food DairySust
2a relazione, Benni1 - I big data negli allevamenti di bovine da latte
3a relazione, Bovo2 - Modelli numerici per lo stress da caldo
4a relazione, Benni2 - Algoritmi per l'automazione dell'impiantistica
5a relazione, Fumanti - La piattaforma informatica DairySust
Per chi volesse approfondire, ecco un altro link:
https://www.eitfood.eu/projects/big-data-and-advanced-analytics-for-sustainable-management-of-the-dairy-cattle-sector

Il progetto europeo EIT Food DairySust

Il Progetto europeo “Big data and advanced analytics for sustainable management of the dairy cattle sector (DairySust)” è finanziato da EIT Food (2021-2022) e nello specifico ha lo scopo di migliorare la sostenibilità, il benessere degli animali e l'efficienza produttiva nel comparto bovine da latte.
L’ingegner Bovo spiega che il suo gruppo di ricerca è partito dall’idea e dall’aspetto di fondo che i consumatori sono sempre più sensibili alle questioni ambientali e al benessere degli animali e richiedono prodotti alimentari di qualità sempre più alta. Dall’altra parte negli anni la tecnologia è entrata preponderante negli allevamenti, molti sensori sono stati installati, tante aziende si appoggiano a realtà digitali in cui i sensori aiutano e guidano le scelte dell’allevatore quindi è necessario cercare di sfruttare questa mole di dati provenienti da innumerevoli sensori, sensoristica e apparati. Molti allevamenti già li utilizzano per monitorare la salute dell’animale, le prestazioni, monitorare le condizioni ambientali. Quindi l’idea è quella di raccogliere questa serie di informazioni e provare a usarle in maniera più efficiente di quanto è stato finora.
Il Team di progetto vede coinvolte due università, ovvero l’università di Bologna e l’università di Leuven in Belgio, l’azienda Agricolus e due aziende fiamminghe (Flanders’ Food e Innovatiesteunpunt) che si sono occupate principalmente della diffusione dei risultati ottenuti.
Il progetto unisce quindi le competenze di importanti team accademici nei settori dell'allevamento di precisione e dell'analisi dei dati dei biosistemi, una start-up nascente che fornisce soluzioni digitali per l'agricoltura intelligente e società che supportano l'innovazione e la partecipazione di stakeholders e parti interessate. DairySust si basa su un approccio altamente interdisciplinare che include informatica, analisi dei big data, zootecnia e ingegneria dei biosistemi.
Quindi l’ obiettivo generale del progetto è incrementare la sostenibilità, il benessere animale e la produttività negli allevamenti di bovini da latte attraverso sistemi innovativi di analisi dati; mentre gli obiettivi specifici sono l’acquisizione ed integrazione di dati da diverse sorgenti di acquisizione (sistemi di mungitura, sensori di attività, reti di monitoraggio di parametri ambientali) e lo sviluppo di una piattaforma software data-driven, ovvero guidata dai dati, come strumento di supporto alle decisioni.
I moduli che sono attualmente funzionanti all’interno del software si occupano nello specifico di gestione stress da caldo, fertilità dell’animale e qualità del latte. A questi si aggiunge un ulteriore modulo che è legato alla gestione e automazione dei sistemi in stalla che è in fase di conclusione.

I big data negli allevamenti di bovine da latte

Lo stress da caldo (Heat Stress) negli allevamenti di bovini da latte è uno dei problemi più critici che possono mettere a rischio il benessere e la produzione degli animali. L’aumento della disponibilità di database di parametri ambientali e dati specifici per vacca su comportamento e produzione sono sicuramente funzionali per individuare la soluzione progettuale più efficiente per stalle e sistemi per il controllo del clima interno, con l'obiettivo di massimizzare la produzione di latte e il benessere degli animali in relazione ai costi di costruzione e alle spese di gestione dell'edificio.
Il parametro spesso utilizzato per la valutazione di stress da caldo è il THI, indice termico metrico, che dà una scala di pericolosità di condizioni ambientali interne tra cui la concertazione di gas o condizioni legate alla velocità dell’aria che possono mitigare o peggiorare queste problematiche.
Il valore di THI può influenzare notevolmente il comportamento delle vacche, il benessere degli animali e la produzione di latte. Chiaramente all’aumentare del THI aumenta lo stress da caldo con diminuzione della produttività.
Il professor Benni spiega che un altro aspetto che l’analisi dei dati consente di capire è quanto tempo passa tra l’insorgere di una condizione critica in termini di THI e una risposta in termini di calo di produzione; questo è possibile farlo con analisi di correlazioni che tengono conto degli effetti interni di variazione, non solo dei semplici valori assoluti, e si può vedere come in aziende diverse si possono riscontrare risultati diversi perché la genetica ha sicuramente un ruolo importante ma lo hanno anche le condizioni ambientali, l’alimentazione, le politiche di gestione dell’allevatore.
È possibile fare ulteriori analisi in maniera più specifica nell’ottica della zootecnia di precisione che si propone l’obiettivo di studiare quello che succede al singolo animale perché ogni animale ha una risposta diversa alle condizioni ambientali, ha una genetica diversa, ha una storia diversa. Quindi un altro studio di cui si è occupato il gruppo del professor Benni è stato quello di andare a cercare un modello parametrato in maniera individualizzata sui singoli animali. Questo studio si è basato sull’analisi di dati di produzione e ha preso come punto di base una curva di lattazione standard della mandria elaborata sulla base di dati storici grazie ai sistemi elettronici di mungitura che consentono di memorizzare tali dati.
Gli animali hanno esibito comportamenti diversi e sono stati classificati in tre categorie, quelli con una elevata suscettibilità da stress da caldo, altri con una suscettibilità moderata e altri con una bassa suscettibilità perché all’aumentare del THI non c’è un calo di produzione evidente. I tre gruppi di animali hanno poi mostrato chiaramente una diversa resa in termini di latte prodotto rispetto alla produzione attesa. Gli animali con una scarsa suscettibilità da stress da caldo hanno una resa reale simile a quella attesa, quelli con una moderata suscettibilità hanno una produzione reale minore rispetto a quella attesa mentre gli animali con una elevata suscettibilità mostrano solo il 76% della produzione rispetto a quella attesa.
Sulla base di questi studi quindi è stato sviluppato un approccio matematico all'analisi dei dati delle aziende lattiero-casearie.
Lo studio è stato applicato e testato in due allevamenti con dimensioni della mandria e sistemi di mungitura diversi e si è rivelato affidabile entro un intervallo di variabilità accettabile predefinito.
I modelli numerici derivanti dagli studi possono essere tradotti in algoritmi che possono fornire delle indicazioni utili agli allevatori e di analisi della situazione presente. Ma ciò su cui il gruppo ha voluto concentrare l’attenzione nello sviluppo del progetto DairySust è quello di cercare di fornire informazioni preventive e predittive all’allevatore in modo che possa agire per evitare che si verifichino condizioni di disagio degli animali con conseguenza della riduzione della produzione.

Modelli numerici per lo stress da caldo

“Uno degli aspetti che abbiamo cercato di sviluppare e introdurre all’interno della piattaforma DairySust”, afferma l’ingegner Bovo, “è la previsione mediante dati numerici dell’effetto dello stress da caldo”. L’idea di fondo è stata quella di appoggiare la filosofia di machine learning (apprendimento automatico) con l’obiettivo di lasciare ai dati la capacità di fornire previsioni sfruttando il potere informativo “nascosto” che è all’interno dei dati.
La metodologia che è stata applicata ha previsto una serie di fasi.
Innanzitutto avviene la raccolta dati; questi sono dati provenienti dai robot presenti in stalla, dalla sala mungitura, dati ambientali provenienti da centraline meteo e strumentazioni presenti in allevamento. Quindi i dati utilizzati che poi vengono confluiti nell’algoritmo per la previsione dello stress da caldo sono dati di produzione, attività e comportamento degli animali e dati ambientali, nello specifico temperatura e umidità relativa.
Dopo aver raccolto i dati avviene il processo dell’integrazione in un unico database di questi dati eterogenei che vengono poi puliti rimuovendo anomalie in modo da poter formare un database integro e omogeneo che viene analizzato da statistica avanzata e algoritmi di machine learning. Da questo vengono estratte previsioni ovvero la previsione di produzione di latte e la modellazione di questa, il riconoscimento di quelli che sono gli animali che stanno manifestando caratteri tipici della sofferenza da stress da caldo e le implementazioni di impiantistica presenti in stalla per migliorare il benessere degli animali come i sistemi di raffrescamento e ventilazione.
La potenzialità di questi algoritmi è quello di arrivare alla previsione della produzione di latte data dalla carriera dei dati del singolo animale; ovviamente le produzioni stimate hanno accuratezza decrescente man mano che ci si allontana dal giorno zero. È possibile fare buone previsioni a uno o due giorni avanti ma man mano le previsioni diventeranno decrescenti a causa delle forti incertezze di quelli che sono gli scenari di THI all’interno della stalla perché per fare previsioni in avanti sulla produzione di latte è necessario avere anche previsioni su quelli che saranno i dati metereologici.
Un altro obiettivo del modulo Heat Stress si basa su tre parametri inseriti all’interno del modulo stesso ovvero all’accensione dei tre indicatori significa che l’animale con buone probabilità sta entrando in uno stress da caldo. Questi sono: calo di produzione, riduzione del tempo di riposo della singola bovina e un THI > 72 in stalla.
I modelli si sono dimostrati molto robusti e affidabili nella previsione e riconoscimento anche di questa problematica.

Algoritmi per l’automazione impiantistica della stalla

Il professor Benni spiega che l’automazione impiantistica della stalla può essere attuata con molteplici modalità. Nelle stalle esistono diversi impianti che possono essere automatizzati ma lo studio si è concentrato nell’impianto di ventilazione meccanica che ad oggi è presente quasi in tutte le stalle e che ha un effetto diretto sulla riduzione dello stress da caldo quindi il modello di automazione prende come imput i risultati del precedente modello del Heat Stress e fornisce come output delle indicazioni sul controllo dell’impianto di ventilazione meccanica.
La ventilazione meccanica è necessaria per evitare un aumento della temperatura interna rispetto a quella esterna da 1°C a 2°C all'interno della stalla, consente di distribuire in modo opportuno le condizioni ambientali interne evitando concentrazioni di umidità e temperature elevate in determinate zone, consente di mantenere una adeguata qualità dell’aria attraverso ricambi d’aria mantenendo i gas nocivi entro limiti accettabili.
Partendo dal presupposto che le stalle siano opportunamente equipaggiate con un sistema di ventilazione meccanica opportuno l’output del modulo Heat Stress può essere usato per attivare il sistema di ventilazione meccanica nella stalla. Ci sono diverse modalità, il gruppo del professor Benni ha deciso di partire prendendo in esame un impianto di ventilazione che possa essere attivato con tre livelli di potenza e che i livelli dipendano dal livello THI registrato nella stalla.
A questo punto vengono aggiunti dei criteri di attivazione che vadano oltre all’indice THI, per fare ciò vengono usati altri parametri; uno molto importante è l’output dell’heat stress che consente di identificare se l’animale è in condizione di stress da caldo o meno in base a quello detto sopra dall’ ingegner Bovo.
Un altro parametro è la previsione del THI anche orario che come output segue l’attivazione degli impianti prima che si verifichino le condizioni ambientali critiche. L'algoritmo può fornire ulteriore supporto nell'automazione del sistema se alimentato anche dalle previsioni meteorologiche per fornire l'attivazione anticipata del controllo ambientale.
Quindi la capacità del modulo di automazione consente di integrare il modulo di stress termico precedentemente ottenuto e di fornire l'automazione dei dispositivi elettronici della stalla al fine di ottimizzare il microclima interno, migliorare la qualità del latte e migliorare la gestione e l'alimentazione delle vacche.

Agricolus

L’innovativo progetto DairySust viene integrato in Agricolus, un’azienda di agricoltura di precisione nata a Perugia nel 2017, la cui mission è fornire un completo sistema di supporto alle decisioni per supportare l’agricoltore nella decisione dell’azienda. Il focus aziendale è proprio l’agricoltura di precisione e la zootecnia. L’ingegnere Andrea Fumanti è il project manager dell’azienda e ha collaborato con l’Università di Bologna in questo progetto.
Il team di Agricolus è un team multidisciplinare che permette di sviluppare varie tecnologie internamente all’azienda, tecnologie che vanno poi a implementare la piattaforma in modo da offrire una piattaforma web completa di tutti gli strumenti per la gestione efficiente e innovativa dell'azienda agricola.
Il punto di partenza per qualsiasi lavorazione è l’inserimento, all’interno della piattaforma, degli appezzamenti dell’azienda che vengono inseriti attraverso i caricamenti di file o il disegno in mappa. Dal giorno zero della mappatura del campo vengono recuperate informazioni da immagini satellitari dipendenti dalla costellazione Sentinel2 che fornisce immagini multispettrali con indici di vigoria, clorofilla e stress idrico che vengono utilizzati per monitorare da remoto la salute delle colture in campo.
Essendo gli allevatori e agricoltori prevalentemente in campo è stata sviluppata una App mobile “Agricolus Farmer” con condivisione in tempo reale di eventuali danni alle colture, rilevamento di parassiti e malattie, osservazione dello stadio fenologico. Utilizzare lo smartphone aggiunge il vantaggio di geolocalizzare le informazioni.
Agricolus internamente ha sviluppato anche modelli previsionali per fenologia, stress idrico, fertilizzazione, per la difesa da infestazioni. Ovviamente questi modelli tengono in considerazione tutto quello che è stato registrato in Agricolus quindi le osservazioni in campo servono anche per validare e correggere i modelli; “è importante”, ribadisce l’ingegnere Fumanti “che questi modelli vanno considerati di supporto e non di sostituzione di una decisione di chi poi vede la coltura direttamente in campo”. Agricolus quindi supporta gli agricoltori nel prendere decisioni e nell’ottimizzare le risorse e i costi aziendali.

Il progetto DairySust nella piattaforma Agricolus

DairySust è un progetto cofinanziato da EIT Food realizzato in partnership con l’università di Bologna, Agricolus, l’università KU Leuven e altre aziende basate prevalentemente nel nord del Belgio.
DairySust è stato sviluppato come modulo indipendente integrato nella piattaforma Agricolus. Dalla università di Bologna è stato implementato il modello Heat Stress per la stima dello stress da caldo e il modello Automation Barn che è in lavorazione per la gestione automatica della stalla. Mentre dall’università di Leuven è stato integrato il modello Milk Quality che sfrutta la conducibilità elettrica per la valutazione della salute al livello del quarto della mammella e il Modello Fertility che stima lo stato fertile della bovina e aiuta la gestione riproduttiva dell’animale.
I dati vengono generati dai robot di mungitura che vengono recuperati e inseriti nel database, poi vengono forniti ai modelli matematici che li processano e restituiscono output. Alcuni modelli come Heat Stress ha bisogno anche di dati meteo. Questi modelli vengono poi restituiti alla piattaforma e ovviamente salvati nuovamente nel database di Agricolus.
La piattaforma si presenta come uno schema gerarchico quindi esiste la panoramica che permette di valutare la situazione corrente nella stalla per ogni modello, utilizzando una visualizzazione a semaforo per la valutazione rapida delle criticità. Ci sono tre sotto pagine dedicate ai tre modelli sviluppati Heat stress, Milk Quality e Fertility.
Per il modello Heat Stress ad esempio la pagina relativa nella piattaforma Agricolus mostra:
- Stress da caldo percepito nei passati 5 giorni
- Predizione per il giorno successivo per quanto riguarda THI e produzione di latte
- Dettagli sull’ultima mungitura
- Dati storici che legano produzione di latte e THI
- Dettagli aggiuntivi sull’animale.
L’ingegnere Fumanti afferma che “Agricolus ha dato gambe e concretezza ai modelli matematici visti prima che altrimenti sarebbe stato difficile renderli disponibili al grande pubblico, al mercato, all’allevatore”.

Sintesi dei risultati conseguiti

In questo progetto è stato quindi possibili mettere in pratica una sinergia tra diverse università a livello internazionale e nello spirito di EIT (Istituto Europeo per l’innovazione e la Tecnologia) si è creata una sinergia tra il mondo della ricerca e il mondo della produzione coinvolgendo gli attori del settore lattiero caseario e coinvolgendo Agricolus che ha consentito di tradurre in un prodotto, che verrà reso disponibile agli allevatori sul mercato, le elaborazioni numeriche e teoriche svolte durante il progetto.
È stato possibile elaborare modelli innovativi che sono basati su anni di ricerche e questi modelli numerici sono stati tradotti in algoritmi con l’obiettivo di tradurli in software disponibili in piattaforma e resi disponibili sul mercato perché l’obiettivo finale del progetto è proprio quello di approdare sul mercato e renderlo disponibile con la possibilità di arricchire questo software con ad esempio l’aggiunta di nuovi sensori o lo sviluppo di migliori e più standardizzati database che potranno essere messi a disposizione da altre realtà che operano nel mondo della zootecnia di precisione.
Il tema dell’integrazione dei dati e dei big data è stata forse la sfida più faticosa di questo progetto anche se poi il risultato di maggior rilievo è lo sviluppo degli algoritmi che hanno consentito di arrivare alla definizione di un software.
Il professor Benni ribadisce che “il modello DairySust non è pensato come una piattaforma a sé stante ma può essere integrato con altri sistemi elettronici presenti nelle stalle qualora si trovasse la modalità di dialogare in modo sinergico con altre ditte che controllano questi sistemi in modo da mettere a sistema i propri dati e competenze per l’obiettivo comune del miglioramento delle condizioni in stalla”.