A modern kertészeti termelés egyre inkább a precíziós adatgyűjtésre támaszkodik, miközben a szakemberhiány és a költségek növekedése felértékeli a megbízható szenzorok szerepét.
Az üvegházi kertészetben alkalmazott érzékelők látványos fejlődést mutattak az utóbbi években, ugyanakkor továbbra is komoly kihívást jelent a mérési protokollok egységesítése és az akalmazott eszközök tartóssága. A termelők egyre több olyan eszközt igényelnek, amely nemcsak pontos, hanem a mindennapi üzemeltetésben is ellenálló és könnyen kezelhető. Számos fontos növényélettani paraméter ma még nem mérhető kellő pontossággal, ami korlátozza az adatvezérelt termesztés lehetőségeit. A szakmai tudás és a tapasztalt termesztésirányítók száma csökken, miközben az energia, a munkaerő és a technológiai beruházások költségei folyamatosan emelkednek. Mindez szükségessé teszi a termelési tényezők hatékonyabb kihasználását, amelynek alapja a megbízható szenzoros adatgyűjtés. Kiemelt jelentőségű a növények stresszállapotának korai felismerése, hiszen a tünetek megjelenése előtti beavatkozás csökkentheti a terméskiesést és javíthatja a minőséget. A jelenlegi eszközpark azonban még nem képes minden szükséges adatot megfelelő pontossággal szolgáltatni: sok szenzor túlságosan érzékeny, vagy a kertészeti környezetben még nem elég üzembiztos.
A GreenSense elnevezésű, három évre tervezett időtartamú flamand-holland Interreg kutatási program célja, hogy nyolc új szenzor fejlesztésével és validálásával olyan rendszert hozzon létre, amelyben az érzékelők egymást kiegészítve támogatják a termesztési döntéseket. Emellett több általános célú szenzorhoz készülnek speciális mérési protokollok, hogy azok üvegházi alkalmazásra alkalmasak legyenek. A vizsgálatok elsődlegesen paradicsom kultúrában zajlanak, de a fejlesztések később más növényekre is átültethetők.
A szenzorok gyakorlati használatának egyik nehézsége, hogy sok eszközt a növény felsőbb részein kell rögzíteni, ahol a munkavégzés és a mérések zavarhatják egymást. A növények növekedése miatt gyakran szükséges az érzékelők áthelyezése, ami a levélminőségre is kedvezőtlen hatással lehet. Előfordul, hogy a szenzorok a kacsolás vagy a növényápolási munkák során véletlenül eltávolításra kerülnek. Számos érzékelő önmagában pontos mérésre képes, ám hiányoznak azok az egységes protokollok, amelyekkel a kertészeti alkalmazásokhoz szükséges, összehasonlítható adatok gyűjthetők. A GreenSense például kameraképek alapján szeretné meghatározni a növényfej vastagságát, elsőként uborkán, majd más kultúrákon. A mérésnél figyelembe kell venni, hogy a szár keresztmetszete nem mindig kör alakú, ezért több irányból szükséges adatfelvétel. A kutatók a fényelnyelés mérésére is protokollt dolgoznak ki, ehhez Licor fényérzékelőket alkalmaznak.
A fejlesztések mellett nagy hangsúlyt kap a szenzorok üvegházi körülmények közötti tesztelése. A változó hőmérséklet, páratartalom és a folyamatos növényápolási munkák jóval nagyobb terhelést jelentenek, mint a laboratóriumi környezet. A valós körülmények között gyűjtött adatok mintázatai eltérhetnek a kontrollált környezetű tesztszobák eredményeitől, ezért a validálás elengedhetetlen. Ha az érzékelők megfelelően működnek, a kutatók szándékosan idéznek elő stresszhatásokat – például csepegtetők eltávolításával vagy gombafertőzés bevezetésével –, hogy megvizsgálják, mennyire képesek a szenzorok megkülönböztetni az egyes stresszformákat. A cél egy olyan integrált rendszer kialakítása, amelyben az érzékelők egymást kiegészítve támogatják a termesztésirányítást. A teljesen autonóm üvegházi termesztés megvalósítása nem része ugyan a projektnek, de a kutatók útitervet készítenek a jövőbeni fejlesztésekhez.
A fejlesztés alatt álló eszközök között szerepel egy olyan mozgásérzékelő, amely a levelek pozícióváltozását követi. A levelek napközben folyamatosan mozognak, dőlnek, elfordulnak, és a normál mintázattól való eltérés stresszre utalhat. A cél annak bizonyítása, hogy a levélmozgás alapján megbízható stresszindikátor állítható elő. Egy másik új eszköz a levélszerkezetet vizsgáló lézerszenzor, amely a sejtek közötti légüregek miatt szóródó fényt elemzi. A visszaverődési mintázat információt ad a levél struktúrájáról, amely összekapcsolható a termesztési körülményekkel. A kutatók olyan változatot fejlesztenek, amely nemcsak pontszerűen, hanem nagyobb felületen is képes adatot gyűjteni.
A lézertechnológia egy további alkalmazása a szárra irányított fény, amelyből a nedvkeringés sebessége becsülhető. A jelenlegi hőalapú nedváramlásmérők érzékenyek a környezeti hőhatásokra, ezért vastag szigetelést igényelnek, ami megnehezíti a gyakorlati használatot. A kutatók olyan megoldást keresnek, amely robusztusabb és könnyebben kezelhető.
A Field RF szenzor gyorsan változó elektromágneses teret hoz létre, amelyre a vízmolekulák is reagálnak. A mért vízmennyiség és a növény párologtatási aktivitása között várhatóan jól értelmezhető kapcsolat mutatható ki. A jelenlegi, mérlegekre épülő párologtatásmérés érzékeny és inkább kutatóintézeti környezetben használható, ezért a termelők számára egyszerűbb megoldásra van szükség.
A betegségek korai felismerésére egy olyan spóraszenzor készül, amely a levegőben lévő gombaspórák mennyiségét méri. A receptorlemez fajspecifikus mélyedéseket tartalmaz, amelyekbe a spórák beülhetnek. A lemez alulról történő fűtése alapján mérhető, mennyi hő jut át rajta, ami a spórák mennyiségére utal. A fejlesztés elsőként Botrytis és lisztharmat felismerésére fókuszál.
A kutatók a már elérhető szenzorokkal szerzett tapasztalatokat is megosztották. A Vivent érzékelők a növény felső és alsó részébe szúrt elektródák közötti potenciálkülönbséget mérik, amely az iontranszport változásai miatt változhat. A jelmintázatok összekapcsolhatók bizonyos stresszhatásokkal vagy hiánytünetekkel. A trendek különösen értékes információt adnak, míg az abszolút értékek önmagukban félrevezetők lehetnek, mert a növény idővel alkalmazkodhat a körülményekhez. A fényösszetétel összehasonlításánál például kiderült, hogy bizonyos spektrumok mellett a növény aktivitása hosszabb távon kiegyensúlyozottabb, ami nagyobb termést eredményezett.
A Sendot fotoszintézis-szenzora kék fényimpulzus visszaverődéséből következtet a fotoszintézis hatékonyságára. A csökkent regeneráció stresszhelyzetet jelez, amely alapján optimalizálható a termesztés. A sóstressz kimutatása egyszerűnek bizonyult. Hátrány, hogy a levélre csíptetett érzékelőt hetente át kell helyezni, mert a levélszövet sérülhet. A jelátvivő szál könnyen megtörik, és olykor kalibrálásra is szükség van.
A Sigrow kamerák a levél sztómaaktivitását jelzik, a rendszer telepítése egyszerű, de a hőkamera és az RGB kamera olykor elcsúszik, amit a gyártónak kell korrigálnia.
A termesztőközeg vizsgálatára két szenzor áll rendelkezésre: a Sigrow 3 EC-ig pontos, ami a szamócánál elegendő, míg az Aranet 20 milliSiemens/cm-ig működik, ami a zöldségfélékhez szükséges. A Sigrow telepítésénél a tőzeg enyhe nedvesítése és tömörítése fontos. A Hoogstratenben végzett vizsgálatok szerint az értékek ingadozhatnak, de a trendek jól használhatók. A szamócánál a Pythium miatt télen nem szabad túl nedvesen tartani az állományt, és a szenzor 20%-os vízmegtakarítást tett lehetővé termésveszteség nélkül. Olyan helyzetekben is képes segíteni, ahol nincs drénvíz.
Az Aranet szárvastagságmérő adatai túl alacsony felbontásúak, ezért nehezen értelmezhetők.
Hoogstratenben autonóm robotplatform járja a sorokat, mesterséges intelligenciával felvértezett IUNU kamerákkal felszerelve. A rendszer feltérképezi a teljes állományt, és minden egyes növényről igen sok adatpontot gyűjt. A hajtáscsúcs fejlődése alapján következtetni lehet a későbbi fürtfejlődésre. A robot az egyes terméseket méret és érettségi állapot szerint osztályozza, és lehetővé teszi különböző termőhelyek összehasonlítását. A szenzoradatok a munka minőségéről is információt adnak: maradt-e termés a földön, megfelelő volt-e a kacsolás, gondosan zajlott-e a szedés stb. A rendszer két mikroklímaszenzorral is rendelkezik, amelyek a helyi hőmérséklet- és CO₂‑különbségeket is figyelembe veszik. A virtuális mesterséges intelligencia alapú termesztési asszisztens az összefüggések értelmezésével segíti a hibák okainak feltárását és a lehetséges megoldások kijelölését.
A fejlesztések azt mutatják, hogy az üvegházi kertészet egyre közelebb kerül az autonóm, adatvezérelt termesztéshez, ahol a szenzorok és a robotika együtt biztosítják a növényállomány folyamatos, nagy pontosságú monitorozását.
A cikkhez szemlézett írások:
