- ogromne ilości żywności są marnowane przez nadmierne lub nieodpowiednie nawożenie i opryski upraw
- na rynku pojawiają się czujniki mierzące parametry punktu roli, w szczególności natężenie występowania konkretnych szkodników
- oszczędność pestycydów/nawozów → oszczędność żywności, pieniędzy, energii, gazów cieplarnianych, środowiska, podniesienie jakości żywności i gleby, ratujemy pszczoły (:D)
- stworzenie algorytmu i sterownika
- algorytm na podstawie zebranych danych wyznacza dozowanie środka dla danego punktu areału rolnego
- wyjście algorytmu jest wejściem dla sterownika
- sterownik, bazując na aktualnej pozycji ciągnika (GPS) i wyjściu algorytmu podejmuje decyzję o dozowaniu środka z danej grupy dyszy w danej chwili
- Python 3 (Flask, numpy)
- MongoDB
- Java (Swing, Gson)
- dobranie odpowiedniej zależności funkcyjnej do znalezienia heatmapy
- parametry: ilość konkretnego szkodnika w jednostce czasu, opady, pora roku (etap rozwoju szkodnika, etap rozwoju uprawy), kierunek i siła wiatru (proces oprysku)
- rozmieszczenie sensorów
- zarejestrowane pomiary
- koordynaty areału rolniczego
- dane klientów
- obsługa zapytań sterownika
- kontakt z bazą danych
- obliczenie heurystyki
- przesłanie wyniku do sterownika
- zapytania do serwera
- na podstawie danych z serwera wyznaczenie natężenia oprysku dla poszczególnych grupy dyszy kontakt z systemem GPS
- obecnie, głównie mock (generowane dane)
- docelowo odczyty z rzeczywistych czujników, zapytania do API pogodowego, bazy danych pestycydów
- zwiększenie liczby parametrów funkcji (pestycydy, koszty, inne parametry atmosferyczne)
- wyznaczanie oceny obecnej sytuacji na obszarze na podstawie zmian w pomiarach na przestrzeni czasu do oceny korzyści płynących ze sterownika i w celu modyfikacji parametrów funkcji
- skonstruowanie bardziej zaawansowanych algorytmów optymalizacji i/lub zaadoptowanie metod sztucznej inteligencji / ML
- system wyznaczania optymalnej trasy oraz sugerowania korzystnych dni oprysków (wpływ pogody, pory roku, innych przesłanek)