Από την άρδευση και την εκτίμηση κινδύνου ασθενειών μέχρι τον προγραμματισμό των εργασιών στο χωράφι, η ποιότητα των δεδομένων καθορίζει σε μεγάλο βαθμό και την ποιότητα της απόφασης. Το πρόβλημα αρχίζει όταν αυτά τα δεδομένα δεν είναι πλήρη.
Μια νέα επιστημονική εργασία, που αναρτήθηκε στο Preprints.org ως προδημοσίευση και δεν έχει ακόμη περάσει από διαδικασία αξιολόγησης από ομότιμους, εξετάζει ακριβώς αυτό το κενό: πώς μπορούν να αποκατασταθούν οι χαμένες μετρήσεις θερμοκρασίας και σχετικής υγρασίας σε δίκτυα αισθητήρων εγκατεστημένα σε αμπελώνες. Η μελέτη υπογράφεται από τους Filippo Costanti, Irene Cappelli, Monica Bianchini και Ada Fort και προτείνει τη χρήση ενός χωροχρονικού autoencoder με γραφήματα, δηλαδή ενός μοντέλου μηχανικής μάθησης που «διαβάζει» ταυτόχρονα τη χρονική εξέλιξη των μετρήσεων και τη σχέση μεταξύ διαφορετικών σημείων του ίδιου αμπελώνα.
Ειδικότερα, το ζήτημα δεν είναι θεωρητικό. Οι αισθητήρες που λειτουργούν σε πραγματικές συνθήκες αγρού είναι εκτεθειμένοι σε διακοπές επικοινωνίας, τεχνικές βλάβες, προβλήματα τροφοδοσίας ή παρεμβολές από το ίδιο το περιβάλλον. Έτσι, ακόμη και ένα οργανωμένο σύστημα παρακολούθησης μπορεί να παρουσιάσει κενά. Όταν αυτά τα κενά αφορούν μεταβλητές όπως η θερμοκρασία και η υγρασία, η ερμηνεία του μικροκλίματος γίνεται λιγότερο ασφαλής. Και στον αμπελώνα, όπου λίγα μέτρα απόσταση μπορούν να σημαίνουν διαφορετική έκθεση, διαφορετική υγρασία ή διαφορετική πίεση ασθενειών, η απώλεια πληροφορίας δεν είναι αμελητέα.
Η προτεινόμενη μέθοδος επιχειρεί να καλύψει αυτά τα χαμένα σημεία όχι με έναν απλό μέσο όρο ή μια μηχανική παρεμβολή, αλλά αξιοποιώντας τη συμπεριφορά του ίδιου του δικτύου. Το μοντέλο εξετάζει πώς μεταβάλλεται μια μέτρηση στον χρόνο και πώς σχετίζεται με τις μετρήσεις γειτονικών αισθητήρων. Με απλούστερα λόγια, αν ένας αισθητήρας σταματήσει προσωρινά να δίνει δεδομένα, το σύστημα μπορεί να εκτιμήσει τι πιθανότατα συνέβη εκεί, με βάση την προηγούμενη συμπεριφορά του σημείου και την εικόνα που δίνουν οι κοντινοί αισθητήρες.
Η μελέτη βασίστηκε σε πραγματικά δεδομένα από πέντε αυτόνομους αισθητήρες σε αμπελώνα στη Σιένα της Ιταλίας, με περίοδο παρακολούθησης από τον Ιούλιο του 2023 έως τον Μάιο του 2025. Οι αισθητήρες κατέγραφαν δεδομένα ανά πέντε λεπτά, ενώ οι πληροφορίες μεταδίδονταν μέσω δικτύου LoRaWAN και συγκεντρώνονταν σε ψηφιακό σύστημα παρακολούθησης. Παρότι η υποδομή μπορούσε να καταγράφει περισσότερες περιβαλλοντικές παραμέτρους, η συγκεκριμένη ανάλυση επικεντρώθηκε στη θερμοκρασία αέρα και στη σχετική υγρασία.
Τα αποτελέσματα που παρουσιάζουν οι ερευνητές είναι ενθαρρυντικά. Ακόμη και σε συνθήκες σημαντικής απώλειας δεδομένων, το μοντέλο κατάφερε να ανασυνθέσει τις μετρήσεις με χαμηλά σφάλματα. Στο συμπέρασμα της εργασίας αναφέρεται ότι, ακόμη και όταν το 90% των δεδομένων είχε αλλοιωθεί τεχνητά στο πλαίσιο της δοκιμής, το σύστημα διατήρησε μέσο σφάλμα κάτω από 0,3°C για τη θερμοκρασία και κάτω από 1% για τη σχετική υγρασία.
Παράλληλα, ιδιαίτερο ενδιαφέρον έχει και η διαπίστωση ότι η θερμοκρασία ανασυντίθεται με μεγαλύτερη ακρίβεια από την υγρασία. Αυτό εξηγείται από το γεγονός ότι η θερμοκρασία ακολουθεί συνήθως πιο ομαλούς ημερήσιους κύκλους και παρουσιάζει ισχυρότερη χωρική συνοχή. Η σχετική υγρασία, αντίθετα, επηρεάζεται πιο έντονα από τοπικές και στιγμιαίες μεταβολές, γεγονός που καθιστά την πρόβλεψή της πιο σύνθετη.
Για την πράξη της αμπελουργίας, η σημασία μιας τέτοιας προσέγγισης βρίσκεται στη συνέχεια των δεδομένων. Ένα οινοποιείο ή ένας αμπελουργός που επενδύει σε αισθητήρες δεν χρειάζεται απλώς περισσότερες μετρήσεις, αλλά αξιόπιστες χρονοσειρές που μπορούν να τροφοδοτήσουν μοντέλα πρόβλεψης, συστήματα υποστήριξης αποφάσεων και εργαλεία έγκαιρης προειδοποίησης. Όσο πιο καθαρή και συνεκτική είναι η βάση των δεδομένων, τόσο πιο ουσιαστική γίνεται η χρήση της τεχνολογίας στον αμπελώνα.
Η εργασία δεν παρουσιάζει μια άμεσα εμπορική εφαρμογή, ούτε λύνει από μόνη της όλα τα προβλήματα της ψηφιακής αμπελουργίας. Οι ίδιοι οι ερευνητές αναγνωρίζουν ότι το δίκτυο των πέντε αισθητήρων είναι περιορισμένο και ότι μελλοντικές μελέτες θα πρέπει να δοκιμάσουν τη μέθοδο σε μεγαλύτερα και πιο ετερογενή συστήματα. Ωστόσο, η κατεύθυνση είναι σαφής: η τεχνητή νοημοσύνη δεν έρχεται μόνο για να προβλέψει την παραγωγή ή να αυτοματοποιήσει εργασίες, αλλά και για να διορθώσει τα ίδια τα δεδομένα πάνω στα οποία στηρίζονται οι αποφάσεις.
Εν κατακλείδι, σε μια εποχή όπου η κλιματική αστάθεια κάνει τον αμπελώνα πιο απαιτητικό και λιγότερο προβλέψιμο, η δυνατότητα ανασύνθεσης χαμένων μετρήσεων μπορεί να αποδειχθεί κρίσιμη. Όχι ως εντυπωσιακή τεχνολογική υπόσχεση, αλλά ως πρακτικό εργαλείο για πιο σταθερή παρακολούθηση, πιο ακριβή ανάγνωση του μικροκλίματος και τελικά πιο ενημερωμένη διαχείριση της αμπελουργικής παραγωγής.
