Projekt SFC-FTF zrealizowany w ramach działania „Współpraca” Programu Rozwoju Obszarów Wiejskich na lata 2014-2020

Okres realizacji projektu: 15.06.2022 – 31.12.2024

Partnerzy:

CGFP Sp. z o.o. – lider konsorcjum

Katedra Biologii i Biotechnologii Mikroorganizmów KUL

Global Security Operation Center Sp. z o.o.

Całkowity budżet projektu:

3 557 386,00 zł

Źródła finansowania:

PROW na lata 2014-2020
środki własne

CEL OPERACJI:

Celem projektu było opracowanie innowacyjnego systemu informatycznego, który dzięki ciągłemu gromadzeniu i prowadzeniu bieżącej analizy danych wesprze producenta rolnego przy podejmowaniu decyzji podczas planowania i prowadzenia produkcji roślinnej w ramach bezorkowej technologii uprawy kukurydzy, pszenicy i rzepaku. Atutem aplikacji jest jej oparcie na rzeczywistych danych laboratoryjnych z zakresu cech fizykochemicznych, biologicznych i mikrobiologicznych gleb, które wraz z danymi meteorologicznymi i historycznymi są wykorzystywane jako materiał do uczenia się algorytmów sztucznej inteligencji sterujących aplikacją.

WYNIKI OPERACJI I EFEKTY:

1. Optymalizacja systemu nawożenia, aby uzyskać jak najlepszy efekt ekonomiczny, zachowując żyzność i bioróżnorodność gleb przy jednoczesnym ograniczeniu negatywnego wpływu nawożenia azotowego na środowisko naturalne.
2. Wsparcie zarządzania pracą maszyn i operatorów, co pozwoli na usprawnienie procesów logistycznych, optymalizację wykorzystania posiadanych zasobów maszyn i narzędzi oraz zasobów ludzkich, a tym samym zmniejszenie zużycia paliwa, ograniczenie występowania awarii spowodowanych nieprawidłową eksploatacją.
3. Usprawnienie procesu zbioru, transportu i składowania płodów rolnych.
4. Wdrożenie uzyskanych wyników badań w gospodarstwie CGFP w zakresie redukcji nawożenia azotowego do poziomu dostosowanego do potencjału plonowania.

CGFP Sp. z o.o. wdraża i rozwija zaawansowane systemy rolnictwa precyzyjnego od roku 2014. Interdyscyplinarne podejście do tematu zrównoważonego zarządzania produkcją roślinną, miało na celu opracowanie innowacyjnego systemu informatycznego i utworzenie wirtualnej bazy danych (GSOC Sp. z o.o.)  w oparciu o badania laboratoryjne (KBiBM), co w praktyczny sposób wykorzystane będzie jako wsparcie producenta rolnego przy podejmowaniu decyzji podczas planowania i prowadzenia produkcji roślinnej w odniesieniu do pszenicy, kukurydzy i rzepaku uprawianych w technologii bezorkowej.

Naszym zadaniem było wyeliminowanie problemu ograniczonego przetwarzania danych (rozproszone dane pochodzące z maszyn różnych producentów, dane zewnętrzne), poprzez rozbudowę standardowego systemu zarządzania gospodarstwem rolnym o “Aplikację Analityczną” jako moduł analizy Big Data opartej o ML (uczenie maszynowe) i AI (sztuczną inteligencję). Moduł analizy Big Data wykorzystujący ML i AI będzie służył do analizy danych gromadzonych przez system z wielu źródeł, w tym:

• wyników badań laboratoryjnych
• analiz gleby
• sensorów gleby
• stacji meteorologicznych
• obrazowania satelitarnego
• map pól i plonów
• monitorowania maszyn oraz pojazdów

Aplikacja Analityczna pozwoli nie tylko na optymalny dobór dawki nawożenia do zmiennych warunków w obrębie plantacji, ale również na usprawnienie procesów logistycznych w przedsiębiorstwie rolnym. Wdrożenie tego rozwiązania w praktyce przyczyni się do poprawy ekonomiki produkcji rolnej poprzez:

• zwiększenie produkcji przy optymalnym wykorzystaniu warunków glebowych,
• analizę i kontrolę procesów produkcyjnych na każdym etapie,
• właściwą alokację zasobów oraz optymalizację nakładów środków produkcji,
• wsparcie podejmowania decyzji ekonomicznych w kontekście prowadzenia i zarządzania gospodarstwem rolnym.

Duża zmienność glebowa wymaga indywidualnego podejścia do każdego fragmentu pola.

Naszym celem jest pomoc rolnikom w wyciąganiu prawidłowych wniosków z ogromnej ilości danych poprzez utworzenie zaawansowanego systemu monitorującego i analizującego procesy zachodzące w gospodarstwie.

Kolejnym kluczowym rezultatem było przeprowadzenie analizy składu mikroorganizmów glebowych (bakterii i grzybów) metodą sekwencjonowania następnej generacji (NGS). Umożliwiło to wytypowanie dominujących grup mikroorganizmów (m.in. Proteobacteria, Actinobacteriota, Ascomycota), które mogą pełnić funkcję bioindykatorów jakości gleby. Określono progi pozytywnego, obojętnego i negatywnego udziału poszczególnych typów bakterii i grzybów dla upraw: rzepaku, pszenicy i kukurydzy.

Podsumowując w ramach dwuletniego monitoringu gleb na polach produkcyjnych osiągnięto następujące wyniki:

• potwierdzono, że ograniczenie nawożenia azotowego (do 40%) nie obniża aktywności biologicznej gleby (AD), co może sprzyjać wdrażaniu zrównoważonych praktyk rolniczych.
• wykazano, że rodzaj uprawy i sezonu wegetacyjnego ma wpływ na aktywność biologiczną gleby.
• wdrożono biologiczne wskaźniki jakości gleby, w tym AD, dominujące i wyspecjalizowane grupy mikroorganizmów, możliwe do wykorzystania w monitoringu agroekosystemu.
• określono progi diagnostyczne dla dominujących i wyspecjalizowanych grup mikroorganizmów (bakterii i grzybów), które mogą być stosowane w praktyce rolniczej do oceny zdrowia i żyzności gleb.
• opracowano podstawy elementów do stworzenia aplikacji wspomagającej decyzje rolnicze w oparciu o parametry mikrobiologiczne gleby.

Efektem wdrożenia rezultatów projektu jest ograniczenie stosowania nawozów azotowych przy zachowaniu żyzności i bioróżnorodności gleb pozostających w uprawie bezorkowej oraz optymalizacja procesu produkcji, zbioru, transportu i składowania płodów rolnych, a w konsekwencji redukcja zużycia paliwa i kosztów utrzymania maszyn w gospodarstwie rolnym.