Molti progetti di agricoltura intelligente iniziano con l'installazione di sensori e si fermano lì. La sonda di umidità del suolo, la stazione meteorologica e la telecamera inviano ciascuna i propri dati all'app del rispettivo produttore, e l'agricoltore si ritrova con diversi grafici separati, nessuno dei quali indica cosa fare oggi. La decisione sull'irrigazione si basa ancora su esperienza e intuito, solo con qualche grafico in più. I dati raccolti senza integrazione, elaborazione e un modello non sono altro che un costo di archiviazione.
L'importanza risiede nella pressione simultanea su acqua, energia e manodopera. In molte regioni l'acqua è la risorsa più scarsa, e ogni metro cubo distribuito senza necessità viene sottratto direttamente al raccolto dell'anno successivo. Al tempo stesso, le aziende crescono di dimensione mentre il personale qualificato diventa più raro; un solo agronomo deve gestire decine di ettari. L'agricoltura guidata dai dati risponde a questa pressione supportando le decisioni ripetitive con dati e modelli, così da liberare le competenze umane per i casi eccezionali.
L'architettura dell'agricoltura guidata dai dati può essere vista come una catena: sensori e controller in campo, un gateway locale che raccoglie i dati e li conserva temporaneamente quando la connettività viene meno, una piattaforma di eventi che trasmette letture e allarmi in streaming, un data lake che combina lo storico con dati meteorologici, immagini satellitari e registri agronomici, e un livello di modelli che trasforma tale combinazione in raccomandazioni. Alla fine, la raccomandazione viene mostrata all'agricoltore oppure, in modalità automatica, inviata come comando al controller dell'irrigazione. Ogni anello deve poter essere sostituito in modo indipendente.
La prima considerazione pratica riguarda la qualità dei dati in un ambiente difficile. Una sonda del suolo perde la calibrazione nel tempo, una batteria scarica produce letture errate e un animale può spostare il dispositivo. La piattaforma deve rilevare queste anomalie, segnalare le letture sospette e confrontarle con i sensori vicini e con i dati meteorologici prima di qualsiasi decisione. Ad esempio, se una sonda segnala un improvviso calo di umidità mentre quelle vicine non registrano variazioni, un guasto del sensore è molto più probabile di un'improvvisa siccità, e il motore di raccomandazione dovrebbe trattarlo come tale.
La seconda considerazione riguarda la fiducia dell'agricoltore. Una raccomandazione di irrigazione che non si spiega non verrà accettata, per quanto accurata sia. La raccomandazione dovrebbe indicare quali letture, quale previsione meteorologica e quale fase di crescita hanno portato alla conclusione, e deve essere possibile rifiutarla o modificarla. Ogni decisione umana che scavalca il modello è un dato prezioso per migliorarlo. Il percorso pratico inizia di solito in modalità consultiva e passa al controllo automatico solo dopo una o due stagioni di risultati confermati.
Le insidie più comuni sono note. Primo, contare su una connessione internet permanente dove la copertura è inaffidabile; il gateway locale deve poter funzionare autonomamente per giorni. Secondo, vincolarsi all'hardware di un unico produttore, così che sostituire un sensore significhi riscrivere il software. Terzo, costruire un unico modello generico per tutte le colture e le regioni, quando il comportamento del suolo e delle piante è fortemente locale. Quarto, dimenticare che l'output finale è un comando fisico; un errore software in modalità automatica può allagare o inaridire un campo e richiede un meccanismo di sicurezza indipendente.
In Niadad, la piattaforma Jarian («جریان») fornisce il livello degli eventi in questa catena: riceve letture e allarmi dai gateway locali, li trasmette in streaming e ne conserva lo storico. Darya («دریا») è il data lake che combina tale flusso con dati meteorologici, immagini e registri agronomici per costituire la base della modellazione. Nel progetto di agricoltura intelligente di Niadad, le due piattaforme sono integrate con schede personalizzate e controller di campo, affinché la catena dal sensore alla decisione funzioni come un unico sistema.
L'agricoltura guidata dai dati non riguarda né i sensori né gli algoritmi, ma la catena che trasforma una lettura in una decisione affidabile. Un'organizzazione che costruisce questa catena con disciplina ingegneristica migliora un po' a ogni stagione e, in agricoltura, è la differenza tra le stagioni a durare nel tempo. Iniziare in piccolo, con un campo, una coltura e una decisione, ed espandersi solo quando la catena ha dimostrato il proprio valore, è il percorso con le maggiori probabilità di durare.