Dron preleti polje i zabilježi razlike koje se s puta teško vide. Agronom zatim treba odlučiti gdje će otići, što će provjeriti i treba li intervenirati. Između snimke i te odluke nalazi se glavni posao AgriDronea, projekta u kojem hrvatski AGRIVI radi s rumunjskim Skyline Dronesom.
Prema javnim opisima partnera, projekt je povezivao visokorezolucijske snimke dronova, AI analizu i karte za ciljanu primjenu sredstava u pšenici. AGRIVI je razvijao analitički i softverski dio, a Skyline Drones snimanje i povezane senzorske podatke. U fokusu su fuzarioza klasa i septorioza lista. Projektno razdoblje trajalo je od travnja 2024. do kraja ožujka 2026.; ovu priču zato treba čitati kao pregled razvoja, a ne kao listopadsko lansiranje.
Što se događa nakon leta
AGRIVI opisuje radni slijed u kojem se snimke povezuju s drugim podacima, među njima satelitskim i meteorološkim, te agronomskim modelima. Sljedeći je korak izdvajanje zona unutar parcele i priprema karata koje može koristiti kompatibilna mehanizacija. Cilj je da se različiti dijelovi polja mogu promatrati i tretirati prema njihovim potrebama.
Za poljoprivrednika je razlika vrlo praktična. Karta koja pokazuje da jedan dio parcele odstupa može usmjeriti obilazak. Da bi se ista karta koristila za ciljanu primjenu, treba znati što odstupanje znači, je li nalaz dovoljno pouzdan i može li ga konkretna oprema pravilno pročitati. Boja na zaslonu tek je početak tog razgovora.
Što je provjeravano u pilotima
AGRIVI navodi dva pilot-ciklusa, u 2024. te krajem 2025. i početkom 2026., u kojima su povezivani snimanje, agronomsko tumačenje i izlaz za mehanizaciju. Skyline Drones na projektnoj stranici navodi dovršene aktivnosti prikupljanja podataka, dokumentacije i demonstracije. U ožujku 2026. u Temišvaru održana je i konferencija s prikazom projekta i demonstracijom platforme.
To su dokumentirani razvojni i demonstracijski koraci. U pregledanim javnim izvorima nije objavljen skup usporedivih podataka iz kojeg bismo mogli izračunati prosječno smanjenje potrošnje pesticida, promjenu prinosa ili povrat ulaganja po hektaru. Takvi učinci ovise i o sezoni, stanju usjeva i načinu provedbe, pa za njih treba zasebno mjerenje.
Četiri pitanja prije primjene na vlastitom gospodarstvu
| Pitanje | Što se njime razjašnjava |
|---|---|
| Kada dolaze snimanje i rezultat? | Stiže li nalaz dok još može utjecati na odluku u sezoni. |
| Tko potvrđuje značenje izdvojene zone? | Kako se AI signal povezuje s agronomskim pregledom i opažanjem na terenu. |
| Može li naša mehanizacija koristiti kartu? | Koji su format, terminal i dodatni koraci potrebni. |
| Kako ćemo pratiti učinak? | Koje površine, količine, troškove i rezultate bilježimo kroz sezonu. |
Ta pitanja vrijede i za jednostavniju uslugu snimanja, prije velikog ulaganja. Prvi koristan korak može biti jedna parcela i jedan jasno definiran problem, uz dogovor tko pregledava nalaz i što se smatra uspjehom. Tek nakon toga ima smisla širiti postupak.
AI koji se mora uklopiti u fizički posao
AgriDrone je hrvatski primjer AI-ja čiji izlaz mora pronaći put do čovjeka i opreme na terenu. Pouka projekta je u povezivanju svih tih koraka: kvalitetnih snimki, agronomskog smisla, karte i izvedbe. Za korisnika tehnologije upravo će ta povezanost odrediti je li dobio koristan alat za rad tijekom sezone.
Foto: Magda Ehlers / Pexels (ilustracija).
Izvori
AGRIVI: ciljani tretmani u pšenici — radni slijed, uloge partnera i opis pilot-aktivnosti
Skyline Drones: projekt AgriDrone — projektno razdoblje, aktivnosti i demonstracija u ožujku 2026.; izvor partnera
