Google DeepMind ha esteso a sei Paesi africani i propri modelli di intelligenza artificiale per l’agricoltura sviluppati inizialmente in India. Le tecnologie Agricultural Landscape Understanding, ALU, e Agricultural Monitoring & Event Detection, AMED, stanno ora fornendo informazioni agricole in Kenya, Uganda, Ghana, Rwanda, Nigeria e Zambia, dopo una prima espansione nell’area Asia-Pacifico avviata nel 2025. I modelli sono stati sviluppati dal team AnthroKrishi di Google DeepMind per ricavare informazioni dettagliate sui terreni agricoli attraverso intelligenza artificiale, immagini satellitari e tecniche di telerilevamento, con l’obiettivo di rendere disponibili dati utilizzabili a livello di singolo appezzamento.
ALU è progettato per comprendere la struttura del paesaggio agricolo e individuare i confini dei campi, consentendo di distinguere le superfici coltivate e di costruire rappresentazioni dettagliate delle proprietà e delle aree produttive. AMED aggiunge una componente temporale, monitorando gli eventi che interessano i terreni agricoli e rilevando cambiamenti nelle colture e nelle attività svolte nei campi. I risultati dei due modelli sono disponibili gratuitamente attraverso API e ALU è stato integrato direttamente anche in Google Earth, dove il relativo livello informativo è diventato uno dei layer più utilizzati a livello globale.
Le tecnologie erano state inizialmente costruite per rappresentare il complesso paesaggio agricolo indiano e supportare applicazioni rivolte alla resilienza, alla gestione delle risorse e alla produttività. Nel 2025 Google aveva aperto i risultati dei modelli a trusted tester in Malaysia, Vietnam, Indonesia e Giappone, avviando l’utilizzo dell’infrastruttura al di fuori dell’India. L’estensione a Kenya, Uganda, Ghana, Rwanda, Nigeria e Zambia rappresenta il passaggio successivo della distribuzione internazionale, mantenendo lo stesso approccio basato su informazioni agricole granulari ottenute da dati geospaziali.
In India i modelli vengono già utilizzati per costruire piattaforme che combinano dati catastali, informazioni satellitari, attività colturali, indicatori climatici e dati di mercato. CarbonFarm ha integrato ALU e Gemini nella propria piattaforma di monitoraggio digitale per fornire indicazioni sulle pratiche agricole capaci di ridurre l’impatto ambientale della coltivazione del riso. Attraverso le API, la piattaforma ha elaborato informazioni relative a oltre 140 milioni di ettari di terreni agricoli, una superficie che corrisponde a quasi tutta l’area coltivata del Paese.
Terrastack utilizza invece le informazioni prodotte da ALU e AMED per creare una piattaforma di spatial intelligence dedicata all’agricoltura. Il sistema combina dati frammentati relativi a terreni, colture e redditi e li trasforma in informazioni utilizzabili a livello di singola azienda agricola. Tra le applicazioni sviluppate figurano la riconciliazione dei registri fondiari, la pianificazione dell’approvvigionamento di materie prime per i biocarburanti e la stima dei ricavi delle aziende agricole, attività che normalmente richiederebbero raccolte di dati distribuite e numerose verifiche sul campo.
L’utilizzo delle API permette infatti di ridurre la necessità di visite fisiche agli appezzamenti. La possibilità di identificare automaticamente i confini dei campi e di monitorarne l’evoluzione consente di verificare variazioni nelle superfici coltivate, attività agricole e caratteristiche dei terreni attraverso dati satellitari aggiornati. Queste informazioni possono essere integrate con registri pubblici e dati finanziari per applicazioni come credito rurale, gestione del rischio climatico, assicurazioni agricole, pianificazione della produzione e modernizzazione dei registri fondiari.
I modelli di Google DeepMind stanno entrando anche nella Digital Public Infrastructure agricola indiana. AgriStack, l’infrastruttura digitale nazionale dedicata al settore, utilizza strumenti geospaziali e registri digitali per costruire una rappresentazione più precisa delle aziende agricole, dei terreni e delle colture. L’integrazione di informazioni prodotte da sistemi come ALU e AMED permette di collegare la rappresentazione amministrativa del territorio con l’osservazione effettiva dei campi, facilitando l’identificazione delle superfici agricole e il monitoraggio delle attività produttive.
L’estensione in Africa porta quindi in nuovi contesti geografici modelli addestrati e sviluppati per affrontare problemi incontrati inizialmente nell’agricoltura indiana, caratterizzata da appezzamenti molto frammentati e da una forte eterogeneità delle coltivazioni. Kenya, Uganda, Ghana, Rwanda, Nigeria e Zambia potranno utilizzare gli output attraverso le stesse API per sviluppare servizi locali basati su informazioni relative ai confini degli appezzamenti, allo stato delle colture e agli eventi agricoli osservabili nel tempo.
L’espansione avviene in un contesto in cui la disponibilità di dati dettagliati sui terreni assume un peso crescente per la sicurezza alimentare. Nel 2025 circa 2,1 miliardi di persone, più di un quarto della popolazione mondiale, risultavano in condizioni di insicurezza alimentare, mentre entro il 2050 la produzione alimentare globale dovrà aumentare fino al 50% per sostenere una popolazione stimata in 9,7 miliardi di persone. I modelli ALU e AMED vengono quindi utilizzati come infrastruttura tecnica sulla quale enti pubblici, aziende e sviluppatori possono costruire strumenti di monitoraggio e gestione agricola adattati alle condizioni dei singoli Paesi.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)