Sterowanie szklarnią i autonomiczne gospodarstwo bez operatora

W skrócie

Autonomiczna szklarnia może samodzielnie wykonywać część decyzji dotyczących klimatu, podlewania, fertygacji i alarmów, ale powinna działać w modelu nadzorowanym. Najpierw trzeba uporządkować dane, sprawdzić czujniki, połączyć sterowniki i zdefiniować KPI. Bez tego AI zamienia się w kosztowną nakładkę na chaotyczny proces.

• Najbardziej dojrzałe zastosowania to alarmy, rekomendacje, stabilizacja klimatu, harmonogram podlewania i wykrywanie anomalii.
• Pełna autonomia bez limitów bezpieczeństwa jest ryzykowna, szczególnie przy sterowaniu ogrzewaniem, CO₂, zasłonami i fertygacją.
• Dobry projekt zaczyna się od danych wejściowych, nie od wyboru algorytmu.
• Operator nie znika. Zmienia się jego rola: mniej ręcznego ustawiania, więcej nadzoru nad strategią i wyjątkami.
• Digital Crops wspiera takie projekty przez audyt, dobór sensorów, integracje, pilotaże i przygotowanie danych do decyzji.

Czym jest sterowanie szklarnią i dlaczego wraca jako temat AI?

Sterowanie szklarnią polega na utrzymaniu parametrów środowiska uprawy w granicach wyznaczonych przez strategię agronomiczną, koszty energii i wymagania jakościowe. W praktyce oznacza to decyzje o temperaturze, wilgotności, VPD, CO₂, wentylacji, zasłonach, podlewaniu, dawce pożywki i alarmach.

Temat wraca, ponieważ produkcja pod osłonami ma coraz więcej danych, ale wiele decyzji nadal zależy od doświadczenia jednej osoby. To działa, dopóki skala jest mała, a zespół stabilny. Problem zaczyna się przy wielu obiektach, zmianach pracowników, wysokich cenach energii i presji na powtarzalną jakość.

FAO w raporcie The State of Food and Agriculture 2022 analizowała automatyzację rolnictwa na podstawie 27 studiów przypadków i wskazała jej związek z produktywnością, jakością, odpornością produkcji oraz efektywnością wykorzystania zasobów. To ważne dla szklarni, bo właśnie tam koszt błędnej decyzji klimatycznej lub wodnej pojawia się szybko.

Presja demograficzna też ma znaczenie. Eurostat w danych z cenzusu rolnego 2020 podał, że 33,5% kierowników rodzinnych gospodarstw w UE miało co najmniej 65 lat, 57,8% miało co najmniej 55 lat, a tylko 6,5% było poniżej 35 lat. Dla producentów pod osłonami oznacza to prosty wniosek: wiedza operatorów musi trafić do procesów, danych i reguł, bo sama pamięć zespołu nie wystarczy.

Nie każdy algorytm jest potrzebny. Czasem wystarcza lepszy alarm.

W szklarni najważniejsze nie jest hasło „AI”, lecz zdolność połączenia pomiaru z decyzją. Jeśli czujnik temperatury działa, ale nikt nie wie, czy jego odczyt ma zmienić nastawę ogrzewania, dawkę podlewania czy komunikat dla brygadzisty, system zbiera dane bez skutku operacyjnego.

Czy powstanie gospodarstwo, które samo podejmuje decyzje?

Tak, powstaną gospodarstwa i szklarnie, które samodzielnie wykonują wiele decyzji operacyjnych. Nie będą to jednak gospodarstwa bez odpowiedzialności człowieka, lecz systemy z warstwami autonomii, limitami bezpieczeństwa, rejestrem decyzji i nadzorem agronomicznym.

Najbardziej asertywna teza jest prosta: autonomiczna szklarnia nie powinna być celem sama w sobie. Celem ma być bezpieczne skrócenie czasu od sygnału do decyzji, obniżenie liczby błędów i utrzymanie powtarzalnych warunków produkcji.

Wageningen University & Research rozwija temat w ramach Autonomous Greenhouse Challenge, gdzie zespoły testują uprawę prowadzoną autonomicznie z użyciem AI w szklarniach badawczych. To pokazuje kierunek, ale nie oznacza, że każdy obiekt produkcyjny powinien od razu przejść na pełne sterowanie algorytmiczne.

Różnica między demonstracją a wdrożeniem jest duża. Demonstracja sprawdza, czy algorytm potrafi prowadzić uprawę w kontrolowanych warunkach. Wdrożenie musi jeszcze obsłużyć awarie czujników, zabrudzenie sond, zmianę pracowników, niedziałający zawór, luki w sieci, różnice między nawami i presję na koszty.

Autonomia zaczyna się wcześniej niż wielu producentów sądzi. Jeżeli system sam wykrywa anomalię wilgotności, klasyfikuje jej ryzyko i tworzy zadanie dla operatora, to już wspiera autonomię decyzyjną, choć nie steruje jeszcze zaworem. Taki etap często jest rozsądniejszy niż szybkie podłączenie algorytmu do wszystkich aktuatorów.

Stan na 24 czerwca 2026 r.: AI Act wszedł w życie 1 sierpnia 2024 r., a większość jego przepisów ma być stosowana od 2 sierpnia 2026 r., zgodnie z harmonogramem Komisji Europejskiej. Dla szklarni najważniejsze jest rozróżnienie między systemem doradczym a systemem, który staje się elementem sterowania maszyną, bezpieczeństwem pracy albo krytycznym procesem produkcyjnym.

Jakie dane są potrzebne, żeby sterowanie szklarnią działało?

Sterowanie szklarnią wymaga danych o środowisku, podłożu, pożywce, aktuatorach, roślinie i wyniku produkcji. Sam pomiar temperatury oraz wilgotności nie wystarczy, ponieważ decyzja zależy od fazy uprawy, promieniowania, strategii nawadniania, kosztu energii i tolerancji ryzyka.

Dane powinny odpowiadać na konkretne pytania. Czy trzeba podlać teraz, czy za 40 minut? Czy podnieść temperaturę rur, czy najpierw zamknąć zasłonę? Czy wzrost wilgotności to efekt pogody, awarii wentylacji czy błędnego odczytu czujnika?

W dobrze zaprojektowanym systemie dane z czujników trafiają do jednego modelu operacyjnego. Model opisuje obiekt, sektory, nawy, odmiany, cykle, sterowniki, zawory, pompy, linie fertygacji, punkty pomiarowe i odpowiedzialności. Bez takiego modelu integracja zamienia się w zbiór wykresów.

Najczęstszy błąd to brak powiązania pomiaru z miejscem. Odczyt wilgotności ma małą wartość, jeśli nie wiadomo, której nawy dotyczy, jaka odmiana tam rośnie, który zawór ją podlewa i kto odpowiada za reakcję na alarm.

Drugim błędem jest brak historii decyzji. System, który zapisuje tylko stan czujników, ale nie zapisuje zmiany nastaw, nie odpowie później na pytanie, dlaczego spadł plon, wzrosło zużycie energii albo pogorszyła się jakość owocu.

Od reguł do autonomii: jakie poziomy sterowania mają sens?

Najlepsze wdrożenia nie zaczynają się od pełnej autonomii. Zaczynają się od reguł, alarmów, integracji danych i trybu doradczego, a dopiero później przechodzą do sterowania automatycznego z limitami bezpieczeństwa.

W praktyce można wyróżnić kilka poziomów dojrzałości. Każdy kolejny poziom wymaga lepszej jakości danych, większej odpowiedzialności technicznej i bardziej formalnych procedur. To nie jest wyścig.

Pierwszy poziom to pomiar i alarm. Drugi to integracja, czyli widok danych z klimatu, podłoża i fertygacji w jednej strukturze. Trzeci to rekomendacje, które operator może przyjąć albo odrzucić. Czwarty to automatyczne wykonanie decyzji, ale tylko w zdefiniowanych granicach.

Model predykcyjny ma sens wtedy, gdy decyzja zależy od przyszłości, a od przewidywanego stanu, a nie samego bieżącego odczytu. Przykładem jest podlewanie zależne od spodziewanego promieniowania, wietrzenia i transpiracji, gdzie system musi przewidzieć warunki w kolejnych godzinach.

Literatura techniczna coraz częściej opisuje sterowanie predykcyjne i uczenie przez wzmacnianie jako kierunki rozwoju szklarni. Przegląd Chen i współautorów z 2025 r. w czasopiśmie Sensors wskazuje na łączenie strategii sterowania środowiskiem, modeli parametrów i algorytmów optymalizacyjnych jako jeden z głównych trendów. Dla producenta oznacza to jednak potrzebę walidacji, nie ślepej wiary w model.

Jak krok po kroku przygotować szklarnię do automatyzacji?

Przygotowanie szklarni do automatyzacji trzeba zacząć od procesu, nie od zakupu algorytmu. Najpierw należy ustalić, jakie decyzje mają być lepsze, kto za nie odpowiada, jakie dane są dostępne i które urządzenia mogą być bezpiecznie sterowane.

1. Zrób inwentaryzację automatyki

Spisz sterowniki klimatu, zawory, pompy, wietrzniki, zasłony, ogrzewanie, doświetlanie, mieszalnik nawozów, czujniki i sieć. Zanotuj protokoły komunikacyjne: API, MQTT, OPC UA, Modbus, pliki CSV albo eksport z systemu SCADA.

2. Wybierz decyzje o największej wartości

Nie automatyzuj wszystkiego naraz. Wybierz jeden proces: alarmy klimatyczne, podlewanie w dni słoneczne, stabilność EC, reakcję na wysoką wilgotność albo ograniczenie korekt ręcznych. Decyzja musi mieć właściciela i miernik.

3. Sprawdź jakość danych

Porównaj odczyty czujników, luki w pomiarach, czas próbkowania, kalibrację i przypisanie punktów pomiarowych do sektorów. Jeżeli dane są niespójne, algorytm tylko przyspieszy błędną decyzję.

4. Uruchom tryb doradczy

Tryb doradczy zapisuje rekomendacje bez automatycznego wykonania. Operator widzi, co system by zrobił, a zespół porównuje to z decyzją człowieka. To bezpieczny etap uczenia procedur.

5. Automatyzuj tylko w granicach bezpieczeństwa

Po walidacji można uruchomić częściowe sterowanie, na przykład korektę harmonogramu podlewania lub priorytetyzację alarmów. Ogrzewanie, CO₂, zasłony i intensywne wietrzenie wymagają twardych limitów, trybu ręcznego i rejestru zmian.

6. Mierz efekt przed skalowaniem

Skalowanie bez KPI jest zgadywaniem. Mierz zużycie energii, wodę, odchylenia EC i pH, stabilność VPD, liczbę alarmów, czas reakcji i jakość plonu. Dopiero te dane pokazują, czy automatyzacja ma sens biznesowy.

Kiedy autonomia nie ma sensu albo wymaga dodatkowych warunków?

Autonomia nie ma sensu, gdy obiekt nie ma sprawnych czujników, stabilnej automatyki, opisanych sektorów i procedury reakcji na alarmy. Wtedy najpierw trzeba naprawić pomiar, kalibrację, sieć, strukturę danych i odpowiedzialności.

Najczęstsze ograniczenie to zbyt mała powtarzalność procesu. Jeżeli każda nawa ma inną konstrukcję, inny sposób podlewania, inne podłoże i niepełny zestaw czujników, model predykcyjny będzie uczył się chaosu. Najpierw standaryzacja.

Drugie ograniczenie to brak aktuatorów. AI może rekomendować zmianę, ale jeżeli zawór, wietrznik, pompa lub zasłona nie są podłączone do sterowania, system nie wykona decyzji automatycznie. W takim przypadku warto zacząć od panelu doradczego i alarmów.

Trzecim problemem jest fałszywe poczucie precyzji. Czujnik może podawać wynik z dokładnością do dwóch miejsc po przecinku, a jednocześnie być źle umieszczony, rozkalibrowany albo zabrudzony. Precyzyjny zapis nie gwarantuje poprawnego pomiaru.

Szczególną ostrożność trzeba zachować przy decyzjach, które mogą stworzyć ryzyko dla ludzi, sprzętu lub produktu. Dotyczy to ruchomych elementów, ciśnienia w instalacji, ogrzewania, chemii, CO₂, energii i maszyn. Taki projekt wymaga analizy ryzyka, dokumentacji i procedur awaryjnych.

Jakie korzyści mają różne grupy odbiorców?

Korzyści ze sterowania szklarnią zależą od roli odbiorcy. Rolnik chce stabilnej produkcji i mniejszej zależności od jednej osoby, doradca chce lepszych danych do zaleceń, a przetwórca lub odbiorca surowca oczekuje powtarzalności jakości i dokumentacji.

Producenci warzyw i owoców pod osłonami

Główny problem to codzienna zmienność klimatu, energii, podlewania i pracy ludzi. Producent powinien zacząć zbierać dane o klimacie, cyklach nawadniania, EC, pH, energii, plonie, jakości i alarmach. Dzięki temu może lepiej decydować o strategii klimatycznej, kosztach ogrzewania, podlewaniu i ryzyku chorób.

Doradcy agronomiczni i ODR

Doradca potrzebuje danych, które pokazują związek między zaleceniem a wynikiem. Sama lustracja jest zbyt rzadka dla dynamicznego klimatu szklarniowego. Doradcy powinni zacząć od standardu notatek, zdjęć, danych VPD, EC, pH i zdarzeń, aby rekomendacje były mierzalne.

Kadra zarządcza agri-food

Zarząd patrzy na ryzyko, koszt i powtarzalność. Automatyzacja sterowania szklarnią daje lepszy nadzór nad energią, jakością, traceability i pracą zespołu, ale wymaga jasnego budżetu oraz KPI. Decyzja po lekturze powinna dotyczyć pilotażu, nie pełnej wymiany systemów.

Producenci maszyn i automatyki

Dostawcy urządzeń powinni myśleć o danych jako części produktu. Sterownik, czujnik lub zawór, który nie udostępnia danych przez API, MQTT, OPC UA albo stabilny eksport, będzie trudniejszy do włączenia w autonomiczny ekosystem. O przewadze zdecyduje integracja.

Partnerzy konsorcjów B+R

Projekty badawczo-rozwojowe potrzebują danych, hipotez i powtarzalnych scenariuszy. Dla uczelni, firm technologicznych i producentów rolno-spożywczych dobrym tematem jest walidacja algorytmów sterowania, modeli chorobowych, przewidywania stresu roślin i optymalizacji energii. Bez danych z obiektu badania zostają w symulacji.

Jak Digital Crops wspiera projekty sterowania szklarnią?

Digital Crops wspiera projekty sterowania szklarnią jako integrator usług AgriTech: od audytu procesu, przez dobór sensorów i architekturę danych, po integracje, pilotaż, szkolenia i ocenę KPI. Ważne jest dopasowanie technologii do decyzji produkcyjnej.

Na stronie Digital Crops jako integrator AgriTech firma opisuje pracę z oprogramowaniem, sensorami IoT, traceability, integracjami maszyn oraz projektami badawczo-rozwojowymi. Dla szklarni oznacza to podejście procesowe: najpierw decyzja, potem dane, na końcu narzędzie.

W praktyce projekt może obejmować mapę punktów pomiarowych, dobór stacji meteo, sond podłoża, czujników pożywki, liczników energii, integrację ze sterownikiem, panel KPI i procedurę alarmów. Jeżeli obiekt ma już automatykę, praca często polega na połączeniu danych i dopisaniu logiki decyzyjnej, a nie na wymianie całego systemu.

Digital Crops opisuje też usługi AgriTech obejmujące audyt, dobór technologii i integracje. W projekcie szklarniowym taki audyt powinien odpowiedzieć na pięć pytań: jakie decyzje mają być automatyzowane, które dane są pewne, które urządzenia są sterowalne, kto odpowiada za wyjątki i jak będzie liczony efekt.

Dla obiektów, które dopiero budują warstwę pomiarową, ważne są sensory IoT, stacje meteo i automatyka dla rolnictwa. Dobór czujników powinien wynikać z decyzji, a nie z katalogu: inny zestaw jest potrzebny do podlewania, inny do ochrony przed chorobami, a jeszcze inny do kontroli energii.

Przy bardziej zaawansowanych projektach istotne są projekty badawczo-rozwojowe dla rolnictwa, szczególnie wtedy, gdy celem jest model predykcyjny, system wizyjny, walidacja algorytmu albo połączenie danych z wielu obiektów. Taki projekt wymaga protokołu testów, jakości danych i ograniczeń interpretacyjnych.

Case study: szklarnia pomidorowa 2,4 ha

Case study: analiza modelowa przygotowana na potrzeby artykułu, z realistycznymi wartościami dla polskich warunków produkcji pod osłonami. Dane nie opisują konkretnego klienta i nie są gwarancją wyniku.

Obiekt znajduje się w centralnej Polsce i obejmuje 2,4 ha uprawy pomidora malinowego w pięciu sektorach klimatycznych. Produkcja była prowadzona na wełnie mineralnej, z fertygacją, ogrzewaniem rurami, zasłonami i podstawowym sterownikiem klimatu.

Problemem nie był brak automatyki. Problemem była niespójność danych. Operatorzy zmieniali nastawy w różnych porach dnia, alarmy trafiały do kilku osób, a dane o podlewaniu, EC, pH, energii i zbiorach były analizowane po czasie.

W pilotażu założono trzy cele: skrócić czas reakcji na alarmy, ograniczyć liczbę ręcznych korekt podlewania i uzyskać dzienny raport stabilności klimatu. Do systemu włączono dane ze sterownika, sond podłoża, przepływomierzy, pomiarów EC i pH, liczników energii oraz rejestru zbiorów.

Przez pierwsze 4 tygodnie system działał w trybie obserwacji. Przez kolejne 6 tygodni uruchomiono tryb doradczy dla podlewania i alarmów. Ostatni etap obejmował automatyczne priorytetyzowanie alarmów oraz rekomendacje korekt harmonogramu podlewania, zatwierdzane przez operatora.

W analizie modelowej mediana czasu reakcji na alarm spadła z 55 min do 18 min. Udział brakujących odczytów sensorów zmniejszył się z 9,0% do 1,7% po zmianie konfiguracji sieci i procedurze kontroli czujników. Liczba ręcznych korekt harmonogramu podlewania spadła z 11 do 6 dziennie, ponieważ część korekt została przeniesiona do reguł zależnych od promieniowania i wilgotności podłoża.

Najważniejszy wniosek był organizacyjny. System nie zastąpił agronoma, ale zmusił zespół do opisania decyzji, progów i wyjątków. To właśnie ta warstwa porządku daje podstawę do dalszej autonomii.

Ograniczenie interpretacyjne jest istotne: wynik zależy od konstrukcji obiektu, stanu automatyki, odmiany, pogody, zespołu i jakości sensorów. Dlatego KPI trzeba mierzyć lokalnie, a nie przenosić liczby z jednego obiektu do drugiego.

Checklista przed wdrożeniem

Przed wdrożeniem automatyzacji szklarni trzeba sprawdzić, czy obiekt ma dane, urządzenia i procesy potrzebne do bezpiecznego sterowania. Checklista pomaga szybko oddzielić projekt gotowy do pilotażu od projektu, który najpierw wymaga uporządkowania podstaw.

• Czy każdy sektor szklarni ma opisane źródła danych, zawory, punkty pomiarowe i odpowiedzialne osoby?
• Czy czujniki temperatury, wilgotności, CO₂, EC, pH i podłoża są kalibrowane oraz przypisane do właściwych lokalizacji?
• Czy sterownik klimatu lub SCADA udostępnia dane przez API, MQTT, OPC UA, Modbus albo stabilny eksport?
• Czy historia zmian nastaw jest zapisywana z datą, godziną i użytkownikiem?
• Czy alarmy mają priorytety, właścicieli i potwierdzenie reakcji?
• Czy istnieje tryb ręczny oraz procedura powrotu po awarii automatyki?
• Czy zespół uzgodnił KPI przed rozpoczęciem pilotażu?
• Czy dane o plonie i jakości można powiązać z sektorem, cyklem produkcyjnym i historią warunków?
• Czy projekt ma właściciela biznesowego, agronomicznego i technicznego?

Słownik pojęć

Słownik porządkuje terminy, które najczęściej pojawiają się przy sterowaniu szklarnią, automatyzacji i AI w produkcji pod osłonami.

Sterowanie szklarnią

Proces utrzymywania parametrów klimatu, nawadniania i fertygacji zgodnie ze strategią uprawy. Praktyczne znaczenie: mniej przypadkowych korekt i lepsza kontrola warunków produkcji.

Autonomiczna szklarnia

Obiekt, w którym system samodzielnie rekomenduje lub wykonuje wybrane decyzje operacyjne. Przykład: korekta podlewania na podstawie promieniowania, wilgotności podłoża i odpływu.

Inteligentna szklarnia

Szklarnia, która łączy dane z czujników, sterowników, prognoz i produkcji w celu wspomagania decyzji. Nie musi od razu samodzielnie sterować urządzeniami.

VPD

Deficyt ciśnienia pary wodnej, czyli wskaźnik opisujący relację temperatury i wilgotności powietrza. Pomaga oceniać transpirację oraz ryzyko stresu roślin.

Fertygacja

Podawanie wody razem ze składnikami pokarmowymi. W szklarni wymaga kontroli EC, pH, przepływu, odpływu i receptury pożywki.

EC

Przewodność elektryczna pożywki, używana jako wskaźnik stężenia soli mineralnych. Zbyt wysokie lub zbyt niskie EC może oznaczać stres dla roślin.

pH pożywki

Miara kwasowości pożywki. Wpływa na dostępność składników pokarmowych i powinna być monitorowana razem z EC.

IoT

Internet rzeczy, czyli sieć czujników i urządzeń przesyłających dane. W szklarni obejmuje sondy, stacje meteo, liczniki, sterowniki i bramki komunikacyjne.

SCADA

System nadzoru i akwizycji danych używany do monitorowania oraz sterowania procesami technicznymi. W szklarni może łączyć sterownik klimatu, pompy, zawory i alarmy.

Model predykcyjny

Algorytm przewidujący przyszły stan, na przykład wilgotność podłoża lub ryzyko przekroczenia VPD. Ma sens wtedy, gdy jakość danych pozwala sprawdzić jego trafność.

FAQ

Podsumowanie

Sterowanie szklarnią zmierza w stronę autonomii, ale najlepsze wdrożenia będą nadzorowane, mierzalne i ograniczone jasnymi zasadami bezpieczeństwa. Gospodarstwo może podejmować część decyzji automatycznie, jeśli wcześniej opisze proces, dane, urządzenia, odpowiedzialności i KPI.

Najpierw trzeba uporządkować pomiar i alarmy. Potem warto połączyć dane z klimatu, podłoża, pożywki, energii i jakości. Dopiero na tej podstawie można wdrażać tryb doradczy, modele predykcyjne i częściowe sterowanie aktuatorami.

Praktyczny następny krok jest prosty: wybierz jeden proces, który boli najbardziej, na przykład alarmy, podlewanie albo stabilność EC, i sprawdź, czy masz dane potrzebne do jego zmierzenia przed oraz po zmianie. Jeżeli nie da się policzyć efektu, projekt nie jest jeszcze gotowy na autonomię.