Monitorização de culturas e IA: o futuro da agricultura

O papel e a importância da agricultura são conhecidos de todos. Para além de nos alimentar, permitiu os primeiros assentamentos humanos e a transição de um estilo de vida nómada para uma forma de vida sedentária, que culminou no estado atual da civilização. Apesar de já existirem muitas tecnologias IoT e inovação a ser introduzidas nos últimos anos, ainda há muito espaço para melhorias.

A utilização generalizada de Inteligência Artificial, aliada às alterações climáticas, ao crescimento populacional, à escassez de trabalhadores agrícolas e às preocupações com a segurança alimentar, impulsionou o setor agrícola na procura de abordagens ainda mais inovadoras para aumentar a produtividade.

A imagem acima, adaptada de aqui, sugere que os robôs podem desempenhar um papel importante no controlo, mas espera-se que o papel dos humanos na análise e planeamento seja cada vez mais assistido por máquinas, de forma a que o ciclo se torne quase autónomo. Isto é reforçado pela projeção do mercado de IA agrícola de $519 milhões em 2019 para $2,6 mil milhões até 2025, segundo um relatório de Markets and Markets de 2019. Neste artigo, exploraremos as aplicações populares e casos de uso comuns de IA na agricultura.

Curso, Modelos

Data Ignite

Descubra o potencial de qualquer caso de uso de IA no seu negócio seguindo a nossa metodologia.

Saiba Mais

Sistema de rega automatizado

O setor agrícola consome 85% da água doce disponível no mundo, e esta percentagem está a aumentar rapidamente com o crescimento populacional e a procura de alimentos. Na agricultura em espaço aberto, é frequente encontrar sistemas de rega altamente ineficientes que resultam em desperdício de água em vez de humidade do solo controlada. Ao dispersar sensores que medem temperatura, humidade, pH e humidade do solo por toda a extensão dos campos, é possível regar com precisão apenas as regiões que necessitam de rega, de forma completamente automatizada. Os dados do sensor associados a cada secção do campo são modelados para ativar uma válvula nessa região específica.

Para além disso, a evapotranspiração das plantas também é afetada por uma série de parâmetros atmosféricos como humidade, velocidade do vento, radiação solar e até por fatores da própria cultura, como o estágio de crescimento, densidade de plantas, propriedades do solo e pragas. Estes podem ser modelados de forma semelhante à abordagem anterior, veja o trabalho de Patil et al..

Deteção de doenças das folhas

Estima-se que as doenças correspondem a uma grande parcela das perdas de produtividade das culturas. A prática mais amplamente utilizada no controlo de pragas e doenças é pulverizar pesticidas uniformemente sobre toda a área de cultura. Esta prática, apesar de eficaz, tem um custo financeiro e ambiental significativo.

Tradicionalmente, a deteção de doenças pode ser feita manualmente observando a cor das folhas e a presença de manchas. No entanto, esta prática foi aprimorada por sistemas de visão computacional que conseguem segmentar as regiões de folha afetadas e classificá-las como estando associadas a uma doença ou não. Empresas como SkySquirrel Technologies utilizam imagética aérea baseada em drones para monitorizar a saúde das explorações e auxiliar os agricultores no momento e local de implementação do controlo de pragas.

Num caso de uso semelhante, relativo ao trigo, uma das culturas mais significativas economicamente a nível mundial, Pantazi et al. desenvolveram um novo sistema para diferenciar entre culturas doentes e saudáveis. O sistema detetou copas de trigo de inverno sob stress de azoto, infetadas com ferrugem amarela e saudáveis, com base num classificador hierárquico auto-organizável e dados de imagética de reflectância hiperspectral.

Deteção de infestantes

A deteção e gestão de infestantes é outro problema significativo na agricultura. Muitos produtores indicam as infestantes como a ameaça mais importante para a produção de culturas. A deteção precisa de infestantes é de extrema importância, dada a dificuldade em detetar e discriminar entre culturas desejadas. A competição entre culturas e infestantes indesejadas representa mais de $11 mil milhões segundo investigação realizada na Índia, veja aqui. Assim, remover estas infestantes dos campos é de paramount importância para evitar que o espaço seja ocupado e a crescimento das culturas seja negativamente impactado.

Para implementar um sistema com este caso de uso é primeiro necessário diferenciar as culturas das infestantes e, como já sabemos, a visão computacional é uma ferramenta poderosa para o fazer. Posteriormente, pulverização micro ou lasers podem ser utilizados para remover os visitantes indesejados. Como exemplo, Tamouridou et al. apresentaram um novo método baseado em redes neuronais e imagens aéreas multiespectrais para a identificação de Silybum marianum, uma infestante que é difícil de erradicar e causa perdas significativas na produtividade.

Casos de uso relacionados com drones

A monitorização aérea de culturas tem ganho momentum graças aos drones. Com os avanços recentes e a diminuição dos preços das tecnologias, mais investigação tem sido conduzida com aplicações práticas.

Estas aeronaves não tripuladas estão a ser utilizadas para monitorizar a saúde das culturas, equipamentos de rega, rebanhos e vida selvagem, identificar infestantes e gerir desastres. Para além disso, utilizando os seus sistemas de imagética digital, é possível obter informações de elevação do campo que podem depois ser utilizadas para detetar padrões de drenagem e áreas molhadas/secas.

A gestão da exploração também pode utilizar monitorização em tempo real das operações para garantir que tudo está a funcionar adequadamente. A utilização de drones com base em técnicas de Visão Computacional para pulverização de produtos e fertilização pode atingir uma precisão superior à utilização de tratores convencionais e é uma opção mais segura para trabalhadores que não têm de pulverizar as plantas manualmente e em contacto direto.

Novos sensores montados em drones, com câmaras de alta tecnologia sendo os olhos do cliente no terreno e procedimentos otimizados para o levantamento, aquisição e análise de dados estão continuamente a ser desenvolvidos e testados, mas isto não é novidade. Os satélites têm sido utilizados há mais de uma década para inspecionar grandes áreas de cultivo e florestas, mas a sua precisão e flexibilidade não conseguem rivalizar com a utilização de drones. Abaixo pode ver exemplos de utilização de drones, extraídos de aqui.

Mapeamento de produtividade

A previsão de produtividade ao nível de uma porção de campo pode ser feita através de uma combinação de técnicas de machine learning para analisar mapeamento 3D a partir de dados de sensores e dados baseados em drones da cor do solo. Com estes inputs, especialistas em agricultura podem depois prever a produtividade potencial do solo para uma cultura específica.

Num estudo, autores desenvolveram um sistema inicial de mapeamento de produtividade para a identificação de citrinos verdes imaturos numa plantação de citrinos em condições exteriores, veja Sengputa et al.. Este sistema compreendeu classificação de textura por uma máquina de vetores de suporte (SVM), deteção de bordas Canny combinada com um algoritmo de componente conectada baseado em grafos e deteção de linhas de Hough. Noutro estudo, os autores desenvolveram um modelo para a estimação de biomassa de pastagem baseado em redes neuronais e dados de deteção remota multitemporal como índices de vegetação, bandas espectrais de vermelho e NIR. Na China, foram implementados métodos para prever a fase de desenvolvimento do arroz com base em SVM e informações geográficas básicas obtidas a partir de estações meteorológicas, veja este artigo para mais detalhes. Abaixo, podemos ver uma representação visual da previsão de produtividade extraída de aqui.

Vigilância

Apesar de poder não ser tão direcionado para a agricultura como os outros, continua a ser uma necessidade presente no setor. Os agricultores têm de monitorizar grandes áreas de terreno e isto pode certamente ser feito utilizando sistemas de visão computacional. Ao fazer isto, é possível reduzir o potencial de animais domésticos e selvagens destruírem acidentalmente as culturas ou experienciar roubo numa exploração remota.

Já existem vários serviços presentes no mercado para alguns dos casos de uso descritos acima, como pode ver-se na tabela abaixo, extraída de aqui:

Atividades Agrícolas	Exemplos de empresas de IA
Controlo de infestantes	Blue River Technology
Colheita e embalagem	Harvest CROO Robotics
Diagnóstico de pragas e deficiências do solo	PEAT
Análise do solo	Trace Genomics
Monitorização da saúde das culturas	VineView
Desbaste de alface	Blue River Technology
Tratores autónomos	Autonomous Tractor Corp

Considerações finais

Como se vê ao longo deste artigo, a tendência na agricultura está a apontar para big data e utilização de IA. Para mais informações sobre este tópico consulte estas duas revisões abrangentes (este artigo e este outro). Esperamos que os casos de uso discutidos tenham ampliado a sua perspetiva sobre este tema e, como sempre, não hesite em contactar-nos se tiver dúvidas!

Deseja aprofundar esta ideia?

Marque uma reunião com Kelwin Fernandes

Conheça Kelwin Saiba Mais