Inteligência artificial (IA) na agricultura

O que é a inteligência artificial?

A inteligência artificial (IA) é a capacidade de uma máquina exibir capacidades humanas, como o raciocínio, a aprendizagem, o planeamento e a criatividade (definição da Comissão Europeia, 2018). A IA é simultaneamente ciência e engenharia. É ciência porque estuda teoricamente como o "raciocínio artificial" pode funcionar. É engenharia porque constrói máquinas ou programas que efetivamente realizam essas capacidades.
O principal objetivo da IA é desenvolver algoritmos, modelos e sistemas que permitem às máquinas aprender com os dados, tirar conclusões, tomar decisões e resolver problemas de forma autónoma, como se fossem humanos. Um sistema de IA funciona quando o seu desempenho é mensurável e verificável. Por exemplo, se a máquina resolve um problema, executa uma tarefa ou toma decisões com sucesso de acordo com critérios pré-determinados.

Fig.1: IA: ciência e engenharia.

Aprendizagem automática e aprendizagem profunda

A aprendizagem automática e a aprendizagem profunda são duas tecnologias de inteligência artificial que estão a entrar cada vez mais no trabalho diário dos agricultores e técnicos de campo como ferramentas práticas para tomar melhores decisões.
Aprendizagem automática pode ser descrito como a capacidade de um sistema para "aprender com a experiência". Na prática, são fornecidos ao modelo muitos dados históricos: dados meteorológicos, dados de produção, análises do solo, imagens das culturas, intervenções agronómicas e respectivos resultados. Ao analisar estes dados, o algoritmo identifica automaticamente relações recorrentes, chamadas padrões, e utiliza-as para fazer previsões ou sugerir acções. Na agricultura, isto significa, por exemplo, estimar os rendimentos esperados, prever um risco de stress hídrico ou identificar condições favoráveis ao desenvolvimento de uma doença com base em dados ambientais e agronómicos reais.
Aprendizagem profunda é um subconjunto da aprendizagem automática que é particularmente poderoso quando se trabalha com dados complexos, como imagens, sinais ou séries temporais muito detalhadas. O seu ponto forte é a utilização de redes neuronais "profundas", inspiradas no funcionamento do cérebro humano, que são capazes de extrair automaticamente as informações mais relevantes dos dados brutos. No contexto agrícola, a aprendizagem profunda é o que permite, por exemplo, reconhecer uma doença foliar a partir de uma fotografia tirada no campo, distinguir as pragas da cultura, analisar a estrutura da copa de uma planta ou avaliar o estado de vigor a partir de imagens de satélite ou de drones.

Fig.2: Aprendizagem automática e aprendizagem profunda.

A diferença prática entre as duas abordagens é que a aprendizagem automática funciona muito bem quando as variáveis-chave já são conhecidas e mensuráveis, como os dados fenológicos, o rendimento e as condições meteorológicas. Por outro lado, a aprendizagem profunda torna-se essencial quando a informação não é imediatamente numérica, mas tem de ser interpretada, como no caso das imagens aéreas. Muitas vezes, em aplicações agrícolas mais avançadas, as duas tecnologias são combinadas: a aprendizagem profunda extrai informações de imagens ou sensores, e a aprendizagem automática integra-as com dados meteorológicos, do solo e de gestão agronómica para apoiar a decisão final.

A IA é realmente útil na agricultura?

O valor da inteligência artificial emerge sobretudo quando é aplicada a problemas concretos e devidamente integrada nos processos de decisão das empresas. A utilidade das técnicas de aprendizagem automática e de aprendizagem profunda consiste em apoiar o agricultor num ambiente cada vez mais complexo e aleatório, caracterizado pela variabilidade climática, pelo aumento dos custos de produção, por uma maior pressão regulamentar e pela necessidade de reduzir o impacto ambiental.
Hoje em dia, graças à utilização de estações meteorológicas agrícolas, imagens de satélite e de drones, sensores no campo ou montados em tractores, a agricultura dispõe de uma grande quantidade de dados. Estes dados têm de ser transformados em informação para o próprio agricultor, para o ajudar a tomar decisões informadas e corretas. Um dos pontos cruciais da agricultura moderna é a necessidade de atuar prontamente para garantir a qualidade e a quantidade do produto final. A inteligência artificial permite que os dados de diferentes fontes sejam analisados e transformados em indicações operacionais, tais como janelas de intervenção óptimas, níveis de risco ou prioridades de ação. Isto é particularmente relevante para actividades como a gestão da irrigação, a gestão de pragas, a nutrição e a monitorização do estado vegetativo.

Gerir a variabilidade espácio-temporal

Uma das maiores vantagens da utilização da IA é a capacidade de trabalhar sobre a variabilidade espacial e temporal dos sistemas agrícolas. Campos aparentemente homogéneos podem apresentar diferenças significativas no solo, no vigor ou no desenvolvimento fenológico. Graças à aprendizagem automática e à aprendizagem profunda, estas diferenças podem ser detectadas e quantificadas, permitindo intervenções direcionadas e, consequentemente, uma utilização mais eficiente da água, dos fertilizantes e dos pesticidas. Trata-se de uma abordagem vantajosa para todos, que, por um lado, reduz os custos para o agricultor e, por outro, aumenta a sustentabilidade social, económica e ambiental.
No entanto, é crucial esclarecer que a eficácia destas ferramentas depende muito da qualidade dos dados e da correção do modelo agronómico subjacente. Um algoritmo não pode compensar dados em falta ou pouco representativos ou uma interpretação agronómica incorrecta do problema. É por isso que uma abordagem multidisciplinar é crucial: a cooperação entre agricultores, agrónomos, técnicos e especialistas em inteligência artificial é necessária para garantir o melhor desempenho da IA aplicada à agricultura. Os algoritmos de aprendizagem automática e de aprendizagem profunda funcionam melhor quando são construídos sobre uma base agronómica sólida e utilizados como ferramentas de apoio, capazes de transformar grandes quantidades de dados em orientações operacionais mais atempadas, direcionadas e sustentáveis.

Fig.3: A utilização da aprendizagem automática e da aprendizagem profunda na agricultura exige uma abordagem multidisciplinar.

IA nos pomares de citrinos: um estudo de caso real

Um exemplo concreto da aplicação da inteligência artificial e das tecnologias digitais na agricultura é representado pelaanálise multiespectral realizada por um drone num pomar de citrinos localizado na Sicília. O objetivo da atividade era avaliar objetiva e quantitativamente o estado vegetativo e a resposta das plantas a diferentes produtos agronómicos (bioestimulantes), explorando imagens de muito alta resolução e algoritmos de análise avançados.
A área de estudo foi subdividida em 25 parcelas experimentais de 80 m² com 4 plantas cada. Esta abordagem permitiu obter dados comparáveis e estatisticamente robustos, essenciais para avaliar a eficácia dos tratamentos testados e para interpretar corretamente a variabilidade espacial do pomar de citrinos.
O levantamento foi realizado muito rapidamente utilizando um drone DJI Mavic 3 Multispectral, cujo sensor multiespectral integrado permite a aquisição simultânea e alinhada de quatro bandas espectrais (Verde, Vermelho, Red Edge e NIR), para além da imagem RGB de alta resolução.

Fig.4: Parcelas experimentais num pomar de citrinos da Sicília.

Os resultados da experiência

A partir das imagens RGB e multiespectrais, foi recriado um modelo 3D (gémeo digital) do pomar de citrinos. A utilização deste modelo, combinada com algoritmos de visão computacional e de IA, permite a extração automática de vários parâmetros biométricos e fisiológicos da cultura, potencialmente numa base planta a planta: superfície vegetada, para quantificar o coberto vegetal; espessura, altura e volume do coberto vegetal, indicadores diretos do desenvolvimento vegetativo; índices de vegetação, nomeadamente o NDVI para o vigor vegetativo, o GNDVI e o NDRE para a estimativa indireta da concentração de clorofila e do estado nutricional. Estes parâmetros são derivados da aplicação de algoritmos de análise avançados que transformam os dados brutos em informação agronómica. As imagens multiespectrais, complexas por definição, são processadas para extrair padrões espaciais e diferenças entre parcelas que seriam difíceis de detetar com observações visuais tradicionais.
Vejamos dois exemplos de parâmetros biométricos calculados no pomar de citrinos. Em primeiro lugar, a área vegetada representa a densidade da copa de cada planta cítrica e é fundamental para visualizar a distribuição espacial da densidade, identificando áreas com menor ou maior densidade.

Fig.5: Área de copa de cada planta.

O mapa do volume do dossel permite visualizar o desenvolvimento global do dossel como um valor médio para cada parcela. O volume do dossel está diretamente relacionado com a biomassa e é semelhante ao mapa anterior da área vegetada.

Fig.6: Volume da copa de cada planta.

Com base na informação multiespectral captada pelo drone, foram calculados três índices de vegetação: NDVI, GNDVI e NDRE. O índice NDVI é fortemente influenciado pelo vigor da área vegetada, mas é igualmente limitado por ele, pois, após atingir um ponto máximo, tende a saturar e ocultar qualquer variabilidade no campo. No pomar de citrinos, observa-se uma variabilidade intra-parcelar, bem como uma variabilidade entre parcelas.

Fig.7: Índice de vegetação NDVI da copa das árvores para cada planta.

O mapa GNDVI permite monitorizar o teor de clorofila das culturas e distinguir melhor as zonas mais saudáveis do que o NDVI quando as copas estão bem desenvolvidas. Além disso, o GNDVI pode ser utilizado para avaliar a absorção de água pelas plantas e, por conseguinte, o seu stress hídrico. Mais uma vez, verifica-se uma elevada variabilidade entre parcelas, enquanto a variabilidade intraparcelas é baixa.

Fig.8: Índice de vegetação GNDVI da copa das árvores para cada planta.

Tal como acontece com o índice GNDVI, o mapa NDRE permite monitorizar o teor de clorofila das culturas , mesmo quando os dosséis estão bem desenvolvidos. O NDRE é um melhor indicador da saúde das plantas do que o NDVI para culturas médias e tardias com um elevado nível de clorofila. Além disso, o NDRE pode ser utilizado para avaliar a absorção de azoto pelas plantas e, por conseguinte, a sua eficiência.

Fig.9: Índice de vegetação NDRE da copa das árvores para cada planta.

Conclusões

O estudo de caso realizado no pomar de citrinos mostra que a inteligência artificial aplicada à teledeteção por drone pode tornar-se uma ferramenta operacional concreta de apoio à decisão agronómica. O iDrone da Agrobit permite transformar imagens multiespectrais de muito alta resolução em informação objetiva e mensurável sobre o estado vegetativo das culturas. Além disso, através do cálculo de parâmetros biométricos e índices de vegetação, foi possível identificar e quantificar a variabilidade espacial do pomar de citrinos, avaliar a resposta das plantas a diferentes tratamentos e identificar situações de stress numa fase inicial. Esta informação, que é difícil de obter apenas com a monitorização visual, permite intervenções mais direcionadas, eficientes e sustentáveis.
Num ambiente agrícola cada vez mais complexo, o serviço iDrone fornece uma solução AgTech fiável para melhorar a eficiência da gestão, reduzir custos e apoiar decisões baseadas em dados.