Agora, mais do que nunca, o setor agrícola precisa fazer mais com menos. De acordo com o Banco Mundial, os agricultores e pecuaristas representam apenas 1,3 por cento das pessoas empregadas nos Estados Unidos, o que significa que apenas 4 milhões de agricultores alimentam os 335 milhões de pessoas de hoje. A agricultura sozinha contribui com cerca de US $ 135 bilhões (USD) para a economia dos EUA a cada ano. Em 2018, o setor agrícola empregava cerca de 1 bilhão de pessoas em todo o mundo, representando 27% da força de trabalho global. Isso representa uma diminuição de 44% em 1991. Os números são impressionantes. Os agricultores enfrentam muitos desafios, com clima, pragas, demandas por menos produtos químicos e mais, que criam dores de cabeça no gerenciamento da agricultura.
Lucas Costa para a Mouser Electronics
Originalmente publicado em 9 de agosto de 2021 – traduzido em outubro de 2021 para o site com permissão da Mouser Electronics
Recentemente, os agricultores empregaram várias soluções técnicas, como o uso de drones e sensores remotos para fornecer insights sobre as condições do campo e do solo - informações que os agricultores usam para determinar os horários de rega, pulverização e semeadura. Parte de um movimento chamado agricultura de precisão, essas tecnologias forneceram percepções que antes não estavam disponíveis ou que exigiam tempo e esforço consideráveis ??para serem coletadas. A combinação de vários tipos de sensores, entretanto, cria desafios adicionais. A seguir, veremos a fusão de sensores e sistemas agrícolas inteligentes que se destacam na resolução de problemas e ajudando os agricultores a atender às demandas crescentes.
A promessa da agricultura de precisão
Imagine uma fazenda com centenas ou milhares de acres, com dezenas de campos plantados com centenas de milhares de plantas individuais. Otimizar as safras para produzir os melhores resultados requer avaliações contínuas - e resposta rápida - às condições do campo, níveis de umidade, produtos químicos do solo, tamanho e saúde das plantas, doenças, pragas e muito mais. Feito manualmente, a amostragem e a análise são normalmente realizadas no nível do campo, o que não leva em conta as variações em uma única zona ou de planta para planta. Além disso, este processo é demorado e trabalhoso, e os resultados podem não se aplicar necessariamente a todas as linhas ou plantas individuais dentro de um pacote ou ser entregues a tempo de economizar safras. Com dados ausentes ou imprecisos, o processo manual provavelmente não retrata com precisão as condições ao longo do tempo.
Avanços em sensores, imagens de satélite, robótica e análise de big data deram origem à agricultura de precisão, um conceito de gerenciamento que se concentra em observar, medir e responder às variáveis de campo em tempo real e fornecer uma imagem precisa das condições ao longo do tempo. Quando totalmente ativada, a abordagem usa tecnologia para:
• Monitorar as condições
• Avaliar as condições e diagnosticar problemas
• Decidir quais tratamentos ou tarefas são necessários para otimizar as colheitas
• Implementar tratamentos e tarefas
Embora agrupar as safras por região do campo seja útil, o próximo desafio na agricultura de precisão é atingir uma granularidade muito maior - até o nível da planta. O objetivo é identificar os requisitos de tratamento corretos no nível da planta em vez de para a área maior para melhorar a colheita e minimizar o desperdício.
Desafios de agricultura de precisão
Embora a agricultura de precisão ajude os agricultores a otimizar as safras, o processamento de grandes quantidades de dados de várias fontes de coleta cria seus próprios desafios. Para entender as necessidades de cada campo e safra, os agricultores precisam ter acesso a percepções de grande e pequena escala.
Dados em grande escala referem-se às influências que uma determinada região sofre de aspectos ambientais, como radiação solar, temperatura, precipitação e composição do solo. Esses dados são cruciais para os agricultores administrarem a plantação porque são um indicador das necessidades de fertilizantes, pesticidas e água. A desvantagem de confiar nesses dados é sua coleta, que envolve imprecisões de variações entre plantas individuais. Sensores e máquinas capazes de reconhecer as plantas individuais realizam análises precisas, principalmente em tempo real, para ajustar suas tarefas corretamente.
A aquisição de dados em tempo real vem de sensores de alta precisão acoplados a máquinas inteligentes no campo. Câmeras multiespectrais observam a coloração das folhas em espectros que os humanos não podem ver. Os sistemas de inteligência artificial (IA) capazes de classificar plantas por idade, estágio de crescimento e saúde podem usar imagens dessas câmeras para identificar e contar frutos e flores, gerando dados essenciais sobre a planta que não são coletados atualmente porque isso requer um trabalho intensivo e custo. Sensores de detecção e alcance de luz (LiDAR) capazes de coletar dados espaciais e fornecer medições em tempo real do volume e densidade da colheita ajudam os agricultores a tomar decisões individualizadas com base no status atual de cada planta.
O desafio da agricultura de precisão é entender como diferentes parâmetros e dados coletados afetam a planta e implementar sistemas capazes de processar esses dados em tempo real para aplicações em campo. Sensores e sistemas novos são capazes de realizar análises tão complexas rapidamente, mas sua implementação requer amplo conhecimento em áreas multidisciplinares, com muita pesquisa e experimentação.
A fusão de dados resolve os desafios
Dada a complexidade dos dados coletados, não é surpreendente que o processamento de dados de uma forma que forneça os insights certos represente desafios significativos. A fusão de dados começou a ajudar a resolver esses problemas. O conceito por trás da fusão de dados é integrar várias fontes de dados para produzir informações mais precisas e úteis do que qualquer fonte de dados individual poderia fornecer. Esse efeito pode ser visto na agricultura com um mapa de análise de solo e contagem de frutos de árvores, que não representam totalmente a condição da cultura por si só, mas ajudam os agricultores a entender melhor as necessidades da planta, como a quantidade correta de cada nutriente para o maior rendimento.
É possível entender melhor cada planta no campo combinando sistemas de posicionamento global (GPS), mapas de solo, imagens de drones, imagens de solo e LiDAR. Vários sistemas, cada um equipado com sensores, são necessários para obter uma grande quantidade de dados.
Fusão de Sensores (Sensor Fusion)
A fusão de sensores é o processo de mesclar dados derivados de várias fontes para fornecer informações mais precisas do que seria viável se as fontes fossem usadas separadamente. Máquinas capazes de fusão de sensores podem usar vários sensores e um microcontrolador equipado com AI e algoritmos inteligentes capazes de processar todos os dados do sensor, geralmente em tempo real, para fornecer uma saída melhor usando todas as leituras ou entendendo quais sensores priorizar para cada tarefa.
Em um campo durante a aplicação de um pesticida, tal máquina inteligente pode usar as imagens de uma câmera para identificar o nível de infecção de uma doença por árvore corretamente, mas é limitado pela compreensão espacial. Nesse sentido, o LiDAR ajuda a descrever as dimensões da cultura para ajustar o volume dos produtos químicos sendo aplicados corretamente.
Anteriormente, a coleta de dados na agricultura era tão trabalhosa e cara que os agricultores precisavam coletar seus dados por bloco ou região. A fusão de sensores fornece uma avaliação precisa da safra no nível da planta, um nível de precisão nunca visto antes na agricultura.
Um exemplo de sistema de fusão de sensores que está sendo aplicado atualmente na agricultura é o sistema SmartSense, desenvolvido pela Agriculture Intelligence of Florida. O sistema contém câmeras, LiDAR e sensores GPS para coletar dados de cultivo de citros em tempo real, como altura da árvore, densidade do dossel, estado de saúde e contagem de frutos. Este sistema pode ser acoplado a qualquer veículo terrestre que conduza em campo, como tratores. Se conectado a um pulverizador ou distribuidor de frutas cítricas que normalmente opera nas áreas várias vezes por mês, os dados coletados podem ser usados para controlar a máquina, fornecendo uma metodologia de taxa variável que coleta dados de perto enquanto também ajusta a aplicação de produtos químicos em tempo real.
Sistema de Sistemas
Um sistema de sistemas, como fusão de dados, é uma coleção de sistemas dedicados que reúnem suas capacidades para produzir um sistema mais sofisticado com maior funcionalidade e desempenho do que a soma de suas partes. Em vez de mesclar dados de vários sensores, um sistema de sistemas usa as saídas e análises de várias máquinas para fornecer uma visão em grande escala com alta precisão.
A necessidade de um sistema tão complexo é facilmente visível na coleta de dados para a agricultura, que muitas vezes requer vários sistemas, como estações meteorológicas para temperatura e precipitação, imagens de satélite e drones para reconhecimento de campo e sensores de qualidade da água para irrigação. Embora todas essas informações sejam úteis para que cada sistema conclua sua tarefa, elas também podem ajudar a melhorar o gerenciamento da fazenda.
A gestão da cultura depende da detecção rápida e precisa dos problemas o mais cedo possível. Análises diferentes podem levar a várias soluções para um problema, mas ter acesso a ângulos diferentes pode ajudar a identificar o problema corretamente. Por exemplo, com uma análise de solo, um agricultor pode detectar que um bloco tem a quantidade correta de nutrientes na química do solo e, portanto, deve ser saudável. O pulverizador inteligente detecta um pequeno grupo de árvores insalubres durante uma aplicação regular, indicando uma doença. Um voo simultâneo de drones com uma câmera térmica pode levar adiante a investigação, identificando o problema como falta de água por um bloqueio no sistema de irrigação.
Um exemplo de sistema de sistemas é o Agriculture Intelligence Agroview. Os agricultores podem enviar imagens coletadas de fazendas usando um drone com câmeras espectrais, mapas de análise de solo, informações de safras anteriores e muito mais para este software baseado em nuvem. A plataforma gera um mapa aéreo do campo e fornece informações sobre a contagem, tamanho, saúde, previsão de produção e até mesmo requisitos de fertilizantes para plantas individuais.
A análise da saúde da cultura pode ajudar os agricultores a ajustar o uso de pesticidas, enquanto a análise de fertilidade identifica pontos que requerem mais ou menos aplicações de fertilizantes. Os agricultores podem usar essas saídas como mapas de aplicativos. Máquinas inteligentes de taxa variável usam essas saídas de dados para identificar a necessidade de cada área de adaptar sua taxa de aplicação. Este processo pode melhorar significativamente a economia de custos, reduzir o uso de pesticidas e gerar uma colheita de maior qualidade.
Em um estudo sobre maquinários inteligentes na agricultura realizado na Universidade da Flórida, o pulverizador de árvores cítricas equipado com o sistema SmartSense reduziu o uso de fertilizantes em até 30 por cento em pomares de citros na Flórida Com resultados semelhantes na redução de custos, o SmartSense também apresenta a novidade do avaliar a saúde e prever o rendimento da colheita de forma confiável e precisa.
Conclusão
Máquinas de campo inteligentes e autônomas, capazes de aplicações de taxa variável, fornecem uma solução para uma necessidade crescente de reduzir o desperdício e o uso de produtos químicos nas plantações. As técnicas de fusão de dados permitem que esses sistemas gerem uma avaliação confiável e precisa da cultura em diferentes campos e condições. Com recursos limitados, novas tecnologias estão sendo aplicadas para minimizar os recursos e, ao mesmo tempo, atender às demandas da colheita.
Com um aumento contínuo na demanda por safras maiores e melhores, ao mesmo tempo em que reduz o uso de produtos químicos no meio ambiente, novas tecnologias visam ajudar os agricultores a administrar suas safras. As técnicas de agricultura de precisão podem ajudar os agricultores a atender às demandas com menos recursos, combinando o melhor em análise de dados para aplicações de campo com as práticas de gerenciamento de dados mais eficazes para maximizar a produtividade e minimizar os gastos.
Biografia do autor
Lucas tem mestrado em Aprendizado de Máquina e Robótica e é desenvolvedor, pesquisador e praticante de Inteligência Artificial, bem como desenvolvedor de Software de Código Aberto, com experiência em visão de máquina e automação para máquinas inteligentes em Agricultura de Precisão em seu trabalho como pesquisador na Universidade da Flórida e desenvolvedor em sua empresa co-fundada Agriculture Intelligence. Ele é autor de muitos artigos, bem como software em nuvem (Agroview) e sistemas de fusão de dados.
