Ferramenta desenvolvida na Universidade de Bonn deverá permitir previsões de rendimento, entre outras coisas, no futuro
Pesquisadores da Universidade de Bonn desenvolveram um software que pode simular o crescimento de culturas agrícolas. Para fazer isso, eles alimentaram milhares de fotos de experimentos de campo em um algoritmo de aprendizagem. Isso permitiu ao algoritmo aprender como visualizar o desenvolvimento futuro das plantas cultivadas com base em uma única imagem inicial. Usando as imagens criadas durante este processo, parâmetros como área foliar ou rendimento podem ser estimados com precisão. Os resultados foram publicados na revista Plant Methods.
Quais plantas devo combinar e em que proporção para obter o maior rendimento possível? E como se desenvolverá a minha colheita se eu usar esterco em vez de fertilizantes artificiais? No futuro, os agricultores deverão poder contar cada vez mais com o apoio informático para responder a estas questões.
Pesquisadores da Universidade de Bonn deram agora um passo crucial rumo a esse objetivo: “Desenvolvemos um software que usa fotos de drones para visualizar o desenvolvimento futuro das plantas mostradas”, explica Lukas Drees, do Instituto de Geodésia e Geoinformação. na Universidade de Bonn. O pesquisador em início de carreira é funcionário do PhenoRob Cluster of Excellence. O projecto de grande escala baseado na Universidade de Bona pretende impulsionar a digitalização inteligente da agricultura para ajudar a agricultura a tornar-se mais amiga do ambiente, sem prejudicar os rendimentos das colheitas.
Um vislumbre virtual do futuro para auxiliar na tomada de decisões
O programa de computador agora apresentado por Drees e seus colegas na revista Plant Methods é um importante alicerce. Deveria eventualmente tornar possível simular virtualmente certas decisões – por exemplo, para avaliar como o uso de pesticidas ou fertilizantes afetará o rendimento das culturas.
Para que isso funcione, o programa deve ser alimentado com fotos de drones provenientes de experimentos de campo. “Tirámos milhares de imagens durante um período de crescimento”, explica o investigador doutorando. “Desta forma, por exemplo, documentamos o desenvolvimento das culturas de couve-flor sob certas condições”. Os pesquisadores então treinaram um algoritmo de aprendizagem usando essas imagens. Posteriormente, com base em uma única imagem aérea de um estágio inicial de crescimento, esse algoritmo foi capaz de gerar imagens que mostravam o desenvolvimento futuro da cultura em uma nova imagem criada artificialmente. Todo o processo é muito preciso, desde que as condições da cultura sejam semelhantes às presentes quando as fotos de treinamento foram tiradas. Consequentemente, o software não leva em consideração o efeito de uma onda de frio repentina ou de uma chuva constante que dura vários dias. Contudo, deverá aprender no futuro como o crescimento é afectado por influências como estas – bem como por uma maior utilização de fertilizantes, por exemplo. Isto deverá permitir-lhe prever o resultado de certas intervenções do agricultor.
“Além disso, usamos um segundo software de IA que pode estimar vários parâmetros a partir de fotos de plantas, como o rendimento das culturas”, diz Drees. “Isso também funciona com as imagens geradas. Assim, é possível estimar com bastante precisão o tamanho subsequente das cabeças da couve-flor numa fase muito inicial do período de crescimento.”
Foco em policulturas
Uma área em que os pesquisadores estão se concentrando é o uso de policulturas. Refere-se à semeadura de diferentes espécies em um mesmo campo – como feijão e trigo. Como as plantas têm requisitos diferentes, elas competem menos entre si numa policultura deste tipo em comparação com uma monocultura, onde apenas uma espécie é cultivada. Isso aumenta o rendimento. Além disso, algumas espécies – o feijão é um bom exemplo disso – podem reter o nitrogênio do ar e usá-lo como fertilizante natural. As outras espécies, neste caso o trigo, também se beneficiam com isso.
“As policulturas também são menos suscetíveis a pragas e outras influências ambientais”, explica Drees. “No entanto, o bom funcionamento de tudo depende muito das espécies combinadas e da proporção de mistura.” Quando os resultados de muitos experimentos de mistura diferentes são inseridos em algoritmos de aprendizagem, é possível derivar recomendações sobre quais plantas são particularmente compatíveis e em que proporção.
Simulações de crescimento de plantas com base em algoritmos de aprendizagem são um desenvolvimento relativamente novo. Modelos baseados em processos têm sido usados principalmente para esse fim até agora. Estes – metaforicamente falando – têm uma compreensão fundamental de quais nutrientes e condições ambientais certas plantas necessitam durante o seu crescimento para prosperarem. “Nosso software, no entanto, faz suas declarações apenas com base na experiência coletada com as imagens de treinamento”, enfatiza Drees.
Ambas as abordagens se complementam. Se fossem combinados de forma adequada, poderia melhorar significativamente a qualidade das previsões. “Esse também é um ponto que estamos investigando em nosso estudo”, diz o pesquisador doutor: “Como podemos usar métodos baseados em processos e imagens para que eles se beneficiem da melhor maneira possível?”
