A próxima grande revolução relacionada à plantação de alimentos é a agricultura de precisão, onde os vários fatores que afetam o desempenho da produção serão ajustados finamente com o objetivo de maximizar os resultados. Essa fase da evolução do processo produtivo cria a demanda por soluções sofisticadas de análise de dados, que sejam capazes de guiar decisões em tempo real. Um passo importante nessa direção foi dado semana passada com a publicação de um estudo feito por pesquisadores da Universidade de Illinois. Eles criaram uma rede neural convolucional para predizer o rendimento de plantações a partir de dados ambientais e nutricionais do solo.
O estudo envolveu dados coletados em 2017 e 2018 de um projeto chamado Data Intensive Farm Management (Administração Agrícola Intensiva em Dados, tradução livre), no qual sementes e fertilizantes baseados em nitrogênio foram aplicados em diferentes taxas em 226 plantações nos Estados Unidos, no Brasil, na Argentina e na África do Sul. Além dos dados dos tratamentos, foram coletados dados topográficos, de condutividade do solo, e imagens de satélite em alta resolução. As plantações foram divididas em regiões quadradas de 5 metros x 5 metros, e os dados correspondentes foram passados à CNN para treinamento. Os resultados das predições no dataset de treino foram comparados com aqueles obtidos com outros métodos de machine learning; no caso de regressão linear múltipla, a CNN apresentou um ganho de desempenho (pela métrica RMSE) de 68%, e para random forests, o ganho foi de 29%. Os pesquisadores creditam esses resultados ao fato de que a CNN consegue explorar padrões “escondidos” nos dados, que não são capturados pelos outros métodos. A maior variabilidade associada com a estrutura espacial dos dados também faz melhor proveito dessa arquitetura.
Os cientistas comentam que estão tentando mudar a forma como as pesquisas agronômicas são conduzidas. Geralmente, uma pequena plantação piloto é usada para gerar estatísticas simples, como a média, em função dos fatores de cultivo aplicados. Com a nova abordagem, é possível fazer os experimentos no campo do próprio agricultor, com o seu maquinário, o que faz dos resultados muito mais confiáveis. Além disso, é possível segmentar a área de plantio e estabelecer protocolos de cultivo específicos dependendo das condições locais.
O estudo é apenas uma demonstração do potencial da aplicação de machine learning na área de agricultura de precisão, entregando predições precisas de rendimento com base nos dados de cultivo. Desenvolvimentos futuros serão capazes de fornecer recomendações otimizadas para combinações de fatores de plantio e limitações do terreno. Ainda é possível aumentar bastante o rendimento das áreas que já são cultivadas, e a inteligência artificial vai ser uma ferramenta essencial para tornar isso possível.
