Quando devo começar a aplicar fertilizante de taxa variável e onde? Meus campos do sul têm problemas de pragas ou doenças?

Os atrasos no plantio devido às fortes chuvas reduzirão o rendimento das culturas regionais? E o verão quente e seco devido ao El Niño? Quais campos precisam ser ceifados devido a estresses na cultura, como geada, calor ou seca?

As tecnologias digitais podem ser usadas para mitigar e prever perdas de produção com dados em tempo real. Eles podem ser usados ​​para intervenções de manejo, como fertilização, controle de pragas, detecção de estresse, manejo de irrigação e controle de ervas daninhas antes que afetem negativamente a produtividade da cultura. Informações precisas sobre a distribuição espacial e a dinâmica de crescimento das culturas são essenciais para avaliar os riscos potenciais à segurança alimentar e também são essenciais para avaliar as tendências do mercado nos níveis regional, nacional e até global.

Andries Potgieter, professor associado da Universidade de Queensland, pesquisador da Aliança de Queensland para Agricultura e Inovação Alimentar, é o principal autor de um novo artigo publicado em in silico Plantas que avaliam o que há de novo e o que vem a seguir no mundo das tecnologias digitais para cultivos. De acordo com Potgieter, “Este artigo destaca os avanços feitos na observação da Terra, aprendizado de máquina e tecnologias de computação em nuvem, especificamente durante os últimos 5 anos. Além disso, discute a fusão de tais tecnologias com sistemas biofísicos baseados em conhecimento direcionados que levarão a aplicações mais avançadas na agricultura. Esses sistemas físicos preditivos integrados têm o potencial de mitigar o impacto dos extremos climáticos e das mudanças nos sistemas de produção agrícola. Especificamente, na Austrália, onde os impactos projetados de climas futuros na produção de alimentos são mais preocupantes para a sustentabilidade e resiliência das indústrias para lidar com isso”.

Os autores primeiro revisam as tecnologias de sensoriamento remoto e proximal. Atualmente, existem mais de 140 satélites de observação da Terra (EO) em órbita, portando sensores que medem regiões do visível, infravermelho e micro-ondas do espectro eletromagnético da vegetação terrestre. O sensoriamento remoto permite que culturas em grandes áreas sejam monitoradas ao longo do tempo e com dados repetidos e precisos. Esses dados podem ser usados ​​(entre outras coisas) para discriminar entre diferentes tipos de culturas (por exemplo, trigo, cevada, grão-de-bico e canola) e quantificar a área de cultivo em nível regional e de paisagem.

Avanços recentes em tecnologias de sensores levaram ao rápido aumento no uso de drones ou veículos aéreos não tripulados (UAV) carregando sensores proximais. Esses sensores são implantados no nível de campo e têm maior resolução espacial e temporal do que os sensores EO remotos. Esses dados podem ser usados ​​para monitorar o tipo de cultura, o dossel da cultura e quantificar os parâmetros estruturais e biofísicos do dossel (por exemplo, índice de área foliar, transpiração, pigmentos fotossintéticos). As informações de ambas as plataformas podem ser integrado para classificações de culturas em escala mais fina.

O artigo apresenta estudos usando sensoriamento remoto e UAVs junto com as culturas sendo avaliadas, sensores e algoritmos. Ele também descreve os prós e contras, bem como as aplicações para os tipos de sensores e plataformas de sensores comumente usados ​​na agricultura.

Depois que os dados são coletados, algoritmos são usados ​​para classificar os dados de sensoriamento remoto. Tradicionalmente, as abordagens baseadas em conhecimento são explicitamente desenvolvidas por especialistas usando equações baseadas em teoria. O avanço no poder de computação (por exemplo, computação em nuvem e imagens de alta resolução) levou ao desenvolvimento de aprendizado de máquina e abordagens de aprendizado profundo mais complexas. O aprendizado de máquina constrói modelos diretamente de dados sem depender de equações predeterminadas. Os pontos fortes do aprendizado de máquina incluem a capacidade de lidar com dados de alta dimensionalidade e mapear classes com características muito complexas. Os autores fornecem exemplos específicos de várias técnicas de aprendizado de máquina e aprendizado profundo.

Os modelos de colheita fornecem o poder preditivo dos dados de sensoriamento remoto. Os modelos de cultivo permitem previsões de rendimento e estágios de desenvolvimento fenológico para cenários climáticos atuais e/ou projetados. A combinação de dados RS em tempo real com modelos de culturas pode fornecer informações em tempo real sobre o crescimento e desenvolvimento das culturas e prever a fenologia e o rendimento. As ferramentas resultantes são mais importantes do que nunca, pois a variabilidade e as mudanças climáticas têm uma influência crescente na produção agrícola e na segurança alimentar.

Os serviços de informação baseados em dados de sensoriamento remoto estão agora disponíveis ao público por meio de plataformas comerciais. O artigo fornece exemplos dessas plataformas e as informações que elas fornecem.

Qual é o futuro das tecnologias digitais na agricultura?

O crescimento e o desenvolvimento das culturas são principalmente uma função das interações entre genótipo, ambiente e manejo (G × E × M). Assim, essas interações são a chave para obter ganhos adicionais no rendimento global das culturas e garantir a segurança alimentar futura. O ambiente não pode ser alterado, mas diferentes cultivares (genótipos) podem ser plantados com práticas de manejo adequadas (por exemplo, datas de semeadura, espaçamento entre fileiras, densidade de sementes) adaptadas ao ambiente e ao clima futuro.

Os agricultores sabem que nem todos os campos são iguais: alguns sempre produzem mais, outros sempre menos, enquanto outros campos variam em sua capacidade de produção de um ano para o outro. “Planejar uma estação média não faz sentido, uma vez que nenhuma estação de chuva é a mesma em uma fazenda em um determinado ano”, disse o Dr. Potgieter. Além disso, a capacidade de tomar decisões informadas a partir de estimativas de produção regional é limitada por essa variabilidade em G × E × M em escala local.

Até o momento, as tecnologias e abordagens integrativas apresentavam limitações quanto ao aproveitamento eficaz de todas as dimensões dos dados disponíveis para alcançar maior precisão na fenologia das culturas ou na estimativa do tipo de cultura. O Professor Associado Potgieter lidera atualmente um projeto nacional (apoiado pela Grains Research and Development Corporation e pela Universidade de Queensland) que explora novas fronteiras na aplicação e/ou desenvolvimento de novas métricas integrativas que possam auxiliar na solução desse problema complexo. Especificamente, nosso objetivo é aproveitar todas as dimensões – temporal, espacial, espectral e fisiológica – dos dados disponíveis para alcançar maior precisão na fenologia das culturas ou na estimativa do tipo de cultura. “Isso resultará em uma solução integrada que permitirá o desenvolvimento, a validação e a escalabilidade precisos de ferramentas preditivas para o mapeamento da fenologia das culturas (G) em escalas dentro do campo (M), em extensas áreas de cultivo (E). Trabalhando em estreita colaboração com parceiros da indústria no espaço digital, prevê-se que os produtores terão acesso a essas ferramentas digitais que os auxiliarão na tomada de decisões mais informadas, direcionadas à interação G × E × M para cada campo, desde o início. Assim, reduzindo os custos de insumos, otimizando a gestão de riscos e melhorando a rentabilidade de toda a propriedade”, afirma o Dr. Potgieter.