Algoritmo de inteligência artificial usado para prever o rendimento da agricultura

A previsão é de que o mercado de agricultura de precisão chegue a US$ 12.9 bilhões até 2027. Com esse aumento, há a necessidade de soluções sofisticadas de análise de dados capazes de orientar as decisões gerenciais em tempo real. Uma nova metodologia foi desenvolvida por um grupo interdisciplinar da Universidade de Illinois e visa processar dados agrícolas de precisão com eficiência e precisão.

Nicolas Martin é professor assistente do Departamento de Ciências Agrícolas de Illinois e coautor do estudo.

“Estamos tentando mudar a forma como as pessoas conduzem a pesquisa agronômica. Em vez de estabelecer uma pequena parcela de campo, gerar estatísticas e publicar os resultados, o que estamos tentando fazer envolve o agricultor de forma muito mais direta. Estamos realizando experimentos com máquinas dos agricultores em seus próprios campos. Podemos detectar respostas específicas do local a diferentes insumos. E podemos ver se há uma resposta em diferentes partes do campo”, diz ele.

“Desenvolvemos metodologia usando aprendizado profundo para gerar previsões de rendimento. Ele incorpora informações de diferentes variáveis ​​topográficas, eletrocondutividade do solo, bem como tratamentos de nitrogênio e taxa de sementes que aplicamos em nove campos de milho do Centro-Oeste.”

A equipe usou dados de 2017 e 2018 do projeto Data Intensive Farm Management para ajudar a desenvolver sua abordagem. Nesse projeto, sementes e fertilizantes nitrogenados foram aplicados em taxas diferentes em 226 campos. Esses campos estavam em diferentes áreas do mundo, incluindo o Centro-Oeste, Brasil, Argentina e África do Sul. Imagens de satélite de alta resolução foram fornecidas pelo PlanetLab e foram combinadas com medições no solo para prever o rendimento.

Os campos foram separados digitalmente em quadrados de 5 metros. O computador recebeu dados sobre solo, elevação, taxa de aplicação de nitrogênio e taxa de semeadura para cada quadrado, e então começou a aprender como o rendimento naquele quadrado é determinado pela interação dos fatores.

Para completar a análise, os pesquisadores contaram com uma rede neural convolucional (CNN). Uma CNN é um tipo de aprendizado de máquina ou inteligência artificial. Embora alguns tipos de aprendizado de máquina façam com que os computadores adicionem novos dados aos padrões existentes, as redes neurais convolucionais não levam em consideração os padrões existentes. A CNN analisa os dados e aprende os padrões responsáveis ​​por organizá-los, e isso funciona de maneira semelhante à maneira como os humanos organizam as informações por meio de redes neurais no cérebro. A abordagem da CNN foi capaz de prever o rendimento com alta taxa de precisão e foi comparada a outros algoritmos de aprendizado de máquina e técnicas estatísticas tradicionais.

“Realmente não sabemos o que está causando diferenças nas respostas de rendimento aos insumos em um campo. Às vezes, as pessoas têm a ideia de que um determinado ponto deveria responder muito fortemente ao nitrogênio e não responde, ou vice-versa. A CNN pode captar padrões ocultos que podem estar causando uma resposta”, diz Martin. “E quando comparamos vários métodos, descobrimos que a CNN estava funcionando muito bem para explicar a variação de rendimento.”

O uso de inteligência artificial para analisar dados da agricultura de precisão é um campo novo, mas que está crescendo. A agricultura é uma das principais indústrias que serão drasticamente alteradas pela inteligência artificial, e seu uso continua aumentando. De acordo com Martin, esse experimento é apenas o começo do uso da CNN em uma variedade de aplicações diferentes.

“Eventualmente, poderíamos usá-lo para obter recomendações ideais para uma determinada combinação de insumos e restrições do local.”