Algoritmo de Inteligência Artificial Usado para Prever a Produção Agrícola

Previu-se que o mercado de agricultura de precisão alcançará US$ 12,9 bilhões até 2027. Com esse aumento, há uma necessidade de soluções de análise de dados sofisticadas que sejam capazes de orientar as decisões de gestão em tempo real. Um novo método foi desenvolvido por um grupo interdisciplinar da Universidade de Illinois, e seu objetivo é processar dados de agricultura de precisão de forma eficiente e precisa.

Nicolas Martin é professor assistente no Departamento de Ciências de Culturas da Universidade de Illinois e coautor do estudo.

“Estamos tentando mudar a forma como as pessoas realizam pesquisas agronômicas. Em vez de estabelecer um pequeno lote de campo, executar estatísticas e publicar as médias, o que estamos tentando fazer envolve o agricultor de forma mais direta. Estamos executando experimentos com as máquinas dos agricultores em seus próprios campos. Podemos detectar respostas específicas do local a diferentes entradas. E podemos ver se há uma resposta em diferentes partes do campo”, afirma ele.

“Desenvolvemos uma metodologia usando aprendizado profundo para gerar previsões de produção. Ela incorpora informações de diferentes variáveis topográficas, condutividade do solo, bem como tratamentos de nitrogênio e taxa de sementes que aplicamos em nove campos de milho do Meio-Oeste.”

A equipe usou dados de 2017 e 2018 do Projeto de Gestão de Fazendas Intensivas em Dados para ajudar a desenvolver sua abordagem. Nesse projeto, sementes e fertilizante de nitrogênio foram aplicados a taxas diferentes em 226 campos. Esses campos estavam em diferentes áreas do mundo, incluindo o Meio-Oeste, Brasil, Argentina e África do Sul. Imagens de satélite de alta resolução foram fornecidas pela PlanetLab, e elas foram combinadas com medições em solo para prever a produção.

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 sementes para cada quadrado, e então começou a aprender como a produção nesse quadrado é determinada pela interação dos fatores.

Para concluir sua análise, os pesquisadores confiaram em uma rede neural convolucional (CNN). Uma CNN é um tipo de aprendizado de máquina ou inteligência artificial. Enquanto alguns tipos de aprendizado de máquina fazem com que os computadores adicionem novos dados a padrões existentes, as redes neurais convolucionais não levam em conta padrões existentes. As CNNs olham para os dados e aprendem os padrões que são responsáveis por organizar os dados, e funcionam de forma semelhante à como os humanos organizam informações por meio de redes neurais no cérebro. A abordagem da CNN foi capaz de prever a produção com uma taxa de precisão alta, e foi comparada a outros algoritmos de aprendizado de máquina e técnicas estatísticas tradicionais.

“Não sabemos realmente o que está causando diferenças nas respostas de produção às entradas em todo o campo. Às vezes, as pessoas têm a ideia de que um determinado local deve responder muito fortemente ao nitrogênio e não o faz, ou vice-versa. A CNN pode detectar padrões ocultos que podem estar causando uma resposta”, afirma Martin. “E quando comparamos vários métodos, descobrimos que a CNN estava funcionando muito bem para explicar a variação da produção.”

O uso de inteligência artificial para analisar dados de agricultura de precisão é um campo novo, mas é um que está crescendo. A agricultura é uma das principais indústrias que será drasticamente alterada pela inteligência artificial, e o uso dela está aumentando continuamente. De acordo com Martin, esse experimento é apenas o início do uso de CNNs em uma variedade de aplicações diferentes.

“Eventualmente, poderemos usá-lo para criar recomendações ótimas para uma combinação dada de entradas e restrições do local.”