Safra dos dados: a tecnologia no campo

  Ao longo dos séculos, a demanda por alimentos aumentou consideravelmente, e a previsão é de que essa necessidade seja ainda maior nas próximas décadas. Segundo dados da Organização (FAO), para alimentar a população mundial até 2050, será necessário que a agricultura aumente sua produção em 70%. Não há dúvida de que o emprego de novas tecnologias no campo será, e já está sendo, um dos grandes pilares estratégicos para atingir esse objetivo.

  Da previsão do tempo ao controle do gado por meio de aplicativos digitais, passando pela mecanização no combate às pragas, a tecnologia modificou profundamente as relações de trabalho na zona rural. O cenário do campo se tornou um palco de equipamentos e softwares que nos remete à ficção científica, e o efeito disso é incrível, tirando muito mais de cada área plantada. Esse fenômeno teve início na Revolução Industrial, que aumentou a população urbana e intensificou a demanda de produção de alimentos. Surgiram, então, máquinas capazes de produzir mais em menos tempo e com uma quantidade menor de mão de obra.

  Embora os campos agrícolas sejam claros, quentes e empoeirados, ou seja, possuem condições dificilmente ideais para manter os computadores funcionando sem problemas, a tecnologia especializada na safra superou, por exemplo, imagens de satélite, que historicamente foram produzidas, pagas e compartilhadas gratuitamente por agencias do espaço público que foram limitadas a imagens pouco frequentes com resolução grosseira.   Durante as décadas de 1980 e 1990, o Landsat recebeu mais de meia dúzia de iterações, mas foi apenas em 1999, com o Moderate- Resolution Imaging Spectroradiometer (MODIS), que um satélite pôde enviar aos agricultores observações diárias sobre maior parte da superfície terrestre do mundo, embora com um pixel de 250 metros. Conforme as câmeras e a computação melhoraram juntos nos últimos 20 anos, várias empresas de tecnologia começaram a ganhar dinheiro ao fornecerem informações derivadas de imagens de satélite e aeronaves, diz Andy French, especialista em conservação de água do Centro de Pesquisa Agrícola de Terras Áridas da USDA no Arizona. Nos anos seguintes, o Vale do Silício lançou uma série de startups financiadas por fundos de capital de risco cujos serviços analíticos e de previsão dependem de ferramentas que põem coletar e processar informações de forma autônoma ou à distância: não apenas imagens, mas também coisas como sensores de solo e sondas de umidade.

Uma maneira de entender a agricultura é como se ela fosse uma proteção sem fim contra as incertezas que afetam os resultados financeiros: clima, doenças, a dose e o momento ideal de fertilizantes, pesticidas e irrigação e enormes flutuações de preço. Cada um desses fatores conduz milhares de decisões incrementais ao longo de uma safra com base em longos anos de tentativa e erro, intuição e expertise conquistada com esforço. Portanto, a questão tecnológica na boca dos agricultores em todos os lugares, como Andy French disse, é: "O que não sabíamos?"

Isso porque, atualmente, a maneira como os agricultores chegam às previsões de produtividade é decididamente analógica. Alguns contam os pés de alface passo a passo e extrapolam medindo o que foi colhido. Outros usam uma seção de 10 metros de tubulação de sprinklers. Esses métodos não podem de forma alguma corresponder à escala do que um drone ou avião podem capturar, mas os resultados têm a vantagem de serem um formato que os produtores podem processar facilmente e, no geral, estão errados por não mais do que 20 a 25 caixas por hectares, ou cerca de 3% a 5%.

Todo sensoriamento digital para a agricultura é uma forma de medição aproximada: uma forma de traduzir partes do espectro eletromagnético para compreender os processos biológicos que afetam as plantas. Dessa forma, melhorar essas cadeias de extrapolação é um processo contínuo entre os dados gerados pelas novas gerações de sensores e os modelos de software que nos ajudam a entendê-los.

  Antes do lançamento do primeiro satélite da União Europeia, o Sentinel, em 2014, por exemplo, os pesquisadores tinham alguma compreensão do que o radar de abertura sintética, que cria imagens de alta resolução simulando grandes antenas, poderia revelar sobre a biomassa vegetal, mas faltavam dados suficientes do mundo real para validar seus modelos. No oeste americano, há imagens abundantes para rastrear o movimento da água nos campos irrigados, mas nenhum modelo de cultura suficientemente avançado para ajudar os agricultores a decidir quando "solicitar" uma concessão de água de irrigação do Rio Colorado, o que geralmente é feito com antecedência.  Portanto, o objetivo da automação na agricultura é melhor entendido como um plano abrangente.

Mas também há esforços para otimizar e minimizar a mão de obra ao longo do ciclo de cultivo. Morangos estão sendo cultivados com herbicidas biodegradáveis que podem eliminar a necessidade de espalhar lonas de plástico sobre cada canteiro. Em breve, os tratores automatizados serão capazes de arar os campos vegetais até uma superfície mais lisa do que qualquer motorista humano jamais poderá, melhorando as taxas de germinação. Enquanto as empresas competem para oferecer plataformas de análise capazes de rastrear a saúde de uma única alface, desde semente até o supermercado, e otimizar a ordem em que os campos são colhidos, outras startups estão desenvolvendo novas variedades de alface "longa" semelhantes à alface romana com uma silhueta compacta   e folhas que ficam mais acima do solo, para que possam ser mais facilmente "vistas" e colhidas por um robô.

Ficou curioso em saber como IA pode beneficiar sua análise de dados e os processos, seja no campo, na indústria ou nas cidades ? Então entre em contato conosco.