.
Inteligência artificial (IA) é a palavra da moda de 2024. Embora longe dos holofotes culturais, cientistas de áreas agrícolas, biológicas e tecnológicas também estão se voltando para a IA enquanto colaboram para encontrar maneiras para esses algoritmos e modelos analisarem conjuntos de dados para entender e prever melhor um mundo impactado pelas mudanças climáticas.
Em um artigo recente publicado em Fronteiras na Ciência Vegetal, A candidata a doutorado em geomática da Universidade Purdue, Claudia Aviles Toledo, trabalhando com seus orientadores e coautores Melba Crawford e Mitch Tuinstra, demonstrou a capacidade de uma rede neural recorrente — um modelo que ensina computadores a processar dados usando memória de curto prazo — para prever a produtividade do milho a partir de diversas tecnologias de sensoriamento remoto e dados ambientais e genéticos.
A fenotipagem de plantas, onde as características da planta são examinadas e caracterizadas, pode ser uma tarefa trabalhosa. Medir a altura da planta com fita métrica, medir a luz refletida em vários comprimentos de onda usando equipamento portátil pesado e puxar e secar plantas individuais para análise química são todos esforços trabalhosos e caros. O sensoriamento remoto, ou a coleta desses pontos de dados à distância usando veículos aéreos não tripulados (UAVs) e satélites, está tornando essas informações de campo e de planta mais acessíveis.
Tuinstra, titular da Cátedra Wickersham de Excelência em Pesquisa Agrícola, professor de melhoramento de plantas e genética no departamento de agronomia e diretor científico do Instituto de Ciências Vegetais da Purdue, disse: “Este estudo destaca como os avanços na aquisição e processamento de dados baseados em UAV, juntamente com redes de aprendizado profundo, podem contribuir para a previsão de características complexas em culturas alimentares como o milho.”
Crawford, o Nancy Uridil e Francis Bossu Distinguished Professor em Engenharia Civil e professor de agronomia, dá crédito a Aviles Toledo e outros que coletaram dados fenotípicos no campo e com sensoriamento remoto. Sob essa colaboração e estudos semelhantes, o mundo viu a fenotipagem baseada em sensoriamento remoto reduzir simultaneamente os requisitos de mão de obra e coletar novas informações sobre plantas que os sentidos humanos sozinhos não conseguem discernir.
Câmeras hiperespectrais, que fazem medições detalhadas de reflectância de comprimentos de onda de luz fora do espectro visível, agora podem ser colocadas em robôs e UAVs. Instrumentos de Detecção e Alcance de Luz (LiDAR) liberam pulsos de laser e medem o tempo em que eles refletem de volta para o sensor para gerar mapas chamados “nuvens de pontos” da estrutura geométrica das plantas.
“As plantas contam uma história para si mesmas”, disse Crawford. “Elas reagem se estiverem estressadas. Se elas reagem, você pode potencialmente relacionar isso a características, entradas ambientais, práticas de gerenciamento como aplicações de fertilizantes, irrigação ou pragas.”
Como engenheiros, Aviles Toledo e Crawford criam algoritmos que adquirem conjuntos de dados massivos e analisam os padrões dentro deles para prever a probabilidade estatística de diferentes resultados, incluindo o rendimento de diferentes híbridos desenvolvidos por melhoristas de plantas como Tuinstra. Esses algoritmos categorizam culturas saudáveis e estressadas antes que qualquer fazendeiro ou olheiro possa detectar uma diferença, e fornecem informações sobre a eficácia de diferentes práticas de gerenciamento.
Tuinstra traz uma mentalidade biológica para o estudo. Os melhoristas de plantas usam dados para identificar genes que controlam características específicas da cultura.
“Este é um dos primeiros modelos de IA a adicionar genética vegetal à história do rendimento em experimentos multianuais em grande escala de parcelas”, disse Tuinstra. “Agora, os melhoristas de plantas podem ver como diferentes características reagem a condições variáveis, o que os ajudará a selecionar características para futuras variedades mais resilientes. Os produtores também podem usar isso para ver quais variedades podem se dar melhor em sua região.”
Dados hiperespectrais e LiDAR de sensoriamento remoto de milho, marcadores genéticos de variedades populares de milho e dados ambientais de estações meteorológicas foram combinados para construir esta rede neural. Este modelo de aprendizado profundo é um subconjunto de IA que aprende com padrões espaciais e temporais de dados e faz previsões do futuro. Uma vez treinada em um local ou período de tempo, a rede pode ser atualizada com dados de treinamento limitados em outro local geográfico ou tempo, limitando assim a necessidade de dados de referência.
Crawford disse: “Antes, usávamos aprendizado de máquina clássico, focado em estatística e matemática. Não podíamos realmente usar redes neurais porque não tínhamos poder computacional.”
Redes neurais têm a aparência de tela de arame, com ligações conectando pontos que, em última análise, se comunicam com todos os outros pontos. Aviles Toledo adaptou esse modelo com memória de longo prazo, que permite que dados passados sejam mantidos constantemente na vanguarda da “mente” do computador, juntamente com dados presentes, enquanto prevê resultados futuros. O modelo de memória de longo prazo, aumentado por mecanismos de atenção, também traz atenção para momentos fisiologicamente importantes no ciclo de crescimento, incluindo a floração.
Enquanto os dados de sensoriamento remoto e meteorológicos são incorporados a essa nova arquitetura, Crawford disse que os dados genéticos ainda são processados para extrair “características estatísticas agregadas”. Trabalhando com Tuinstra, o objetivo de longo prazo de Crawford é incorporar marcadores genéticos de forma mais significativa na rede neural e adicionar características mais complexas ao seu conjunto de dados. Conseguir isso reduzirá os custos de mão de obra, ao mesmo tempo em que fornecerá aos produtores informações de forma mais eficaz para tomar as melhores decisões para suas plantações e terras.
.
