.
Com o aumento da procura global de produtos agrícolas básicos previsto para aumentar substancialmente até 2050 devido ao crescimento populacional, ao aumento do rendimento per capita e ao uso crescente de biocombustíveis, é necessário adoptar práticas sustentáveis de intensificação agrícola nas terras agrícolas existentes para satisfazer esta procura. Contudo, os processos de estimativa actualmente utilizados no Sul global continuam inadequados. Os métodos tradicionais, como o auto-relato e o corte de colheitas, têm as suas limitações e as tecnologias de detecção remota não são totalmente utilizadas neste contexto.
No entanto, os avanços recentes na inteligência artificial e na aprendizagem de máquinas, particularmente na aprendizagem profunda com redes neurais convolucionais (CNNs), oferecem soluções promissoras aqui. Para explorar o alcance desta nova tecnologia, investigadores do Japão realizaram um estudo centrado no arroz. Eles usaram imagens digitais terrestres tiradas na fase de colheita da safra, combinadas com CNNs, para estimar o rendimento do arroz. Seu estudo apareceu online em 29 de junho de 2023 e foi publicado em 28 de julho de 2023 no Volume 5 da Plant Phenomics.
“Começamos conduzindo uma extensa campanha de campo. Reunimos imagens de copas de arroz e dados de rendimento de grãos brutos de 20 locais em sete países, a fim de criar um banco de dados multinacional abrangente”, disse o Dr. Yu Tanaka, Professor Associado da Escola de Pós-Graduação em Meio Ambiente. , Vida, Ciência Natural e Tecnologia, Universidade de Okayama, que liderou o estudo.
As imagens foram capturadas utilizando câmaras digitais que puderam recolher os dados necessários a uma distância de 0,8-0,9 metros, verticalmente para baixo a partir da copa do arroz. Kazuki Saito do Instituto Internacional de Pesquisa do Arroz (antigo Africa Rice Center) e outros colaboradores, a equipe criou com sucesso um banco de dados de 4.820 dados de rendimento de parcelas de colheita e 22.067 imagens, abrangendo vários cultivares de arroz, sistemas de produção e práticas de manejo de culturas. .
A seguir, foi desenvolvido um modelo CNN para estimar o rendimento de grãos para cada uma das imagens coletadas. A equipe utilizou um método de oclusão visual para visualizar o efeito aditivo de diferentes regiões nas imagens da copa do arroz. Envolveu mascarar partes específicas das imagens e observar como a estimativa de rendimento do modelo mudou em resposta às regiões mascaradas. Os conhecimentos obtidos com este método permitiram aos investigadores compreender como o modelo CNN interpretava várias características nas imagens da copa do arroz, influenciando a sua precisão e a sua capacidade de distinguir entre componentes que contribuem para o rendimento e elementos que não contribuem na copa.
O modelo teve um bom desempenho, explicando cerca de 68%-69% da variação do rendimento nos conjuntos de dados de validação e teste. Os resultados do estudo destacaram a importância das panículas – cachos de flores com ramificações soltas – na estimativa da produção por meio da visualização baseada em oclusão. O modelo poderia prever o rendimento com precisão durante o estágio de maturação, reconhecendo panículas maduras, e também detectar diferenças de cultivo e manejo da água no rendimento no conjunto de dados de previsão. Sua precisão, entretanto, diminuiu à medida que a resolução da imagem diminuiu.
Mesmo assim, o modelo se mostrou robusto, apresentando boa precisão em diferentes ângulos de disparo e horários do dia. “No geral, o modelo CNN desenvolvido demonstrou capacidades promissoras na estimativa do rendimento de grãos brutos a partir de imagens da copa do arroz em diversos ambientes e cultivares. Outro aspecto atraente é que é altamente econômico e não requer cortes de colheitas que exigem muita mão-de-obra ou tecnologias complexas de sensoriamento remoto “, diz o Dr. Tanaka com entusiasmo.
O estudo enfatiza o potencial dos modelos baseados na CNN para monitorar a produtividade do arroz em escala regional. No entanto, a precisão do modelo pode variar sob diferentes condições, e futuras pesquisas devem se concentrar na adaptação do modelo a ambientes chuvosos e de baixa produtividade. O método baseado em IA também foi disponibilizado aos agricultores e investigadores através de uma simples aplicação para smartphone, melhorando assim enormemente a acessibilidade da tecnologia e das suas aplicações na vida real. O nome deste aplicativo é ‘HOJO’ e já está disponível para iOS e Android. Os investigadores esperam que o seu trabalho conduza a uma melhor gestão dos campos de arroz e apoie programas de melhoramento acelerado, contribuindo positivamente para a produção global de alimentos e iniciativas de sustentabilidade.
.
