Uma equipa multidisciplinar, liderada por investigadores do Instituto de Sistemas e Robótica (ISR) da Faculdade de Ciências e Tecnologia da Universidade de Coimbra (FCTUC), explorou novas abordagens tecnológicas para a gestão de vinhas, abrindo portas ao desenvolvimento de sistemas de monitorização não invasivos e eficientes que permitem atuar de forma imediata e localizada em caso de doenças e pestes, melhorando a produção e diminuindo o impacto nocivo no meio ambiente.
O estudo,
que teve a participação de investigadores do Instituto de Engenharia de
Sistemas e Computadores de Coimbra (INESC Coimbra) e da Escola Superior Agrária
de Coimbra (ESAC), foi realizado no âmbito do projeto Al+Green: Automação Inteligente na Agricultura de
Precisão, financiado pelo MIT-Portugal e pela
Fundação para a Ciência e a Tecnologia (FCT), que visa melhorar a precisão e a
fiabilidade da monitorização e deteção de pestes e doenças em vinhas.
Durante
12 meses, foram estudadas três vinhas da região Centro – Coimbra, Valdoeiro e
Quinta de Baixo – geridas segundo práticas convencionais, mas com
características biofísicas diferentes. As abordagens exploradas e testadas
pelos cientistas basearam-se em sistemas de Deep Learning (aprendizagem
profunda, inteligência artificial), usando informação espácio-temporal obtida
através de teledeteção (satélite) e drones.
«Este
trabalho estudou as bandas espectrais e técnicas de segmentação mais
apropriadas para a identificação de linhas de vinhas em imagens aéreas (por
exemplo, capturadas por drones). É importante diferenciar píxeis pertencentes
às videiras, de píxeis pertencentes a outros elementos (por exemplo, vegetação
entre linhas), para evitar a contaminação de dados», refere o investigador
Tiago Barros.
«Ao
evitar píxeis que não pertencem às videiras, obtêm-se estimativas mais fiáveis
em tarefas como, por exemplo, estimação de colheita ou avaliação do vigor das
plantas. Para tal, equipámos um drone com uma câmara multiespectral e uma
câmara RGB de alta definição, que foram usadas para recolher informação
espectral de três vinhas da zona Centro», explicita.
Os resultados do estudo indicam, segundo o
investigador do ISR, que os modelos de segmentação «baseados em Deep
Learning têm melhor desempenho quando comparados com métodos clássicos. Em
relação às bandas espectrais, a banda Near-Infrared é a banda que
contribui para o melhor desempenho».
Ou
seja, finaliza Tiago Barros, o estudo apresenta bons argumentos para o uso
deste tipo de abordagem de câmara dupla para aquisição de dados, contribuindo
para o avanço da agricultura de precisão, porque «promover uma agricultura mais
eficiente é essencial para melhorar a qualidade e segurança alimentar sem
comprometer a sustentabilidade ambiental. Este setor, embora tenha beneficiado,
de forma modesta, de avanços tecnológicos de outros setores, tais como a
indústria, robótica, veículos inteligentes, etc., continua a ser um setor
predominantemente manual e pouco eficiente. A agricultura de precisão promove o
uso de tecnologia (software e hardware) em aplicações como a proteção,
monitorização e gestão agrícola».
O
estudo foi publicado na revista científica Computers and Electronics in Agriculture.
Universidade de Coimbra - Portugal
Sem comentários:
Enviar um comentário