-
Siga a Forbes no WhatsApp e receba as principais notícias sobre negócios, carreira, tecnologia e estilo de vida
Até 2050, será preciso produzir 60% mais alimentos para alimentar uma população mundial de 9,3 bilhões de pessoas, informa a FAO (Organização para a Alimentação e Agricultura). Dados os atuais desafios da indústria, fazer isso com uma abordagem de agricultura convencional pode ser complicado. Além disso, isto aumentaria o pesado impacto que já é exercido sobre os recursos naturais.
Leia também:
- IA vai trazer cada vez mais agilidade no lançamento de alimentos e bebidas
- CEOs do agro dizem que IA Generativa vai renovar as cadeias alimentares globais
- Como a modelagem de IA ajuda a entender o que ocorre no campo
Três desafios principais que os agricultores enfrentam
Entre as muitas questões que prejudicam os agricultores, três destacam-se devido à sua presença global e impacto financeiro:
1. Pragas e doenças: As pragas e doenças devoram aproximadamente 40% da produtividade agrícola global anualmente, custando pelo menos US$ 70 bilhões (R$ 351,03 bilhões). Desde enxames de gafanhotos que dizimam campos na África até moscas da fruta que afetam pomares, o impacto é global e as repercussões financeiras são colossais.
2. Qualidade do solo e irrigação: A degradação do solo afeta quase 33% do solo da Terra, diminuindo a sua capacidade de cultivo, levando a uma perda de cerca de US$ 400 bilhões (R$ 2 trilhões). A escassez de água e a irrigação ineficiente prejudicam ainda mais a produção agrícola. A agricultura utiliza 70% da água doce acessível no mundo, mas 60% dela é desperdiçada devido a falhas nos sistemas de irrigação.
Como a IA está transformando a agricultura
A Inteligência Artificial é frequentemente usada como uma frase genérica. Aqui, refere-se à recolha sistemática de dados, ao uso pertinente de análises que vão desde simples resumos descritivos a algoritmos de aprendizagem profunda e tecnologias avançadas, como visão computacional, a Internet das coisas e análises geoespaciais. Confira como a IA ajuda a enfrentar cada um dos desafios acima:
1. Identificação e controle de pragas
A identificação e controle precisos e precoces de pragas são essenciais para minimizar os danos nas culturas e reduzir a dependência de pesticidas químicos. Dados como boletins meteorológicos, histórico de atividades de pragas e imagens de alta resolução capturadas por drones ou satélites estão prontamente disponíveis hoje. Modelos de aprendizado de máquina e visão computacional podem ajudar a prever invasões de pragas e identificar pragas no campo.
Por exemplo, a Trapview, empresa de monitoramento digital e armadilhas (e que também atua no Brasil) construiu um dispositivo que captura pragas e as identifica. Ela usa feromônios para atrair pragas, que são fotografadas por uma câmera do aparelho. Ao aproveitar o banco de dados do Trapview, a IA identifica mais de 60 espécies de pragas, como a mariposa, que afeta as maçãs, e a lagarta do algodão, que pode também danificar a alface e o tomate.
2. Monitoramento da saúde do solo
O monitoramento e análise contínuas da saúde do solo são essenciais para garantir condições ótimas de cultivo e práticas agrícolas sustentáveis. A otimização do uso da água é crucial para garantir que as culturas recebam exatamente o que necessitam, reduzindo o desperdício e aumentando a produtividade.
Dados de sensores subterrâneos, máquinas agrícolas, drones e satélites são usados para analisar as condições do solo, incluindo o teor de umidade, os níveis de nutrientes e a presença de patógenos. Essa análise da saúde do solo ajuda a prever as necessidades de água e a automatizar os sistemas de irrigação.
Por exemplo, a CropX, um sistema de gestão agrícola, construiu uma plataforma especializada em monitoramento da saúde do solo, aproveitando dados em tempo real para ajudar os usuários a revisar e comparar parâmetros vitais juntamente com o desempenho das culturas.
3. Detecção e gestão de ervas daninhas
A identificação precisa e a eliminação de ervas daninhas são fundamentais para evitar que compitam por recursos preciosos com as culturas e a minimizar o uso de herbicidas. Graças à visão computacional, drones e robôs podem agora identificar ervas daninhas entre as culturas com alta precisão. Isso permite o controle direcionado de ervas daninhas, seja mecanicamente ou por meio da aplicação precisa de herbicida.
Por exemplo, a startup Carbon Robotics utiliza algoritmos de aprendizagem profunda em sua solução de visão computacional. O sistema identifica ervas daninhas analisando dados de mais de 42 câmeras de alta resolução que examinam os campos em tempo real. Em seguida, emprega robótica e lasers para fornecer controle de ervas daninhas de alta precisão.
-
Siga a Forbes no WhatsApp e receba as principais notícias sobre negócios, carreira, tecnologia e estilo de vida
O LaserWeeder promete remover ervas daninhas de 0,8 hectare por hora e eliminar até 5.000 ervas daninhas por minuto com 99% de precisão. Os seus produtores relatam uma redução dos custos de controlo de ervas daninhas em até 80%, com um potencial retorno do investimento em um a três anos.
Enfrentando os riscos da automação
Quando as terras agrícolas se transformam num foco de recolha de dados – subterrâneo, ao nível das culturas e do céu, isso pode levar a problemas de privacidade de dados. Estes desafios sublinham a necessidade de uma consideração cuidadosa e de governança para equilibrar as vantagens da IA com as suas potenciais desvantagens. Isto é exclusivo não apenas do setor agrícola, mas de todas as indústrias onde a IA está sendo aplicada.
*Ganes Kesari é colaborador da Forbes EUA. Consultor e palestrante internacional há cerca de duas décadas sobre o uso das tecnologias na transformação social e econômica.