Modelagem computacional amplia horizontes de planejamento no agronegócio

No contexto das mudanças climáticas, a aplicação de modelos tende a se consolidar como uma vantagem competitiva para o setor agropecuário

Outubro 27, 2021.

Por Alex Álisson Bandeira Santos e Daniel Motta

O agronegócio, como um sistema econômico pujante, tem demandado inovações em suas diversas áreas, seja nos aspectos de produção e logística, como também no desenvolvimento de novos modelos de negócios. E a modelagem computacional demonstra, a cada dia, ser uma ferramenta indispensável nesse processo. 

A modelagem computacional integra diferentes competências em uma abordagem multidisciplinar e, desta forma, além de ajudar na automação e no controle de ferramentas e operações, deve ser vista de forma ampliada, com diversas possibilidades de aplicação. 

_{Supercomputador OGUN, do Centro de Supercomputação para Inovação Industrial do SENAI CIMATEC (Crédito: CS2I)}

Trazendo a reflexão para o campo do agronegócio, é fato que o setor produz e faz uso de uma série de dados, dos quais a modelagem pode se apropriar para desenvolver modelos matemáticos e estocásticos (com origem em eventos aleatórios), permitindo o mapeamento de potenciais situações de estresse e reconhecimento de padrões, além, é claro, da mineração e depuração de dados para o desenvolvimento de ferramentas e aplicativos.

Imagine combinar dados com base em modelos físicos e bioquímicos com técnicas de inteligência artificial, como o deep learning (aprendizado profundo). Juntos, eles podem auxiliar no aumento de produtividade no agronegócio a partir de uma previsão do uso de insumos. 

A disponibilidade de água em mananciais junto à produção, radiação solar, níveis de temperatura e umidade ambientes, presença de pragas, tudo afeta o resultado final da safra. Por isso, a modelagem computacional é e sempre será uma grande aliada da inovação no campo.

Previsibilidade ambiental: o que já é possível fazer no agro?

Em eventos de impacto relevante, como as crises hídricas, cada vez mais comuns hoje, a previsibilidade ambiental dada por modelos computacionais pode ser uma vantagem competitiva para o setor agrícola. Por meio desses modelos, é possível fazer previsões mais assertivas do plantio à colheita, e ao longo de todo o ano. 

No caso da colheita de algumas safras, como a de milho que — em momentos de níveis elevados de radiação solar e de temperatura associados à baixa umidade nos locais de plantio — pode gerar risco de incêndios pela queima da palha, a modelagem computacional aparece como uma ferramenta para evitar danos às lavouras e perigo à atuação dos trabalhadores.

Com uma adequada previsibilidade, o momento da colheita pode ser deslocado do dia para a noite, quando a modelagem de curto prazo indicar níveis de radiação e temperatura mais baixos e adequados. 

Em uma outra abordagem, a geração de energia dentro de fazendas, usinas e indústrias no agro também pode ser avaliada em mais detalhes usando a modelagem computacional. Tanto do ponto de vista da produção de energia em si como da distribuição, já que demanda dados de mapeamento de potencial e de previsibilidade para a implantação dos projetos.

A irrigação mecanizada é um desses casos, seja a partir da geração de energia eólica ou solar. Independentemente da fonte, vale ressaltar que a identificação da possibilidade de produção local de energia no agro e o cálculo da previsibilidade de curto, médio e longo prazo são cruciais para o melhor aproveitamento dos projetos e crescimento continuado da produtividade do agronegócio. 

Em momentos críticos, como o plantio, é que essa necessidade geralmente fica patente, já que a roda gira melhor quanto mais adequada for a irrigação mecanizada, a verificação do potencial de geração de energia e a sua previsibilidade. O objetivo, no fim do dia, é reduzir custos de produção e ter uma disponibilidade mais garantida de acesso à energia elétrica. 

Os aprendizados do setor elétrico para a produção vegetal e animal

As inovações propostas acima são desdobramentos de aplicações no agronegócio de ferramentas que vieram atender primeiro ao setor elétrico, para levantar o potencial e previsibilidade da geração de energia em ambientes sobretudo urbanos. 

Abaixo temos a possibilidade de produção e previsão de curto prazo na geração de energia eólica em um projeto no Uruguai. Na figura 1, verifica-se a predição da velocidade do vento a partir de um modelo baseado em inteligência artificial (IA). Na Figura 2, observa-se a assertividade do modelo quando comparado aos dados reais medidos, para uma adequada avaliação de potencial e uso em aplicações de geração de energia. É impressionante ver como os gráficos dialogam entre si. Mas não há nada de mágica, é ciência! 

_{Figura 1: Velocidade predita em modelos com Inteligência Artificial (Zucatelli et al., 2019)}

_{Figura 2: Comparação de dados de velocidade predita e medida no tempo (Zucatelli et al., 2019)}

Assim como o potencial de geração de energia a partir do vento, as modelagens físicas e computacionais também podem identificar no comportamento de bacias hidrográficas e rios indicadores da disponibilidade de água e da sua vazão em momentos essenciais para o plantio e a manutenção de bovinos no pasto. 

Este tipo de análise, associada à modelagem climatológica, traz dados de regiões específicas para o melhor manejo da água dentro e fora do contexto da produção agropecuária... Só para citar mais um tema inovador em que pesquisadores e empreendedores têm trabalhado, para reduzir a insegurança no fornecimento de água para a sociedade em geral.

Reconhecimento de padrões e o agronegócio

Outro ramo importante da modelagem computacional em que a produtividade do agronegócio pode ser apoiada é o reconhecimento de padrões, usando visão computacional junto com a inteligência artificial, a exemplo do deep learning (DL). Casadas, essas tecnologias possibilitam a identificação de tendências e melhorias nos negócios. 

Sistemas de identificação de pragas podem ser desenvolvidos e implementados a partir daí, para que de forma automática apoiem a tomada de decisão nas propriedades e a gestão do agronegócio. 

Hoje, por meio do reconhecimento dos padrões de pragas nas lavouras, aplicativos apoiados pela IA embarcada em dispositivos e drones já identificam os vetores danosos no campo e melhoram a automatização do combate aos invasores. 

Da mesma forma, sistemas de visão computacional junto com algoritmos de DL podem monitorar rebanhos, localizando cabeças de gado com comportamento diferente, que possam estar doentes e afetar outros animais. 

Ao longo do tempo, a tendência é que esses métodos tragam maior acurácia, em conjunto com a experiência humana, na identificação de problemas nas culturas e rebanhos.

Como exemplo, técnicas baseadas em redes neurais convolucionais (CNN) foram utilizadas para desenvolver um modelo computacional capaz de extrair características de imagens de mosquitos com o objetivo de identificar e classificar, entre outras espécies, o Aedes aegypti, vetor da transmissão de Dengue e Zika. 

O modelo desenvolvido e otimizado por Motta et al., 2020 foi testado para as atividades de classificação dos mosquitos-alvo do estudo e para detecção do gênero Aedes. O resultado foi de uma acurácia balanceada global de 93,5% para classificação e de 97,3% para detecção, o que representa uma valiosa ferramenta para profissionais de saúde e outros não-especialistas, que passam a poder identificar insetos transmissores de doenças para o ser humano. 

De forma análoga, a incorporação de técnicas baseadas em IA pode apoiar o desenvolvimento de modelos, ferramentas e sistemas em inúmeras áreas de interesse do agronegócio.