Sergio Vélez1, Mar Ariza-Sentís1, João Valente1, José María Bengochea-Guevara2, Héctor Montes2, Laura Garrido2, Nuria Conejero2, Carlos Ranz2, Dionisio Andújar2, Angela Ribeiro2, Mónica Cueva3, Víctor Nistal3, Damián Prieto3, Miguel González3, Sergio Álvarez3, Emilio Rodríguez4
1 Universidade de Wageningen, Países Baixos;
2 Conselho Superior de Investigações Científicas (CSIC- UPM), Espanha;
3 SERESCO, Espanha;
4 Bodegas Terras Gauda, Espanha. email: sergio.velezmartin@wur.nl
15/12/2023Num mundo em rápida mudança, em que o crescimento populacional, as alterações climáticas e a perda de terras aráveis ameaçam o abastecimento alimentar global (Martindale, 2014), a robotização surge como uma das respostas mais promissoras a estes desafios. A adoção de robots na agricultura tem o potencial de melhorar a precisão e a eficiência em várias operações agrícolas, desde a plantação e o cultivo até à colheita. Estes avanços na robotização podem reduzir significativamente a dependência da mão de obra, fornecer soluções personalizadas para desafios específicos das culturas e melhorar a rentabilidade e a sustentabilidade globais do sistema agrícola. A robotização não só permite uma gestão mais precisa dos recursos, como também facilita a deteção precoce de doenças e pragas, otimizando assim os tratamentos e reduzindo a necessidade de pesticidas e outros produtos químicos, por exemplo através da geração de mapas de risco baseados em imagens aéreas (Vélez et al., 2023). Estas inovações não só beneficiarão a economia do setor, como também terão benefícios ambientais e sociais, minimizando os impactos negativos no ecossistema e garantindo alimentos mais saudáveis para os consumidores.
O preço, a quantidade e a qualidade dos produtos agrícolas são afetados pelas políticas governamentais, mas também pelos efeitos em cascata das alterações climáticas nos agroecossistemas e na agricultura, que é o setor económico mais vulnerável às alterações dos padrões climáticos (Agência Europeia do Ambiente, 2019). As alterações climáticas modificam a fenologia da vinha, precipitando a maturação das uvas e alterando todo o metabolismo da planta (Mira de Orduña, 2010). Ao mesmo tempo, não só a videira, mas também as doenças associadas são significativamente influenciadas pelas flutuações das alterações climáticas. Estas variações climáticas têm impacto em três fatores cruciais para o desenvolvimento de doenças: a presença de agentes patogénicos, a suscetibilidade das plantas e um ambiente propício ao ciclo de vida dos agentes patogénicos (Burchett & Burchett, 2017), potencialmente potenciando os efeitos devastadores das pragas e doenças na agricultura.
Neste contexto, a robotização poderá desempenhar um papel vital na adaptação e mitigação destes impactos, oferecendo soluções mais resilientes e sustentáveis. A indústria vitivinícola pode ser pioneira na adoção destas soluções e, de facto, já demonstrou um forte compromisso com a vanguarda tecnológica, fazendo progressos significativos na viticultura de precisão (Santesteban, 2019). Este progresso deve-se, em parte, à procura constante da mais alta qualidade do vinho e de margens económicas comparativamente elevadas em relação a outras culturas. Estes fatores proporcionam à viticultura o impulso financeiro e o impulso para se posicionar como um dos pioneiros na revolução robótica no sector agrícola.
Para combater eficazmente as doenças, é essencial implementar uma monitorização detalhada das culturas com vários recursos. No entanto, as soluções atuais são frequentemente dispendiosas e, por vezes, inacessíveis quando é urgentemente necessário determinar e tratar as áreas afetadas. Assim, torna-se imperativo aproveitar as tecnologias modernas na agricultura, incluindo sensores, satélites, UAVs (veículos aéreos não tripulados) e UGVs (veículos terrestres não tripulados), para desenvolver uma robótica agrícola avançada que transforme não só a viticultura, mas toda a indústria agrícola, conduzindo-a para um futuro mais rentável, sustentável, eficiente e resiliente.
Este trabalho tem como objetivo apresentar uma solução eficiente (em recursos, tempo e economia) baseada numa plataforma DSS (Decision Support System) para deteção precoce de doenças de culturas em grandes áreas agrícolas, combinando camadas espaciais de fontes heterogéneas, tais como sensores meteorológicos e IoT (Internet of Things), satélites, UAVs e UGVs.
Os ensaios de campo foram realizados numa vinha comercial em Terras Gauda (Tomiño, Galiza, Espanha) em 2021, 2022 e 2023, no âmbito do projeto europeu H2020 FLEXIGROBOTS. A SERESCO foi responsável pela rede de sensores terrestres e pela plataforma DSS, a Universidade de Wageningen foi responsável pela robótica aérea (UAV) e pela inspeção remota e o Centro de Automática y Robótica del CSIC foi responsável pelos robots terrestres (UGV) e pela inspeção de proximidade, incluindo o sistema de deteção de imagens de doenças.
Fig. 1: Fluxograma. A cultura é analisada em resoluções espaciais subsequentes - hectares (nível da parcela), metros (nível da linha), centímetros (nível da planta) - em três etapas.
A abordagem apresentada é uma abordagem de deteção remota a uma escala alargada, em que a cultura-alvo é analisada a resoluções espaciais subsequentes - hectares (nível do campo), metros (nível da linha ou linha de cultura), centímetros (nível da planta) - em três etapas (Fig. 1). Estas camadas espaciais são obtidas através da integração de informações fornecidas por sensores de redes ambientais, satélites, UAV e UGV (Fig. 2). Os sensores da rede, combinados com a informação de satélite, fornecem uma estimativa inicial do local onde a doença pode estar a desenvolver-se em vários campos. Esta informação é enviada para os UAV, que inspecionam os campos com câmaras e, utilizando algoritmos de aprendizagem automática, geram um mapa de probabilidade que indica o risco de desenvolvimento da doença, mostrando a sua potencial localização (Vélez et al., 2023). Os UGVs inspecionam então toda a cultura com câmaras, concentrando-se nos locais com maior probabilidade de terem a doença, e determinam com precisão, utilizando modelos de deteção de aprendizagem profunda, a localização e o estado da doença das plantas. Cada plataforma tem um subsistema único que fornece informações georreferenciadas sobre a localização da doença em cada escala. Estas informações são modeladas para gerar um único mapa com a melhor estimativa da localização da doença. Finalmente, com a informação fornecida pelos sistemas de inspeção baseados em UAVs e UGVs, o agricultor pode acompanhar as vinhas e a frota de robots através da plataforma DSS. Esta visualiza a informação gerada pelos voos dos UAV (mapas de probabilidade de desenvolvimento da Botrytis), a telemetria dos robots em tempo real, bem como a localização dos cachos em que a doença foi detetada, visualizando fotografias desses cachos.
Fig. 2: Fluxo de trabalho que combina camadas espaciais provenientes de fontes heterogéneas: satélites, sensores, UAV (Unmanned Aerial Vehicles) e UGV (Unmanned Ground Vehicles).
A combinação de tecnologias proposta não só melhora a eficiência da deteção, como também representa uma oportunidade para reduzir os custos a longo prazo e minimizar o impacto ambiental. É essencial que a indústria agrícola adote tais soluções para se manter operacional num mundo cada vez mais competitivo, garantindo não só a saúde das culturas, mas também a sustentabilidade do setor. Assim, as experiências de campo mostram que a abordagem proposta oferece melhores resultados em comparação com os métodos atuais, uma vez que 1) reduz o tempo para detetar a localização de doenças na cultura em até 1 h/ha; 2) aumenta a precisão da localização de doenças em mais de 60%; 3) reduz a quantidade de tratamento químico em até 80%, pois o pesticida pode ser aplicado apenas em plantas com risco de desenvolver a doença; e 4) pode ter um potencial retorno positivo do investimento (ROI) após seis e três temporadas, quando usado por produtores de pequena/média escala (<100ha) e média/alta escala (<1000ha), respetivamente.
Agradecimentos
Este trabalho foi realizado no âmbito do projeto H2020 FlexiGroBots, financiado pela Comissão Europeia através do seu programa H2020 (contrato número 101017111, https://flexigrobots-h2020.eu/). Os autores gostariam de agradecer à MathWorks, Inc. pelo seu apoio.
Referencias
Burchett, S., & Burchett, S. (2017). Plant pathology. Garland Science, Taylor & Francis Group.
European Environment Agency. (2019). Climate change adaptation in the agriculture sector in Europe. Publications Office. https://data.europa.eu/doi/10.2800/537176
Martindale, W. (2014). Global Food Security and Supply. John Wiley & Sons, Ltd. https://doi.org/10.1002/9781118699287
Mira de Orduña, R. (2010). Climate change associated effects on grape and wine quality and production. Food Research International, 43(7), 1844–1855. https://doi.org/10.1016/j.foodres.2010.05.001
Santesteban, L. G. (2019). Precision viticulture and advanced analytics. A short review. Food Chemistry, 279, 58–62. https://doi.org/10.1016/j.foodchem.2018.11.140
Vélez, S., Ariza-Sentís, M., & Valente, J. (2023). Mapping the spatial variability of Botrytis bunch rot risk in vineyards using UAV multispectral imagery. European Journal of Agronomy, 142, 126691. https://doi.org/10.1016/j.eja.2022.126691