Inteligência Artificial: a nova fronteira no controlo de infestantes

Quais são as causas deste declínio da competitividade? A FEPEX aponta dois fatores principais: o aumento dos custos salariais e um quadro regulamentar desfavorável. Perante este cenário, a única solução viável é melhorar consideravelmente o nível tecnológico das explorações agrícolas. Neste contexto, de acordo com o recente relatório do Observatório para a Digitalização do Setor Agroalimentar, publicado em junho de 2024, 90% dos produtores e indústrias alimentares procuram automatizar as suas atividades, alegando que isso irá reduzir os custos de produção (MAPA, 2024).

No entanto, este processo requer a implementação de novas tecnologias, que inevitavelmente deixarão para trás os empregos tradicionais, criando outros empregos com maior especialização tecnológica, o que levanta um importante dilema económico e político sobre o custo de tal transformação digital. A indústria agroalimentar espanhola está a enfrentar um momento crucial de mudança. A adaptação às novas exigências do mercado global requer uma transformação profunda, com um impacto social significativo.

O principal desafio para o futuro do setor será equilibrar a competitividade, a sustentabilidade e o bem-estar social. Neste contexto, um dos maiores problemas que afetam a produção agrícola, causando entre 40% e 60% das perdas, são as infestantes (Garibaldi-Márquez, 2022). De acordo com um estudo global, a perda anual da produção agrícola mundial foi de 13,2%, o que equivale à ração alimentar anual de mil milhões de pessoas (Yuan et al., 2020). Além disso, a situação é complicada pela crescente resistência destas plantas aos herbicidas sintéticos, pelo seu carácter hospedeiro de agentes patogénicos e insetos, pelo aparecimento de espécies invasoras devido ao comércio mundial, pela redução das substâncias ativas disponíveis e pela utilização generalizada de herbicidas.

Por outro lado, a falta de novos herbicidas na União Europeia torna essencial uma mudança na gestão do controlo das ervas daninhas. Para fazer face a este desafio, é necessário implementar soluções tecnológicas que minimizem a utilização de herbicidas, perturbem o menos possível o solo e atenuem os efeitos acima referidos. Esta abordagem não só melhorará a produtividade, a eficiência e a rentabilidade, como também contribuirá para a sustentabilidade ambiental do setor agrícola.

A gestão sustentável destas plantas indesejáveis torna-se imperativa para garantir a saúde do ambiente e a viabilidade da agricultura no futuro. A gestão eficaz das infestantes permite uma redução significativa da utilização de fatores de produção agrícola, como herbicidas, fertilizantes e agroquímicos. Isto resulta numa redução da pegada ambiental da agricultura, na conservação dos recursos naturais e na proteção da saúde humana e do ambiente.

Por conseguinte, na procura constante de otimizar a agricultura e minimizar o seu impacto ambiental, a tecnologia encontrou um terreno fértil na Inteligência Artificial (IA). A gestão das infestantes, um desafio de longa data para os agricultores, está a evoluir em linha com a revolução digital, com soluções que combinam a IA com métodos de tratamento mecânico e químico, prometendo uma gestão mais eficiente e sustentável. Atualmente, a principal e mais eficaz estratégia de gestão das infestantes é a aplicação de herbicidas. Tradicionalmente, os herbicidas são aplicados uniformemente em todo o campo, sem considerar a distribuição espacial ou a existência de áreas livres de ervas daninhas.

Neste contexto, a IA entra em cena como um catalisador da mudança. Através da utilização de algoritmos avançados e da aprendizagem automática, os sistemas de IA podem identificar especificamente as infestantes nas culturas, permitindo tratamentos direcionados e localizados. Ou seja, tratar apenas onde é necessário, de forma localizada e específica para as espécies de ervas daninhas nas nossas culturas (Moreno et al., 2023). Esta precisão não só reduz a quantidade de herbicidas utilizados, ou a alteração da estrutura do solo por tratamentos mecânicos, como também aumenta a eficiência do tratamento, conduzindo a uma agricultura mais limpa e menos invasiva.

A adoção de sistemas de Inteligência Artificial, através de técnicas de reconhecimento automático, permitirá uma deteção mais precisa das ervas daninhas e evitará a aplicação uniforme de herbicidas ou melhorará os processos de tratamento por meios mecânicos, o que, por sua vez, reduz os custos e o impacto ambiental. Uma gestão eficiente das ervas daninhas resulta em culturas mais sustentáveis e saudáveis, ou seja, evitamos resíduos de herbicidas, bem como a resistência aos herbicidas, gerando rendimentos mais elevados e aumentando assim o benefício económico (López-Correa et al., 2024).

A integração de tecnologias avançadas de sensores e de informações provenientes de sistemas de aplicação de herbicidas deu origem a uma grande variedade de sistemas comerciais de pulverização de precisão, que melhoram significativamente a produtividade agrícola. Estes sistemas dividem-se principalmente em duas categorias: Green on Brown (GoB), que diferencia a vegetação verde do solo e dos resíduos de culturas, e Green on Green (GoG), que utiliza algoritmos de imagem avançados para distinguir entre culturas verdes e ervas daninhas verdes.

Os sistemas GoB são concebidos para detetar a presença ou ausência de plantas verdes, enquanto os sistemas GoG classificam espécies ou grupos específicos de plantas. É aqui que entra a IA através de técnicas de aprendizagem profunda. Os pulverizadores de precisão que integram estas tecnologias podem visar grupos localizados de ervas daninhas, bem como plantas individuais.

Um sistema de pulverização típico controlado por sensores inclui detetores, tais como câmaras RGB simples ou sensores de infravermelhos, que identificam tanto as ervas daninhas como as culturas. Estes sensores são combinados com sistemas inteligentes que decidem como controlar as ervas daninhas e aplicar herbicidas de forma precisa e localizada. A chegada dos sistemas modulares ao mercado foi um grande avanço, permitindo que os agricultores personalizem a combinação de sensores, sistemas especializados e pulverizadores de acordo com as suas necessidades específicas, mas normalmente sob as normas de um único fabricante.

Atualmente, apesar da complexidade no desenvolvimento de software inteligente (algoritmos de aprendizagem profunda através de redes neuronais), os sistemas de pulverização inteligentes estão a ser cada vez mais integrados em modelos comerciais e incluem técnicas de visão artificial. Atualmente, empresas como a Agrointelli, a Ecorobotix, a Bilberry, a Trimble Agriculture, a Weed-It, a Farmdroid, a AgriCon, a Blue-River Technologies, a Dimensions Agri Technologies, a Kilter Systems, a Greeneye Technology, a Avirtech e colaborações entre a BASF, a Bosch e a Amazone constituem o mosaico de soluções comerciais para a aplicação orientada e localizada de herbicidas contra as ervas daninhas.

As diferentes abordagens técnicas para a deteção e controlo de ervas daninhas integram sistemas de IA e RTK-GPS, sensores de infravermelhos, deteção de vegetação verde (como é o caso específico do Weed-It), mapeamento de ervas daninhas por UAV. Para tal, os sensores utilizados são muito variados, incluindo LiDAR, vários tipos de câmaras (RGB, multi-câmara, bi-espetral), espectrómetros LED azuis de alta resolução, iluminação LED azul e imagens de radar 4D, entre outros.

No que respeita à capacidade de redução de herbicidas, esta é bastante variável, dependendo da abordagem e do objetivo do tratamento. Assim, o Robotti reduz a utilização de herbicidas em 40-60%, o ARA em até 95%, o Bilberry em mais de 80%, o Weedseeker em 60-90%, o Weed-It em 95% (apenas em zonas não cultivadas), o H-Sensor em 50% e o see and spray da Blue River em até 90%. O Smart Spraying (BASF, Bosch e Amazone) consegue uma redução de 70%, enquanto o FD20, o EcoPatch, o Kilter AX-1, o Greeneye e o Avirtech-MIMO têm taxas de redução de herbicida não especificadas. As aplicações destas tecnologias incluem robôs (Robotti, Bilberry, FD20, Kilter AX-1), sistemas montados em tractores (ARA, Weedseeker, Weed-It, H-Sensor, Blue River's see and spray, EcoPatch, Greeneye, Smart Spraying) e UAVs (Avirtech-MIMO).

Na Europa, os herbicidas representam 40% do custo total de todos os produtos agroquímicos. Esta consideração económica, juntamente com as preocupações ambientais, levou à criação de legislação europeia sobre a utilização sustentável de pesticidas (Diretiva 2009/128/CE). Além disso, o requisito da UE de assegurar os objetivos “Do prado ao prato” exerce uma pressão adicional ao exigir uma redução de 50% na utilização de pesticidas, uma redução de 20% na utilização de fertilizantes e um aumento de 25% na área biológica (BOE, 2022).

Em suma, esta combinação de fatores está a corroer a competitividade de um dos setores mais vitais da economia espanhola, pondo em risco a sua sustentabilidade e capacidade de exportação. Assim, em resposta às dificuldades do controlo químico das infestantes, surgiu um interesse renovado pelos métodos de tratamento mecânico. Este interesse deve-se a vários fatores, incluindo restrições legislativas à utilização de herbicidas, pressão pública para reduzir a dependência de produtos químicos na agricultura, resistência crescente aos herbicidas e preocupações ambientais. Além disso, o crescimento da agricultura biológica, que limita estritamente os fatores de produção sintéticos, exige a adoção de estratégias alternativas de gestão das infestantes.

Por conseguinte, os métodos mecânicos de controlo das infestantes continuam a ser ainda mais importantes, especialmente devido à resistência aos herbicidas e ao impacto ambiental dos produtos químicos. O controlo mecânico das infestantes distingue-se pela sua eficácia imediata e pela ausência de resíduos químicos, o que também é particularmente benéfico nos sistemas de agricultura biológica. A monda mecânica comporta sempre o risco de provocar danos parciais na cultura ou mesmo a perda total das plantas cultivadas. Os danos físicos causados à cultura podem abrandar o seu crescimento e permitir a entrada de agentes patogénicos, o que pode levar a infeções secundárias e a uma redução do rendimento. Por exemplo, as raízes da beterraba sacarina podem ser afetadas pela podridão radicular causada por Fusarium ou Phoma se forem danificadas mecanicamente. Devido ao risco constante de danos nas culturas, a orientação precisa dos implementos de tratamento é crucial, pelo que é necessária a implementação de sensores e até de sensores melhorados por IA.

Sob diferentes designações, são apresentadas as “sachadoras de dedo”, as “sachadoras tácteis”, as “sachadoras de torção” e as “escovas de monda”. A utilização de “sachadores de dedo” provou ser bastante eficaz, mas são mais adequados para fases de crescimento mais avançadas. Exigem que a cultura tenha um crescimento e um desenvolvimento radicular muito mais avançados do que as ervas daninhas. Por outro lado, a sacha tátil pode ser feita dentro da linha. Estão atualmente a ser desenvolvidos muitos sistemas semelhantes; no entanto, o seu custo e a sua baixa velocidade continuam a ser fatores limitantes. As escovas para sacha são concebidas para arrancar pequenas ervas daninhas, mas requerem condições ótimas do solo e fases de crescimento específicas, tanto das ervas daninhas como das culturas.

Quando se trata de controlar as ervas daninhas entre as linhas de cultivo, diferentes fabricantes propuseram soluções diferentes. Cada sistema utiliza tecnologia de câmara avançada para guiar os atuadores mecânicos entre as linhas de cultura, minimizando assim os danos nas culturas e otimizando o controlo das ervas daninhas. A precisão é um parâmetro crítico nestes sistemas, uma vez que descreve o desvio máximo da orientação da enxada em relação à linha no centro de duas linhas de cultura. Uma elevada precisão garante que o atuador permanece precisamente alinhado, reduzindo assim o risco de danos nas culturas. Por exemplo, o sistema K.U.L.T. Vision Control® oferece a maior precisão com ±2 cm, o que o torna particularmente adequado para culturas com espaçamentos entre linhas mais estreitos. Esta precisão pode melhorar significativamente a proteção das culturas, enquanto gere eficazmente as ervas daninhas. Da mesma forma, os sistemas Garford Robocrop Guided Hoes®, Horsch Transformer VF, Steketee IC® e OEM Claas Row-Guard® oferecem o mesmo desempenho, no entanto, com uma precisão inferior (±4 cm). Embora ligeiramente menos preciso do que o K.U.L.T. Vision Control®, uma precisão de ±4 cm continua a ser altamente eficaz na prevenção de danos nas culturas e é geralmente adequada para a maioria das culturas em condições típicas de linhas e campos.

O parâmetro de espaçamento mínimo entre linhas indica a distância mais pequena entre linhas de culturas que o sistema pode gerir eficazmente. Isto é crucial para compreender a versatilidade e a aplicabilidade de cada sistema a diferentes configurações de culturas. O sistema K.U.L.T. Vision Control®, com um espaçamento mínimo entre linhas de 12,5 cm, pode gerir algumas das disposições de linhas mais apertadas, proporcionando flexibilidade aos agricultores que cultivam com espaçamento mínimo. Ao contrário deste sistema, o Garford Robocrop Guided Hoes® pode lidar com espaçamentos entre linhas inferiores a 10 cm, demonstrando uma versatilidade excecional e tornando-o ideal para culturas densamente povoadas. Por outro lado, o sistema Horsch Transformer VF permite um espaçamento mínimo entre linhas de 20 cm, adequado para culturas que requerem um espaçamento ligeiramente maior. Da mesma forma, os sistemas Steketee IC® e OEM Claas Row-Guard® requerem um espaçamento mínimo entre linhas de 25 cm, o que é tipicamente suficiente para uma vasta gama de culturas em linha, embora possa limitar a sua utilização em cenários de plantação densa.

Além disso, a velocidade máxima a que estes sistemas podem funcionar é um fator importante para aplicações práticas no terreno. O sistema K.U.L.T. Vision Control®, com uma velocidade máxima de 15 km/h, permite operações rápidas no campo, melhorando a eficiência. Da mesma forma, os sistemas Garford Robocrop Guided Hoes® e OEM Claas Row-Guard® podem funcionar a velocidades até 14 km/h, o que os torna adequados para a agricultura em grande escala, onde a eficiência do tempo é crítica. Por outro lado, os sistemas Horsch Transformer VF e Steketee IC® funcionam a velocidades máximas de 12 km/h e 10 km/h, respetivamente. Embora ligeiramente mais lentas, estas velocidades continuam a ser adequadas para a maioria das operações agrícolas e permitem um controlo preciso dos atuadores mecânicos.

Em conclusão, é essencial compreender todos os fatores envolvidos nos sistemas de orientação por câmara entre linhas com atuadores mecânicos, prestando especial atenção às suas vantagens e limitações em termos de precisão, distância mínima entre linhas, tecnologia de câmara utilizada e velocidade máxima de funcionamento. Em conjunto, estes fatores determinam a adequação de cada sistema a diferentes ambientes agrícolas. Assim, fornecem aos agricultores uma base sólida para selecionar a tecnologia que melhor se adapta às suas necessidades agrícolas específicas, otimizando assim a eficiência e a eficácia das operações de campo (Gerhards et al., 2022).

Outra solução proposta pelo fabricante Hatzenbichler é uma grade de dentes amiga do ambiente que permite uma adaptação precisa do solo e o controlo de ervas daninhas em culturas como cereais, milho, beterraba sacarina, colza, soja, ervilhas, batatas, legumes e pastagens. Tem uma base de grade móvel e dentes que podem ser ajustados num ângulo através de um sistema hidráulico de acordo com a análise de imagem correspondente, permitindo o controlo de ervas daninhas tanto nas linhas como entre linhas. Assim, um sistema de análise contínua de imagens para medir a eficácia do controlo das ervas daninhas, um sistema de apoio à decisão e um controlo automático da intensidade da gradagem através da regulação hidráulica do ângulo dos dentes estão incluídos num controlador montado na grade de dentes (Figura 3).

Figura 4. A Farming Revolution oferece soluções robóticas autónomas e sem herbicidas para um tratamento preciso através de plataformas elétricas energeticamente eficientes.

É também de salientar o sistema desenvolvido pela KULT-iSelect® em conjunto com a Universidade de Hohenheim, que utiliza a monda mecânica na linha de cultura como uma extensão do KULT-Vision Control Hoe®. Utiliza câmaras multiespectrais e sistemas de reconhecimento de ervas daninhas com inteligência artificial (Gerhards et al. 2024). Este sistema representa um avanço significativo no domínio da robótica agrícola, sendo capaz de distinguir entre espécies de ervas daninhas problemáticas e benéficas. Esta capacidade permite preservar as espécies de infestantes a proteger ou com funções ecológicas positivas durante as operações de tratamento. Esta inovação promove uma agricultura mais sustentável e amiga do ambiente, favorecendo a biodiversidade.

No entanto, uma das principais desvantagens deste robô é a sua baixa velocidade operacional, uma vez que trabalha a uma velocidade de 1 km/h e cobre aproximadamente 0,4 hectares por hora, o que pode ser considerado insuficiente para explorações agrícolas de grande escala, afetando potencialmente a sua eficiência em operações extensivas. Apesar desta limitação, a sua precisão e capacidade de mira tornam-no muito valioso em contextos onde a conservação ecológica e a biodiversidade são prioritárias. Por outro lado, o sistema FarmWise® proposto pela Vulcan, que recorre a técnicas de Machine Learning, representa uma evolução no controlo de infestantes em linhas de cultivo. Comparado com sistemas mais lentos, este sistema tem a capacidade de tratar mais de 1 hectare por hora, o que o torna uma ferramenta altamente eficiente para explorações agrícolas de grande escala.

A IA permite a identificação precisa de ervas daninhas através da utilização de sistemas de visão artificial, plataformas terrestres robóticas ou autónomas, drones e sensores avançados, facilitando a aplicação localizada de herbicidas apenas nas áreas afetadas. Esta abordagem reduz significativamente a utilização de pesticidas, diminuindo a contaminação do solo e das águas subterrâneas e, ao mesmo tempo, aumentando a rentabilidade das explorações agrícolas. Além disso, a IA é combinada com robôs agrícolas que podem efetuar tratamentos mecânicos, arrancando ervas daninhas com uma precisão que anteriormente era impensável. Isto reduz a dependência de agroquímicos e promove uma agricultura mais sustentável.

Apesar destes avanços, a aplicação da IA no controlo das infestantes enfrenta vários desafios consideráveis. Em primeiro lugar, a variabilidade das condições de campo constitui um grande desafio; fatores como o clima, o tipo de solo e a topografia criam um ambiente complexo em que as soluções tecnológicas têm de ser constantemente adaptadas. As diferenças nas espécies de ervas daninhas representam outro obstáculo, uma vez que a IA deve ser capaz de identificar uma grande variedade de plantas indesejadas com elevada precisão, mesmo em condições de luz variáveis ou quando as ervas daninhas estão parcialmente cobertas pelas culturas. A capacidade de aprendizagem das redes neuronais utilizadas nestes sistemas deve ser continuamente melhorada para abranger estes contextos variáveis e garantir uma classificação exata.

Outro obstáculo significativo são as limitações tecnológicas dos sistemas de controlo mecânico. Embora os robots possam ser precisos, a sua velocidade de trabalho é limitada, especialmente nos tratamentos mecânicos, em que uma velocidade de 5 km/h dificilmente é ultrapassada. Isto faz com que o tratamento mecânico de grandes áreas de culturas continue a ser um desafio logístico e económico. A eficiência destes sistemas tem de melhorar para ser competitiva com os métodos tradicionais de pulverização de herbicidas.

A integração de novas tecnologias implica também um investimento inicial considerável. Muitos agricultores não dispõem dos recursos necessários para adquirir equipamento avançado de IA ou, pelo menos, algum grau de automatização. Além disso, a aplicação eficaz destas ferramentas exige uma formação adequada para que os agricultores possam tirar o máximo partido do seu potencial, bem como um sistema de apoio técnico que, atualmente, é praticamente inexistente. Em muitos casos, os instrumentos e equipamentos são comercializados sem que seja oferecido o apoio técnico necessário para garantir o seu correto funcionamento e otimizar a sua rentabilidade. Além disso, a adaptação tecnológica no setor agrícola implica não só a aquisição de hardware e software, mas também uma mudança cultural no sentido da aceitação de abordagens digitais e automatizadas, o que pode constituir um obstáculo significativo para os pequenos produtores.

Em todo o caso, apesar destes desafios, o futuro do controlo de infestantes por IA é promissor. À medida que a tecnologia continua a avançar, espera-se que os custos de produção e aquisição diminuam, tornando estes sistemas mais acessíveis a um maior número de agricultores. Além disso, a eficiência e a precisão destes sistemas irão melhorar ao longo do tempo, graças ao desenvolvimento de algoritmos de aprendizagem profunda que podem interpretar dados em tempo real e adaptar-se a novas circunstâncias. Os avanços na conetividade rural, através de tecnologias como o 5G, facilitarão a transmissão de dados e permitirão a gestão remota e em tempo real destas tecnologias, aumentando assim a eficácia da gestão das infestantes.

Outro aspeto importante para o futuro será a integração de múltiplas tecnologias em sistemas de gestão integrada. A sinergia entre sensores de campo, drones, robôs autónomos e plataformas de análise baseadas na nuvem pode oferecer um controlo mais holístico das ervas daninhas. Por exemplo, drones equipados com câmaras multiespectrais poderiam fornecer mapas detalhados da infestação de infestantes, enquanto robôs autónomos aplicariam tratamentos mecânicos ou químicos específicos com base nesses mapas. Esta integração permitiria uma resposta mais rápida e adaptada às condições específicas do campo, otimizando os recursos e reduzindo os custos.

A investigação e a colaboração contínuas entre tecnólogos, agrónomos e agricultores serão essenciais para otimizar estas tecnologias e garantir a sua sustentabilidade e eficácia a longo prazo. Os desenvolvimentos no domínio da IA não ocorrem no vácuo; exigem uma compreensão profunda das práticas agrícolas e do ambiente em que são implementados. A este respeito, as parcerias público-privadas, o apoio governamental e as políticas de subsídios desempenharão um papel crucial na promoção da adoção destas tecnologias.

Além disso, é essencial que a sociedade no seu conjunto apoie estas inovações, uma vez que o controlo das infestantes por IA não só beneficia os agricultores, como também contribui para o bem-estar dos consumidores ao reduzir a utilização de produtos químicos nos alimentos e para a conservação do ambiente. Com a abordagem correta e um empenho contínuo na inovação, a inteligência artificial poderá ser a chave para uma agricultura mais produtiva, eficiente e sustentável, que satisfaça as necessidades da população em crescimento, protegendo simultaneamente o ecossistema agrícola e o ambiente rural.

Agradecimentos

Este trabalho foi financiado pelo MCIU / AEI / 10.13039/501100011033 / ERDF, pelo projeto da UE MIXWEEDING PID2023-150108OB-C33 e pelo projeto SWEET (Sustainable weed management by agroecological and technical approaches) que recebeu apoio financeiro dos fundos NextGeneration da União Europeia sob os auspícios do acordo de subvenção número TED2021-130031B-I00.

Referências

Boletim Oficial do Estado (BOE). (2022). Resolução da Direção-Geral da Qualidade e Avaliação Ambiental, que formula a declaração ambiental estratégica do Plano Estratégico da Política Agrícola Comum para Espanha no período 2023-2027. https://www.boe.es/diario_boe/txt.php?id=BOE-A-2022-23029

CaixaBank Research (2023). Os custos de produção e a seca afetam o setor agroalimentar. Recuperado de https://www.caixabankresearch.com/es/analisis-setorial/agroalimentario/costes-produccion-y-sequia-afectan-al-sector-agroalimentario em 17 de outubro de 2024.

Garibaldi-Márquez, F.; Flores, G.; Mercado-Ravell, D.A.; Ramírez-Pedraza, A.; Valentín-Coronado, L.M. Classificação de ervas daninhas de imagens naturais de campo de milho com várias plantas com base em aprendizado superficial e profundo. Sensors 2022, 22, 3021. https://doi.org/10.3390/s22083021

Gerhards, R., Andújar Sanchez, D., Hamouz, P., Peteinatos, G.G., Christensen, S. & Fernandez-Quintanilla, C. (2022). Avanços na gestão de ervas daninhas específicas do local na agricultura - uma revisão. Weed Research, 62, 123-133. Disponível em: https://doi.org/10.1111/wre.12526

Gerhards, R., Risser, P., Spaeth, M., Saile, M. & Peteinatos, G. (2024) A comparison of seven innovative robotic weeding systems and reference herbicide strategies in sugar beet (Beta vulgaris subsp. vulgaris L.) and rapeseed (Brassica napus L.). Weed Research, 64(1), 42-53. Disponível em: https://doi.org/10.1111/wre.12603

López-Correa JM., Moreno H., Sebastian Pérez D., Bromberg F., Andújar D. (2024) Rumo a um verdadeiro sistema de lavoura zero de conservação: “A proposed solution based on computer vision to herbicide resistance.”, Computers and Electronics in Agriculture, Volume 217, 2024, 108576, ISSN 0168-1699, https://doi.org/10.1016/j.compag.2023.108576.

Ministerio de Agricultura, Pesca y Alimentación. Secretaría General Técnica. Centro de Publicaciones. junho de 2024. Observatorio para la Digitalización del Setor Agroalimentario. La transformación digital del sector agroalimentario vista por sus profesionales.

Moreno H., Gómez A., Altares-López A., Ribeiro A., Andújar D. (2023) Analysis of Stable Diffusion-derived fake weeds performance for training Convolutional Neural Networks, Comput. Electron. Agric., Volume 214, 2023, 108324, ISSN 0168-1699, https://doi.org/10.1016/j.compag.2023.108324

Naruhn G-P, Peteinatos GG, Butz AF, Möller K, Gerhards R. Efficacy of Various Mechanical Weeding Methods-Single and in Combination-In Terms of Different Field Conditions and Weed Densities. Agronomy. 2021; 11(10):2084. https://doi.org/10.3390/agronomy11102084

Yuan, H., Zhao, N., Chen, M. (2020). Progresso da pesquisa e perspetiva de reconhecimento de ervas daninhas de campo com base no processamento de imagens. J. Agric. Machinery 51, 323-334.