DOSSIER AGRICULTURA DE PRECISÃO 39 Os dados na Agricultura 4.0 atendem a requisitos cruciais, começando pela agricultura de precisão. Estes possibilitam aos agricultores a monitorização das culturas, das condições do solo e dos padrões meteorológicos, produzindo informações que facilitam a tomada de decisão para a gestão da rega, fertilização e controlo de pragas e doenças. Além disso, as decisões baseadas em dados auxiliam na otimização do uso dos recursos e, consequentemente, na sua conservação e no estabelecimento de práticas sustentáveis. Além disso, a recolha e análise de dados potenciam a análise preditiva, permitindo aos agricultores antecipar, por exemplo, tendências de mercado, planear as rotações de culturas ou efetuar a gestão diária das explorações de forma mais eficiente. Esta é uma abordagem proativa que ajuda a mitigar os riscos associados às incertezas como as alterações climáticas, assegurando, por isso, uma melhor resiliência nas operações agrícolas. Os dados estão a revolucionar o cenário agrícola! Por outro lado, produtores, gestores e decisores políticos necessitam de dados credíveis e de qualidade, ou seja, com qualidade temporal e espacial e em quantidade suficiente, de forma a ser possível uma melhor tomada de decisão. Assim, este trabalho apresenta- -se como um estudo de caso para demonstrar a necessidade de dados de qualidade para o desenvolvimento de modelos de previsão de horas de frio em pomares. Para o efeito, foram utilizadas técnicas de análise de dados e de machine learning para evidenciar padrões que relacionam as horas de frio e outros dados meteorológicos com a produtividade de pomares de maçã e pera na região Oeste de Portugal. HORAS DE FRIO EM MAÇÃS E PERAS Árvores de fruto como as macieiras e pereiras, necessitam de satisfazer uma determinada quantidade de horas de frio, pelo que um período de temperaturas relativamente baixas é importante para garantir uma floração regular. Contudo, estes pré-requisitos também dependem, em grande parte, das variedades (Fraga e Santos, 2021). Na literatura, o indicador de horas de frio é geralmente considerado um bom proxy do possível nível de produção em determinadas áreas. Ao monitorizar e analisar cuidadosamente a acumulação de horas de frio, os produtores podem otimizar as práticas de gestão do pomar, escolher variedades mais adequadas e mitigar os riscos associados à falta de horas de frio. Em 2022, o SFCOLAB e o grupo D2M da Universidade de Bréscia, juntamente com a ImpactWave, iniciaram uma colaboração com o objetivo de aplicar técnicas de análise de dados e de machine learning no âmbito da agricultura 4.0. A ideia foi aplicar este conhecimento para trabalhar os dados disponíveis, nomeadamente meteorológicos, dados de produção
RkJQdWJsaXNoZXIy Njg1MjYx