DOSSIER AGRICULTURA DE PRECISÃO 45 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 robôs através da plataforma DSS. Esta visualiza a informação gerada pelos voos dos UAV (mapas de probabilidade de desenvolvimento da Botrytis), a telemetria dos robôs em tempo real, bem como a localização dos cachos em que a doença foi detetada, visualizando fotografias desses cachos. 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 Está a tornar-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 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 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. n
RkJQdWJsaXNoZXIy Njg1MjYx