Aparentemente, uma decisão errada sobre irrigação, fertilizante ou controlo de pragas pode custar aos agricultores tempo, dinheiro e colheitas inteiras. Mas um novo estudo sugere que essas decisões poderão, em breve, ser testadas antes de chegarem sequer ao terreno.
Investigadores desenvolveram uma réplica digital de uma exploração agrícola capaz de simular condições reais e orientar decisões sobre as culturas com 87.5 por cento de precisão nos primeiros testes.
O objetivo é simples: retirar parte do risco da agricultura, transformando a incerteza em algo que os agricultores possam ver e usar com antecedência.
Construir uma quinta digital com um gémeo digital
Num ambiente de exploração simulada, fluxos de drones, sensores de solo e satélites convergem para um único sistema que reproduz as condições reais do campo.
Ao ligar esses sinais em tempo real a resultados previstos, investigadores da Universidade do Tennessee (UT) mostraram que o sistema consegue associar os pedidos dos agricultores às ações corretas, enquanto elimina escolhas inseguras.
O desempenho manteve-se em vários cenários de teste, nos quais o sistema aplicou regras adequadas e corrigiu violações antes de qualquer decisão chegar ao terreno.
Ainda assim, esses resultados dizem respeito a condições controladas, o que deixa em aberto a forma como a mesma fiabilidade se comportará quando as explorações reais introduzirem clima imprevisível, pragas e variações no solo.
O tempo muda tudo
Nos campos de milho, a lagarta-do-cartucho, uma praga que se propaga rapidamente e se alimenta das culturas, espalhou-se para mais de 80 países além da sua área original.
Ao mesmo tempo, a agricultura consome cerca de 70 por cento das retiradas mundiais de água doce, o que torna cada erro de irrigação dispendioso.
O excesso de fertilizante também escapa ao solo porque os microrganismos transformam o azoto em excesso em gases ou escoamento que as culturas nunca aproveitam.
Os avisos precoces contam mais do que médias gerais quando as pragas, a seca e as perdas de nutrientes podem mudar com rapidez
Problemas na quinta digital
Sobre um campo, os drones recolhem imagiologia hiperespectral - imagens em várias bandas de luz - que pode revelar stress da cultura antes de as folhas mudarem de forma visível.
Quando essas varreduras assinalam zonas problemáticas, as pessoas no terreno recolhem amostras para que testes rápidos identifiquem a causa.
Os resultados do ar e do solo entram depois no modelo, onde as condições atuais são comparadas com os prováveis próximos resultados.
Os agricultores precisam dessa cadeia completa, porque uma mancha amarela pode significar coisas muito diferentes - falta de água, ausência de nutrientes ou os primeiros sinais de doença.
No interior do gémeo digital do sistema - uma cópia virtual em tempo real da exploração - o software transforma esses sinais em regras claras e utilizáveis. Em 85 casos de teste, o sistema associou pedidos em linguagem simples às ações certas 87.5 por cento das vezes.
Também acrescenta uma camada de proteção. As verificações digitais fizeram cumprir os limites de segurança em 88 por cento dos casos e corrigiram todas as violações detetadas antes de qualquer coisa chegar ao terreno.
Essa filtragem é importante, porque uma má recomendação poderia quebrar discretamente limites de irrigação, calendários de pulverização ou regras de colheita antes de alguém se aperceber.
Orientação simples para os produtores
A linguagem clara é importante porque a maioria dos produtores precisa de uma decisão, e não de um painel cheio de gráficos e escalas de cores. Os investigadores recorrem a um modelo de linguagem de grande escala para converter padrões de sensores em recomendações curtas.
Charles Cao, autor principal do estudo, é professor associado no Departamento de Engenharia Eletrotécnica e Ciência da Computação da UT.
“Trata-se de colocar ferramentas práticas nas mãos de agricultores de todo o mundo - ferramentas que os ajudem a produzir mais alimentos com menos recursos e menos risco”, afirmou Cao.
O aconselhamento em linguagem simples poderá alargar o acesso, sobretudo para explorações de menor dimensão que não conseguem contratar especialistas técnicos ou analistas de dados.
Partilhar sem exposição
Como o projeto abrange quatro países, a equipa criou uma aprendizagem federada, treinando modelos partilhados sem mover os dados brutos das explorações agrícolas.
“A nossa abordagem cria um sistema de inteligência artificial que fica mais inteligente com a experiência global sem que qualquer país ou exploração agrícola tenha de partilhar os seus dados brutos”, disse Cao.
O treino local é importante porque os registos agrícolas podem revelar a gestão da terra, a estratégia de negócio e padrões ambientais que os produtores talvez não queiram ver expostos.
O trabalho em equipa internacional também se torna mais fácil quando as leis de privacidade, os padrões meteorológicos e as práticas agrícolas diferem de forma acentuada.
Produção agrícola sem ligação à rede
Longe de ligações de banda larga estáveis, o grupo está a integrar computação periférica diretamente em drones e sensores, para que os dados possam ser processados no próprio dispositivo em vez de dependerem de servidores remotos.
Esse processamento a bordo permite que as aeronaves detetem em tempo real o stress da cultura, as pragas e as condições do solo.
Depois, rádios de baixo consumo enviam pequenos pacotes de dados a grandes distâncias, mantendo os sistemas atualizados mesmo em áreas remotas. Ao reduzir a dependência da internet, a abordagem poderá chegar a agricultores que muitas vezes ficam de fora de serviços digitais dispendiosos.
O projeto está agora a sair da teoria e a entrar no terreno. Os primeiros protótipos de sensores estavam previstos para ser instalados na primavera de 2026, assinalando a passagem dos testes de laboratório para a utilização no mundo real.
No âmbito deste esforço mais amplo, uma equipa de engenharia sediada no Missouri está a trabalhar com colaboradores no Japão, na Índia e na Austrália. Em fevereiro de 2026, a Fundação Nacional de Ciência selecionou o projeto como uma das seis novas iniciativas.
As metas são ambiciosas: reduzir as perdas das culturas em 20 a 30 por cento e, ao mesmo tempo, diminuir o uso de água e fertilizante em cerca de 20 por cento.
Quintas reais testam o sistema
Mesmo os números iniciais mais fortes resultam de testes controlados, e não de anos de resultados de colheitas em explorações comerciais. As oscilações meteorológicas, as pragas locais, as variedades de cultivo e a pressão do mercado ainda podem comprometer planos digitais muito certinhos quando as botas entram no solo.
O julgamento humano continua também no centro, porque um modelo pode ordenar opções, mas não pode assumir o risco de falhar. Cabe agora aos ensaios de campo provar que a promessa vai além de casos de teste cuidadosamente preparados.
Ao mesmo tempo, o projeto de Cao foi desenhado para responder a muitas dessas lacunas do mundo real ao juntar avisos mais precoces, automatização mais segura, aconselhamento mais claro e dados protegidos num único sistema à escala da exploração.
Se os ensaios de campo confirmarem os resultados iniciais, os agricultores poderão ensaiar decisões antes de as tomarem e reduzir perdas mais cedo.
Comentários
Ainda não há comentários. Seja o primeiro!
Deixar um comentário