Há alguns meses, tive uma conversa interessante com um colega, Jorge Fernandez-Galarreta, que trabalha com um algoritmo concebido para identificar semelhanças climáticas entre diferentes regiões do mundo.
O princípio era apelativo.
Partir do clima de uma zona de produção bem-sucedida, criar a respetiva «assinatura climática» e procurar, à escala mundial, outros locais onde a mesma variedade ou o mesmo sistema de produção pudesse, potencialmente, ter um bom desempenho.
Tudo isto poderia ser feito antes de qualquer deslocação.
Para investidores, detentores de variedades, produtores e consultores, o valor económico é evidente. Em vez de visitar 15 ou 20 possíveis regiões de produção, o modelo poderia eliminar as opções menos promissoras e concentrar a investigação nos três ou quatro candidatos mais fortes.
O trabalho desenvolvido pela MARGINS para a Extraordinary Berry Company constitui um exemplo prático.
A MARGINS refere que lhe foi pedido que criasse uma assinatura climática a partir de uma única exploração de morangos bem-sucedida, incorporasse os limiares climáticos conhecidos exigidos pelo sistema de produção patenteado e filtrasse dezenas de milhares de locais candidatos.
Em seguida, o seu modelo proprietário identificou regiões com padrões climáticos semelhantes aos da exploração de referência e avaliou-as por comparação com a assinatura original.
Este é um bom exemplo de como os algoritmos climáticos podem reduzir os custos e o tempo associados à prospeção de novas regiões de produção.
Contudo, também demonstra por que razão temos de definir claramente o que está a ser replicado.
A Extraordinary Berry Company não explora uma produção convencional de morangos em campo aberto. O seu sistema Matrix-GS™ é um sistema de produção em ambiente controlado que integra caleiras hidropónicas dispostas numa estrutura em A, iluminação LED suplementar, aquecimento, gestão do fluxo de ar, operações automatizadas e tecnologias de monitorização da cultura.
A empresa refere que esta configuração permite uma densidade de plantação aproximadamente 3,5 vezes superior à dos sistemas convencionais. Utiliza também dados relativos à rega, nutrição, iluminação e ambiente para ajustar a gestão a diferentes variedades.
Por conseguinte, a assinatura climática não é simplesmente:
CLIMA
Está mais próxima de:
CLIMA EXTERIOR × SISTEMA DE PRODUÇÃO × VARIEDADE × GESTÃO
Um local pode ter um clima exterior semelhante ao da exploração de referência, mas exigir níveis substancialmente diferentes de aquecimento, arrefecimento, ventilação ou iluminação suplementar.
O clima pode ser semelhante.
A fatura energética pode não o ser.
O estudo de caso público da MARGINS explica o desafio, o processo de seleção e o resultado pretendido. Não divulga publicamente a lista completa de variáveis, a ponderação atribuída a cada variável, a arquitetura do modelo, os intervalos de incerteza nem os resultados de validação independente.
Isto não constitui uma crítica à empresa nem à sua tecnologia. É natural que os algoritmos proprietários protejam a respetiva propriedade intelectual.
Significa, porém, que, apenas com base na informação pública, podemos avaliar a lógica e a utilidade do processo — mas não calcular a sua exatidão preditiva total.
Isto conduz à pergunta que me ocorreu durante a conversa anterior:
Quanto erro podemos realmente eliminar desta decisão?
Consideremos a Índia.
Algumas regiões podem parecer adequadas para mirtilos com baixas necessidades de frio quando analisamos a temperatura e o frio invernal. Contudo, durante os últimos meses do ano e o início do ano seguinte, a neblina e o nevoeiro persistentes, bem como a poluição atmosférica, podem alterar significativamente o ambiente de produção.
A temperatura pode ser a adequada, mas e a luz?
O que acontece à integral diária de luz (DLI, na sigla inglesa), à duração da humectação foliar, à humidade relativa, ao défice de pressão de vapor (VPD, na sigla inglesa), à polinização, à pressão de doenças e às condições de secagem dos frutos quando o nevoeiro persiste até ao final da manhã?
Uma investigação que abrangeu 69 locais de observação na Índia identificou mais de 10 000 episódios de nevoeiro entre 2000 e 2020. O nevoeiro de radiação representou aproximadamente 68 % de todos os episódios de nevoeiro identificados. O estudo constatou ainda um aumento da frequência de nevoeiro em vários locais da Planície Indo-Gangética.
Assim, um modelo baseado sobretudo na temperatura e no frio poderia classificar uma região como semelhante, embora a planta estivesse exposta a um ambiente de radiação e humidade completamente diferente.
Ao mesmo tempo, o nevoeiro não deve ser automaticamente classificado como negativo.
Uma investigação realizada num campo de morangos na Califórnia concluiu que o nevoeiro costeiro reduziu a perda de água da cultura e aumentou a eficiência do uso da água e da luz. A radiação difusa pode penetrar no copado de forma diferente e, em determinadas condições, manter níveis úteis de fotossíntese, reduzindo simultaneamente a transpiração.
A pergunta correta não é simplesmente:
Há nevoeiro?
É antes:
Qual é a sua intensidade, durante quanto tempo persiste, quanta radiação se perde ou é difundida, em que fase da cultura ocorre e de que forma afeta a humectação foliar, a polinização, as doenças e a qualidade dos frutos?
Este exemplo expõe uma das limitações fundamentais da modelação climática:
Um algoritmo só pode analisar as variáveis que recebe — e a fiabilidade da sua resposta não pode ser superior à fiabilidade dos seus dados.
OS DADOS GLOBAIS NÃO SÃO MEDIÇÕES LOCAIS
Os modelos de assinatura climática podem utilizar observações de estações meteorológicas, dados de satélite, superfícies climáticas interpoladas e reanálises atmosféricas.
O WorldClim disponibiliza superfícies climáticas globais com resoluções que podem chegar a aproximadamente um quilómetro. O ERA5-Land disponibiliza dados horários de reanálise com uma resolução aproximada de nove quilómetros. O NASA POWER e o CHIRPS fornecem dados globais valiosos sobre radiação solar, meteorologia e precipitação.
Estes recursos são poderosos, sobretudo onde os registos locais são limitados.
Contudo, um píxel climático com uma resolução de um quilómetro não corresponde necessariamente a uma medição efetuada dentro desse quilómetro quadrado. Em geral, trata-se de uma estimativa interpolada ou obtida por redução de escala, com base nas observações disponíveis e no sistema de modelação.
A diferença torna-se especialmente importante em terrenos complexos.
Uma investigação que comparou conjuntos de dados climáticos globais com 170 estações meteorológicas nas montanhas da Tanzânia encontrou erros substanciais nos valores de precipitação. Em algumas situações, os conjuntos de dados subestimaram a precipitação média anual máxima em mais de 50 % e situaram a cota de precipitação máxima com desvios de centenas de metros.
O ar frio pode acumular-se num vale, enquanto uma encosta próxima permanece vários graus mais quente. O nevoeiro pode persistir sobre uma zona durante mais duas horas. A exposição ao vento pode ser completamente diferente no outro lado da mesma colina.
Os dados climáticos descrevem o território visto de cima.
O conhecimento local explica como esse território se comporta efetivamente no terreno.
UMA ELEVADA EXATIDÃO DO MODELO NÃO SIGNIFICA UMA ELEVADA CERTEZA DO INVESTIMENTO
Outro risco reside na forma como interpretamos a palavra «exatidão».
Um modelo global recente de aptidão para 17 culturas apresentou uma exatidão média de classificação superior a 0,90. Contudo, os autores reconheceram também a inexistência de verdadeiras observações globais, ao nível do terreno, sobre a aptidão das culturas.
A exatidão representava a capacidade do modelo para classificar padrões dentro do seu conjunto de dados. Não significava que uma nova exploração comercial tivesse uma probabilidade superior a 90 % de ser bem-sucedida.
São questões completamente diferentes.
Um índice de similaridade climática pode indicar semelhança estatística.
Um modelo de aptidão de uma cultura pode indicar se as condições ambientais parecem permanecer dentro dos limites biológicos.
Nenhum deles prevê automaticamente a produção comercial, a percentagem de produto comercializável (packout), a qualidade dos frutos, a eficiência da mão de obra, o preço de mercado ou o retorno do investimento.
A metodologia de validação também é importante. A investigação demonstrou que a validação cruzada aleatória pode subestimar os erros de previsão quando locais vizinhos ou anos consecutivos são repartidos entre os conjuntos de treino e de teste.
Para um modelo concebido para identificar regiões de produção completamente novas, a validação mais robusta deve excluir do treino do modelo regiões inteiras e anos completos.
O teste mais importante não consiste em saber se o modelo consegue reconhecer zonas que já viu parcialmente.
Consiste em saber se consegue prever corretamente uma região que nunca viu.
OS PEQUENOS FRUTOS EXIGEM UMA MODELAÇÃO ESPECÍFICA POR FASE FENOLÓGICA
As médias climáticas anuais e mensais não são suficientes para as culturas de pequenos frutos.
Um modelo rigoroso deve alinhar as variáveis climáticas com as fases da cultura:
- Dormência: acumulação horária de frio, interrupções por períodos quentes e resposta ao frio específica da variedade
- Abrolhamento: acumulação de calor, exposição à geada e desaclimatação
- Floração: precipitação, vento, temperatura, humidade e atividade dos polinizadores
- Vingamento: temperatura, radiação, VPD e polinização
- Desenvolvimento dos frutos: horas de calor, DLI, necessidades hídricas e carga de frutos
- Maturação: temperatura dos frutos, temperatura noturna, precipitação e humidade
- Colheita: intensidade da precipitação, horas de humectação, calor, fendilhamento, podridões e condições de apanha
Duas regiões podem ter a mesma temperatura e precipitação anuais, mas proporcionar janelas de produção completamente diferentes.
Nos pequenos frutos, o momento em que cada fenómeno ocorre é determinante.
A chuva fora do período de colheita pode ser controlável. A mesma precipitação durante a maturação pode reduzir a firmeza, a eficiência da apanha, o tempo de conservação e a percentagem de produto comercializável.
O calor após a colheita é diferente do calor durante o desenvolvimento dos frutos.
Uma investigação com a cultivar de mirtilo highbush Legacy concluiu que temperaturas diurnas aproximadamente 5 °C acima da temperatura ambiente reduziram a assimilação líquida de CO₂ em 45 % e o peso dos frutos em 39 %.
A temperatura média anual poderia quase não se alterar, mas um período de calor relativamente curto durante o desenvolvimento dos frutos pode alterar de forma significativa o resultado comercial.
A tecnologia também modifica a assinatura climática. Estudos com coberturas contra a chuva e redes em mirtilos demonstraram alterações na radiação, na temperatura, na acumulação de graus-dia, na produção e na qualidade dos frutos.
Uma referência em campo aberto não pode ser diretamente transposta para um projeto de produção protegida — nem o inverso — sem modelar a própria estrutura.
A VARIEDADE NÃO É UMA CONSTANTE
O mesmo genótipo pode expressar-se de forma diferente sob diferentes combinações de temperatura, radiação, humidade, ambiente radicular, carga de frutos e gestão.
É a interação genótipo × ambiente.
A investigação demonstra que prever o desempenho num ambiente não testado continua a ser uma das situações mais difíceis, mesmo quando modelos sofisticados incluem variáveis ambientais.
Para a produção comercial de pequenos frutos, o resultado está mais próximo de:
CLIMA × GENÓTIPO × TECNOLOGIA × GESTÃO × MERCADO
Estes fatores interagem e potenciam-se mutuamente.
Mesmo que reproduzamos o clima, a variedade e as infraestruturas, continuamos a ter de assegurar o mesmo nível de capacidade de gestão.
A equipa local conhece a variedade?
Consegue gerir a frequência da rega, a secagem do substrato entre regas, a nutrição, a poda, a carga de frutos, a polinização, a ventilação, a proteção fitossanitária e o momento da colheita?
A organização consegue identificar precocemente um problema, acolher informação externa e adaptar a sua gestão?
A mesma variedade e a mesma tecnologia podem produzir resultados completamente diferentes quando a execução é diferente.
O algoritmo estima o potencial ambiental.
A equipa local determina quanto desse potencial se converte em produção.
O mercado e a cadeia de abastecimento determinam quanto dessa produção é efetivamente remunerado.
A SEQUÊNCIA DE DECISÃO CORRETA
A similaridade climática não deve ser confundida com a viabilidade da cultura.
A viabilidade da cultura não deve ser confundida com a viabilidade comercial.
E a viabilidade comercial não deve ser confundida com a viabilidade do investimento.
A sequência correta deve ser:
- Definir a janela de mercado e os requisitos dos clientes
- Criar a assinatura climática e do sistema de produção
- Realizar uma triagem climática global
- Elaborar uma lista restrita de regiões
- Verificar a qualidade dos dados meteorológicos locais
- Falar com produtores e técnicos locais
- Realizar visitas de campo direcionadas
- Avaliar a água, o solo, a topografia, a mão de obra e as infraestruturas
- Instalar equipamento local de monitorização meteorológica e do solo
- Estabelecer ensaios varietais de pequena escala
- Validar a produção, a qualidade, o momento da colheita e a percentagem de produto comercializável
- Realizar testes de esforço comerciais e financeiros
- Só então aprovar o investimento
É aqui que vejo o verdadeiro valor da MARGINS e de plataformas semelhantes de inteligência climática.
Podem tornar as deslocações mais seletivas.
Podem ajudar os detentores de variedades a evitar testar material vegetal em regiões manifestamente inadequadas.
Podem indicar quais as variáveis climáticas que poderão tornar-se difíceis de gerir.
Podem reduzir o tempo e o custo necessários para passar do mundo inteiro para uma lista restrita credível.
Mas devem ajudar-nos a decidir onde investigar — e não convencer-nos de que a investigação deixou de ser necessária.
Quando chegamos a uma região incluída na lista restrita, continuamos a precisar de percorrer os campos, sentir o vento, observar o solo depois da chuva, analisar a água, perceber durante quanto tempo persiste o nevoeiro matinal e ouvir as pessoas que cultivam essas terras há anos.
Estas observações podem parecer tradicionais quando comparadas com a inteligência artificial e as bases de dados climáticos globais.
Mas continuam a fazer parte de uma boa agronomia.
Na Hortitool Consulting, não vemos qualquer conflito entre os algoritmos e a experiência de campo.
O futuro exigirá ambos.
Os algoritmos podem processar décadas de dados e comparar milhares de locais de forma mais eficiente do que qualquer agrónomo.
As pessoas experientes conseguem identificar os fatores biológicos, operacionais e humanos que estavam ausentes da base de dados.
Uma visita de campo pode custar vários milhares de euros.
Um pressuposto climático que nunca seja verificado pode custar vários milhões.
Pode um algoritmo identificar regiões onde vale a pena testar a mesma variedade de pequenos frutos?
Sim.
Pode garantir que cultivaremos essa variedade sem cometer erros?
Não.
Mas, quando a inteligência climática é combinada com dados locais fiáveis, agronomia experiente, validação no terreno e ensaios comerciais, pode ajudar-nos a cometer menos erros — e erros consideravelmente menos dispendiosos.
Confiaria num elevado índice de similaridade climática o suficiente para plantar 20 hectares?
Confiaria o suficiente para investigar o local e reservar o voo.
Não o suficiente para aprovar o investimento.
Jorge Fernandez-Galarreta, obrigado por me teres ensinado algo novo!
REFERENCES
- MARGINS. British Quality Strawberries in the Winter!
- MARGINS. Discover and Monitor Future Production Regions
- Extraordinary Berry Company. About Extraordinary Berry
- Extraordinary Berry Company. How We Grow—Matrix-GS™, Lighting, Heating, Airflow and Precision Growing
- Ramírez-Villegas, J., Jarvis, A., & Lau, C. (2011). Climate Analogues: Finding Tomorrow’s Agriculture Today. CGIAR CCAFS Working Paper No. 12.
- Fick, S. E., & Hijmans, R. J. (2017). WorldClim 2: New 1-km Spatial Resolution Climate Surfaces for Global Land Areas. International Journal of Climatology, 37, 4302–4315.
- Copernicus Climate Change Service. ERA5-Land Hourly Data from 1950 to Present
- NASA POWER. Daily Solar and Meteorological Data Services
- Climate Hazards Center, UC Santa Barbara. CHIRPS Version 3 Rainfall Dataset
- Wang, T., & Dong, J. (2026). Global Crop Suitability Datasets for 17 Crops Under Present and Future Climate Scenarios. Scientific Data, 13, 691.
- Roberts, D. R., et al. (2017). Cross-Validation Strategies for Data with Temporal, Spatial, Hierarchical or Phylogenetic Structure. Ecography, 40, 913–929.
- Liu, C., et al. (2020). Species Distribution Models Have Limited Spatial Transferability for Invasive Species. Ecology Letters, 23, 1682–1692.
- Hemp, A., & Hemp, C. (2024). Weather or Not—Global Climate Databases: Reliable on Tropical Mountains?. PLOS ONE, 19.
- Blankenau, P. A., Kilic, A., & Allen, R. (2020). An Evaluation of Gridded Weather Datasets for Estimating Reference Evapotranspiration in the United States. Agricultural Water Management, 242, 106376.
- Smith, D. K. E., et al. (2023). Fog Trends in India: Relationships to Fog Type and Western Disturbances. International Journal of Climatology, 43, 818–836.
- Role of Atmospheric Aerosols in Severe Winter Fog over the Indo-Gangetic Plain of India. Atmospheric Chemistry and Physics, 24, 6635–6659.
- Baguskas, S. A., Oliphant, A. J., Clemesha, R. E. S., & Loik, M. E. (2021). Water and Light-Use Efficiency Are Enhanced Under Summer Coastal Fog in a California Agricultural System. Journal of Geophysical Research: Biogeosciences, 126.
- Malosetti, M., Bustos-Korts, D., Boer, M. P., & van Eeuwijk, F. A. (2016). Predicting Responses in Multiple Environments: Issues in Relation to Genotype × Environment Interactions. Crop Science, 56, 2210–2222.
- González-Villagra, J., et al. (2024). Diurnal High Temperatures Affect the Physiological Performance and Fruit Quality of Highbush Blueberry cv. Legacy. Plants, 13, 1846.
- Rain Cover and Netting Materials Differentially Affect Fruit Yield and Quality in Two Highbush Blueberry Cultivars. Plants, 12, 3556.
- IPCC. (2022). Climate Change 2022: Impacts, Adaptation and Vulnerability—Chapter 5.
