A previsão em mirtilos, é muito importante para as explorações de hoje em dia terem a capacidade de prever quanta produção podem ter para a época seguinte.
No entanto, esta tarefa pode ser de alguma forma difícil de alcançar da forma mais correta. Em termos de números e numa base semanal. Muitos produtores e expedidores de fruta têm a dificuldade de alcançar o número de quilos por semana que normalmente gostariam de ter para os seus próprios clientes.
O que interfere na previsão?
Fatores ambientais: padrões meteorológicos, condições do solo, taxas de polinização
Gestão da cultura: sistemas de irrigação, gestão de pragas e doenças, poda e condução
Tecnologia e análise de dados: sistemas de monitorização de rendimento, modelação e simulação de culturas, tomada de decisão orientada por dados.
Tendências e procura do mercado: análise de mercado, previsão de preços, previsão de procura
Otimização da cadeia de abastecimento: gestão da cadeia de frio, gestão de inventário, logística e transporte
Investigação e desenvolvimento: sensores e robótica, agricultura de precisão, melhoramento e genética
*Estes fatores estão na maioria das vezes correlacionados, mas a sua interação ainda não foi estudada em profundidade
Fonte: Niedbała, G.; Kurek, J.; Swiderski, B.; Wojciechowski, T.; ´ Antoniuk, I.; Bobran, K. Prediction of Blueberry (Vaccinium corymbosum L.) Yield Based on Artificial Intelligence Methods. Agriculture 2022, 12, 2089. https://doi.org/10.3390/agriculture1212208
O que é normalmente usado com dados baseados na exploração?
Os dados históricos da exploração são sempre úteis mas normalmente consideramos o seguinte:
Idade da planta
Número de gomos florais
Número total de flores por gomo floral. (Depende da variedade e do local de produção.)
Taxas de polinização: mais visto como taxa de auto-polinização (frequentemente encontrada em variedades patenteadas). Nova genética tem altas taxas de auto-polinização
Stresses abióticos e bióticos do clima: granizo, geada, doenças, aves
Número total de plantas a contar por ha e por variedade
Figura 1: Previsão da variedade Duke contagem simples numa fase dormente no inverno.
Exemplo: Previsão usando a variedade Duke
Figura 1: Previsão da variedade Duke contagem simples numa fase dormente no inverno.
Para o exemplo mostrado foi considerada uma amostra de planta 25 plantas/ha (4166 plantas/ha) onde o rendimento é:
Rendimento = (Gomos florais × número de flores × peso médio do fruto (dados da exploração) × taxa de auto-polinização %) × (Perdas de stress abiótico e biótico %)
Depois de contar gomos e fazer uma média da contagem de gomos, podemos aplicar esta fórmula e calcular o rendimento estimado para este hectare.
Rendimento (g) = (300 × 5 × 1.8g × 0.85) × 0.75 = 2295g × 0.75 = 1721.25g /planta
O tamanho da amostra é um fator sobre o qual muitos produtores têm algumas críticas ao modelo: o consumo de tempo (custos), trabalho aborrecido e quão precisa pode ser esta abordagem.
Outras publicações de comités de organizações de mirtilo usaram 1 a 3% das plantas como amostra para estes tipos NHB, o que pode variar de 100 a 200 plantas/ha como amostra maior e para ser mais preciso.
Para SHB é mais usada a contagem de 3 a 5 plantas de gomos, flores, frutos verdes numa base de 15 dias para atualizar a previsão de colheita, até começar a colher. Assim, esta abordagem usa a mesma variedade na mesma exploração, por diferentes tipos de blocos de plantas.
É visível que esta abordagem é muito mais demorada e com amostra pequena levando a potenciais erros.
Podemos usar modelos de previsão com IA-Machine learning?
Várias empresas estão a combinar conhecimento de agronomia usando GDD (growing degrees days) ou GDH (growing degrees hours) onde unidades de acumulação de temperatura específicas para o crescimento ótimo de cada cultura, integrando perfis de temperatura da cultura com o uso de câmaras integrando machine learning na previsão, usando dados visuais (fotogramas) onde identificam todos os órgãos e contam a sua evolução.
Alguns exemplos destas empresas são Yield Computer ou Bitwise Agronomy.
Figura 2. Esquema de funcionamento do Yield Computer
Figura 3. Quadro de funcionamento da Bitwise Agronomy
Queremos contar com mais precisão. Onde estamos com I&D?
Hoje alguns projetos liderados por universidades dos EUA e Polónia como proposto por Niedbała et al (2022) estão a combinar a interação de vários fatores, alguns deles indo até um total de 99, usando modelos assistidos por IA.
Figura 4. Esquema usado em I&D no projeto Small fruits grant nos EUA.
Fig 5: Resultados preliminares na deteção de bagas baseada em imagens e previsão de rendimento.
(A) O modelo detetou o número de bagas comparado com o número de bagas anotado capturado na imagem.
(B) Rendimento previsto de uma única planta (g) baseado em imagens de vista de 360 graus comparado com o rendimento medido de mirtilos cultivados em contentor na estufa.
(C) Rendimento previsto por planta (g) vs. rendimento medido por planta (g) de plantas de mirtilo cultivadas no campo. O rendimento foi estimado como número de bagas detetado pelo modelo × peso médio medido da baga (g).
Fonte: Southern Region Small Fruit Consortium Proposal Final Report – Title: Enabling high-throughput yield prediction for efficient blueberry production
Figura 6. Resultados preliminares na deteção de bagas baseada em imagens e previsão de rendimento.
(A) O modelo detetou o número de bagas comparado com o número de bagas anotado capturado na imagem (R2 = 0.91).
(B) Rendimento previsto de uma única planta (g) baseado em imagens de vista de 360 graus comparado com o rendimento medido de mirtilos cultivados em contentor na estufa (R2 = 0.90).
(C) Rendimento previsto por planta (g) vs. rendimento medido por planta (g) de plantas de mirtilo cultivadas no campo (R2 = 0.59). O rendimento foi estimado como número de bagas detetado pelo modelo × peso médio medido da baga (g).
Para onde vamos a partir daqui?
Os dados de rendimento são críticos para produtores de mirtilo otimizarem estratégias de produção e marketing. Estimar o rendimento do mirtilo antes da colheita, quer com base numa avaliação visual quer numa amostragem manual, continua a ser largamente impreciso.
Se o rendimento e a maturação puderem ser previstos com precisão antes da colheita, os produtores estarão melhor informados sobre o tempo de colheita, necessidades de mão de obra e estratégias ótimas de marketing (Swain et al. 2010).
Um uso mais prático destas ferramentas em grande escala com cooperação das empresas tecnológicas, marketers e produtores será necessário para mostrar desenvolvimentos futuros.
Referências bibliográficas
-
Zaman, Q. & Swain, Kishore & Schumann, A. & Percival, David. (2010). Automated, Low-Cost Yield Mapping of Wild Blueberry Fruit. Applied engineering in agriculture. 26. 225-232. 10.13031/2013.29540.
-
Southern Region Small Fruit Consortium Proposal Final Report Title: Enabling high-throughput yield prediction for efficient blueberry production
-
Niedbała, G.; Kurek, J.; Swiderski, B.; Wojciechowski, T.; ´ Antoniuk, I.; Bobran, K. Prediction of Blueberry (Vaccinium corymbosum L.) Yield Based on Artificial Intelligence Methods. Agriculture 2022, 12, 2089. https://doi.org/10.3390/agriculture1212208
