Sistema analisa solo, clima e nutrientes para recomendar os insumos com alta precisão para diferentes culturas

Fonte: https://agro.estadao.com.br/inovacao/ia-autonoma-acerta-ate-947-na-recomendacao-de-fertilizantes

Modelo de IA foi treinado com 2,2 mil amostras agrícolas. Fonte: Adobe Stock
Um sistema de inteligência artificial capaz de analisar imagens do solo, estimar nutrientes e indicar automaticamente a melhor cultura e o fertilizante mais adequado alcançou 94,7% de precisão na recomendação de adubos. O resultado faz parte de um estudo publicado na revista científica Scientific Reports.

O sistema funciona com etapas de análise agrícola. Primeiro, algoritmos de visão computacional classificam o tipo de solo a partir de imagens. Em seguida, modelos de aprendizado de máquina estimam parâmetros químicos e ambientais e cruzam essas informações com dados climáticos para recomendar o fertilizante ideal para cada cultura.

Para ‘prever’ fertilizantes, o modelo baseado no algoritmo XGBoost atingiu 94,7% de acurácia, com equilíbrio entre precisão e recall. Na prática, isso significa maior assertividade na indicação de insumos como ureia, DAP, MOP, NPK, potássio e compostos orgânicos. Isso pode reduzir desperdícios e possíveis impactos ambientais.

Já na recomendação de culturas, o algoritmo apresentou 92,4% de precisão ao analisar variáveis como nitrogênio, fósforo e potássio (NPK), pH do solo, temperatura, umidade e índice de chuva. O modelo foi treinado com 2,2 mil amostras agrícolas estruturadas, cobrindo diferentes condições de solo e clima. A etapa inicial do sistema também inclui um modelo de rede neural convolucional capaz de identificar automaticamente tipos de solo, como preto, vermelho, argiloso e aluvial, com 92,88% de precisão, a partir da análise de textura e padrões visuais.

Outro diferencial do estudo é a incorporação de dados climáticos em tempo real por meio de interfaces de programação de aplicações (APIs, na sigla em inglês), permitindo que as recomendações sejam ajustadas dinamicamente às condições ambientais locais. O sistema também utiliza técnicas de IA explicável que mostram quais fatores, como fósforo, potássio ou umidade, influenciaram cada decisão do modelo.

Segundo especialistas, a integração dessas etapas representa um avanço em relação a sistemas tradicionais de agricultura digital, que normalmente analisam apenas um conjunto limitado de variáveis. “Não estamos mais falando de dashboards que mostram dados. Estamos falando de agentes autônomos que interpretam o cenário agrícola em tempo real e tomam decisões integradas. Quando modelos conseguem atingir níveis de acerto próximos de 95% na escolha do fertilizante, o impacto deixa de ser tecnológico e passa a ser econômico e ambiental”, afirma Douglas Torres, especialista em inteligência artificial e fundador da Yup Chat.

Os autores do estudo ressaltam, no entanto, que níveis de precisão muito elevados frequentemente são obtidos em experimentos controlados com apenas um conjunto de dados. No caso do novo sistema, a integração entre múltiplos módulos (solo, clima, cultura e fertilizantes) pode reduzir ligeiramente a precisão absoluta. Por outro lado, aumenta a robustez e a aplicabilidade em condições reais de campo.

A arquitetura também foi projetada para evoluir. Entre as possíveis extensões estão a integração com sensores agrícolas, drones e imagens de satélite, além de modelos de previsão capazes de antecipar variações de produtividade e fertilidade do solo ao longo das safras.