Cientistas da Universidade Estadual de Iowa estão trabalhando para um futuro em que os agricultores possam usar aeronaves não tripuladas para detectar, e até mesmo prever, doenças e estresse em suas colheitas. A visão deles depende do aprendizado de máquina, um processo automatizado no qual a tecnologia pode ajudar os agricultores a responder ao estresse das plantas de forma mais eficiente.

Arti Singh, um professor assistente adjunto de agronomia, está liderando uma equipe de pesquisa multidisciplinar que recentemente recebeu um diploma de três anos, $ 499, 845 doação do Instituto Nacional de Alimentos e Agricultura do Departamento de Agricultura dos Estados Unidos para desenvolver tecnologia de aprendizado de máquina que poderia automatizar a capacidade dos agricultores de diagnosticar uma série de estresses importantes na soja. A tecnologia em desenvolvimento faria uso de câmeras acopladas a veículos aéreos não tripulados, ou UAVs, para reunir imagens panorâmicas de campos de soja. Um aplicativo de computador analisaria automaticamente as imagens e alertaria o fazendeiro sobre os pontos problemáticos.

"Basicamente, o aprendizado de máquina é simplesmente treinar uma máquina para fazer algo que fazemos, "Singh disse." Quando você quer ensinar a uma criança o que é um carro, você mostra a eles carros. Isso é o que estamos fazendo para treinar algoritmos de computador, mostrando um grande número de imagens de vários estresses da soja para identificar, classificar, quantificar e prever tensões no campo. "

A equipe de pesquisa reuniu um enorme conjunto de dados de imagens de soja, alguns saudáveis ​​e alguns passando por estresse e doenças, que eles então rotularam. Um programa de computador analisa as imagens rotuladas e monta algoritmos que podem reconhecer o estresse em novas imagens. Singh disse que o programa de aprendizado de máquina pode ser capaz de detectar uma ampla gama de estresses comuns da soja, incluindo fungos, doenças bacterianas e virais, bem como deficiência de nutrientes e danos causados ​​por herbicidas.

O uso de imagens hiperespectrais, ou câmeras que capturam faixas de comprimento de onda além daquelas vistas pelo olho humano, pode permitir que a tecnologia preveja a presença de estresses antes que os sintomas apareçam, dando aos agricultores mais tempo para gerenciar o problema, ela disse.

O fascínio de Singh pelo aprendizado de máquina começou em 2014, quando ela participou de um seminário sobre o assunto apresentado pelo ISU Plant Sciences Institute. Ela imediatamente pensou que a tecnologia era promissora para o melhoramento e patologia de plantas, mas uma pesquisa da literatura acadêmica mostrou que a maior parte do trabalho na área veio de disciplinas de engenharia, não as ciências das plantas. Ela percebeu que mais colaboração seria necessária para fazer avançar este campo na agricultura.

"Precisamos incluir cientistas de plantas também, "disse ela." Caso contrário, teremos engenheiros trabalhando em problemas de ciência de plantas. A colaboração entre disciplinas é o que torna isso possível. "

Ela ajudou a montar uma equipe interdisciplinar que criou um aplicativo que permite aos usuários de smartphones tirar fotos de plantas de soja para determinar se as plantas sofrem de deficiência de ferro. Agora, a equipe de pesquisa tem como objetivo ampliar seu trabalho a partir do aplicativo original, que requer fotos tiradas manualmente para diagnosticar um único estresse, para algoritmos capazes de obter imagens de UAVs e identificar uma variedade de tensões.

O futuro da tecnologia depende da capacidade dos cientistas e engenheiros de reunir o tipo certo de conjunto de dados e, em seguida, desenvolver a capacidade de analisar esses dados. Ao final da concessão, Singh disse que a equipe pretende ter concluído uma estrutura de melhores práticas para a coleta de dados usando UAVs. Isso inclui descobrir as melhores resoluções de imagem, bem como alturas e velocidades ideais para os UAVs. Os pesquisadores esperam integrar perfeitamente a coleta de dados, curadoria e análise levando à sua aplicação em campos agrícolas para detectar e mitigar estresses de planta em tempo hábil. Singh disse que a equipe tornará todas as suas descobertas disponíveis publicamente na conclusão do projeto.

A abordagem tem potencial para aplicação em muitas outras culturas também, Disse Singh.