A previsão de produção em mirtilos é extremamente importante para as explorações agrícolas atualmente, permitindo que se antecipe a quantidade de produção esperada para a próxima temporada.
No entanto, essa tarefa pode ser bastante difícil de realizar com precisão, especialmente em termos numéricos e numa base semanal. Muitos produtores e distribuidores de fruta enfrentam dificuldades em atingir os valores de quilos por semana que gostariam de disponibilizar para os seus clientes.
O que interfere na previsão?
• Fatores ambientais: padrões climáticos, condições do solo, taxas de polinização;
• Gestão da cultura: sistemas de irrigação, controlo de pragas e doenças, poda e condução;
• Tecnologia e Análise de Dados: sistemas de monitorização de produtividade, modelagem e simulação de culturas, decisões baseadas em dados;
• Tendências de mercado e procura: análise de mercado, previsão de preços, previsão da procura;
• Otimização da cadeia de abastecimento: gestão da cadeia de frio, gestão de inventário, logística e transporte;
• Investigação & Desenvolvimento: sensores e robótica, agricultura de precisão, melhoramento genético.
*Estes fatores estão frequentemente correlacionados, mas a interação entre eles ainda não foi profundamente estudada.
Fonte: Niedbała, G. et al. (2022). Prediction of Blueberry (Vaccinium corymbosum L.) Yield Based on Artificial Intelligence Methods. Agriculture 12, 2089. https://doi.org/10.3390/agriculture1212208
O que normalmente é utilizado com base nos dados da exploração?
Os dados históricos da exploração são sempre úteis, mas normalmente consideram-se os seguintes fatores:
1 – Idade da planta;
2 – Número de gomos florais;
3 – Número total de flores por gomo floral (varia conforme a variedade e localização);
4 – Taxas de polinização: frequentemente consideradas como taxa de autopolinização (mais comum em variedades patenteadas). As novas genéticas apresentam altas taxas de autopolinização;
5 – Stresses abióticos e bióticos do clima: granizo, geada, doenças, aves;
6 – Número total de plantas por hectare e por variedade.
Exemplo: Previsão com a variedade Duke
Para o exemplo mostrado, foi considerada uma amostra de 25 plantas/ha (4166 plantas/ha), onde a produtividade é calculada como:
Produtividade = (Gomos florais × número de flores × peso médio do fruto (dados da exploração) × % taxa de autopolinização) × (perdas por stresse abiótico & biótico %)
Após a contagem dos gomos e cálculo da média, aplica-se a fórmula para estimar a produção por hectare.
Produtividade (g) = (300 × 5 × 1,8g × 0,85) × 0,75 = 2295g × 0,75 = 1721,25g / planta
O tamanho da amostra é um fator criticado por muitos produtores: pelo tempo necessário (custos), monotonia do trabalho e precisão deste método.
Outras publicações de comissões especializadas em mirtilo utilizam amostras de 1 a 3% das plantas para variedades de NHB (Northern Highbush), o que pode representar 100 a 200 plantas/ha para maior precisão.
Para SHB (Southern Highbush), é mais comum a contagem de gomos, flores e frutos verdes em 3 a 5 plantas, a cada 15 dias, para atualizar a previsão de colheita até o início da colheita. Esta abordagem aplica-se à mesma variedade na mesma exploração, por diferentes blocos de plantas.
É visível que esta abordagem é muito mais demorada e, com uma amostra pequena, pode levar a erros.
Podemos usar modelos de previsão com IA e Machine Learning?
Várias empresas estão a combinar conhecimento agronómico com o uso de GDD (Graus-dia de crescimento) ou GDH (horas-dia de crescimento), onde acumulam unidades térmicas específicas para o crescimento ótimo da cultura. Estas integram perfis de temperatura da cultura com o uso de câmaras, incorporando Machine Learning na previsão, utilizando dados visuais (fotogramas), identificando todos os órgãos e contabilizando a sua evolução.
Alguns exemplos dessas empresas são a Yield Computer e a Bitwise Agronomy.
Queremos contar com mais precisão. Onde estamos com a I&D?
Atualmente, alguns projetos liderados por universidades dos EUA e da Polónia (como o proposto por Niedbała et al., 2022) estão a combinar a interação de diversos fatores – podendo chegar a um total de 99 – utilizando modelos assistidos por IA.
• (A) Número de bagas detetados pelo modelo em comparação com o número de bagas anotado capturado na imagem.
• (B) Previsão do rendimento de uma única planta (g) com base em imagens de 360 graus, em comparação com o rendimento medido de mirtilos cultivados 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 o número de bagas detetado pelo modelo × o peso médio medido das bagas (g).
Fonte: Southern Region Small Fruit Consortium Proposal Final Report – Title: Enabling high-throughput yield prediction for efficient blueberry production
• (A) Número de bagas detetados pelo modelo em comparação com o número de bagas anotado capturado na imagem (R² = 0,91).
• (B) Previsão do rendimento de uma única planta (g) com base em imagens de 360 graus, em comparação com o rendimento medido de mirtilos cultivados 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 o número de bagas detetado pelo modelo × o peso médio medido das bagas (g).
Para onde vamos a partir daqui?
Os dados de produtividade são essenciais para que os produtores de mirtilo otimizem a produção e as estratégias de comercialização. Estimar a produtividade antes da colheita, seja por avaliação visual ou amostragem manual, continua a ser pouco preciso.
Se a produtividade e maturação puderem ser previstas com exatidão antes da colheita, os produtores estarão mais bem informados sobre o momento ideal de colheita, necessidades de mão de obra e estratégias de comercialização (Swain et al., 2010).
O uso mais prático destas ferramentas em larga escala, com a cooperação entre empresas tecnológicas, comercializadores e produtores, será essencial para os desenvolvimentos futuros.
Autoria: Jorge Duarte, CEO da Hortitool Consulting
Referências bibliográficas
→ Zaman, Q.; Swain, K.; Schumann, A.; Percival, D. (2010). Automated, Low-Cost Yield Mapping of Wild Blueberry Fruit. Applied Engineering in Agriculture, 26, 225-232. [DOI: 10.13031/2013.29540]
→ Southern Region Small Fruit Consortium Proposal Final Report. Enabling high-throughput yield prediction for efficient blueberry production
→ Niedbała, G.; Kurek, J.; Swiderski, B.; Wojciechowski, T.; Antoniuk, I.; Bobran, K. (2022). Prediction of Blueberry (Vaccinium corymbosum L.) Yield Based on Artificial Intelligence Methods. Agriculture, 12, 2089. https://doi.org/10.3390/agriculture1212208
