Algoritmos e sensores ajudam a mapear o solo e otimizam a produção agrícola | AGÊNCIA FAPESP

Algoritmos e sensores ajudam a mapear o solo e otimizam a produção agrícola Tecnologia desenvolvida por startup apoiada pelo PIPE-FAPESP foi inspirada no modelo de mapeamento de solos utilizado pela indústria petrolífera (foto: Cropman/divulgação)

Algoritmos e sensores ajudam a mapear o solo e otimizam a produção agrícola

01 de fevereiro de 2022

Fábio de Castro | Agência FAPESP – O manejo adequado da aplicação de adubo e outros insumos nas lavouras – essencial para garantir a sustentabilidade econômica e ambiental na produção agrícola – depende do mapeamento preciso do solo em áreas de plantações. Os métodos convencionais à disposição para esse tipo de avaliação, porém, são onerosos e têm precisão limitada. Para contornar o problema, a startup Cropman, sediada em Campinas, desenvolveu uma metodologia inovadora para diagnóstico de solos com alta precisão e custo reduzido.

Com apoio do Programa Pesquisa Inovativa em Pequenas Empresas (PIPE), da FAPESP, pesquisadores da empresa desenvolveram a plataforma tecnológica Smart Sampling, baseada no uso de múltiplos sensores em campo, com automação no fluxo de informações e mineração de dados a partir da aplicação de um algoritmo inovador.

Os algoritmos produzem mapeamentos de zonas permanentes de manejo e de compactação de solos, que permitem ao agricultor o uso racional de insumos e o preparo de solos a profundidade variável, assegurando economia, eficiência, produtividade e sustentabilidade nas práticas agrícolas.

De acordo com Henrique Coutinho Junqueira Franco, pesquisador responsável pelo projeto, atualmente um dos fatores limitantes para o mapeamento preciso dos solos é a quantidade de amostras necessárias. Para obter o mapeamento adequado dos atributos físicos e químicos do solo é necessário realizar uma amostragem densa na área.

"Na agricultura de precisão clássica, o método consiste em desenhar sobre o mapa da fazenda uma grade amostral densa, realizando coletas de amostras de solo a cada 100 metros, a fim de obter uma amostra para cada hectare. Em grandes áreas, essa amostragem tão densa é trabalhosa e eleva muito os custos, sem precisão adequada. Eventualmente isso torna o mapeamento impraticável tanto física quanto economicamente", explica Franco.

Com inspiração no modelo de mapeamento de solos utilizado pela indústria petrolífera, o pacote tecnológico Smart Sampling permite obter uma amostragem inteligente, orientada por atributos do solo que são obtidos a partir de informações de sensores de condutividade elétrica. Mesmo com um número muito menor de amostras, o mapeamento é mais eficiente e completo.

"Em campo, basta trafegar sobre a área com um veículo equipado de um sensor proximal de condutividade elétrica, que passa a menos de um metro de distância do solo. Os pulsos que retornam do solo são medidos e sua intensidade tem relação direta com o tipo de solo: proporção de argila, compactação, presença de pedras e assim por diante", diz Franco.

O método permite mapear a variabilidade das condições do solo, otimizando o gerenciamento e a tomada de decisão do produtor quanto aos insumos necessários para cada área da plantação. Como os atributos do solo são coletados em diversas profundidades, segundo Franco, é possível identificar detalhadamente as condições de compactação do solo.

"Conseguimos ver a variabilidade do solo que o olho não vê – e que explica por que, em uma mesma área, uma colheitadeira pode obter 124 toneladas de cana em uma parte e apenas uma tonelada em outra", relata.

De acordo com o pesquisador, com as informações de altimetria e de amostras de solo coletadas em locais estratégicos, o Smart Sampling permite gerar zonas permanentes de manejo para diversos usos agrícolas e para qualquer cultura, reduzindo custos no uso de insumos e aumentando a produtividade. Para isso, o imenso número de dados obtidos pelos sensoriamentos é processado por algoritmos desenvolvidos pela Cropman, entregando substancial eficiência no diagnóstico de solos agrícolas.

"Usamos vários sensores para avaliar a produção, mas o nosso diferencial – e a verdadeira inovação – está relacionado à aplicação do algoritmo. O segredo do serviço que prestamos consiste em saber o que fazer com os dados que coletamos", diz Franco.

Menos amostras, mais precisão

Segundo Franco, o desenvolvimento do algoritmo foi baseado nos softwares utilizados pela indústria do petróleo para definir a localização da perfuração de poços a partir da obtenção de informações sísmicas do solo obtidas por sensores.

"Nessa indústria, não se sai perfurando às cegas, é preciso ser altamente assertivo. Assim, eles alimentam algoritmos com dados qualitativos e quantitativos nas áreas onde estudos de prospecção indicaram alta probabilidade de petróleo. Pensando nisso, nos ocorreu a ideia de criar um algoritmo que fosse alimentado com coordenadas e dados do solo das propriedades agrícolas, a fim de gerir informações para tomada de decisão do produtor”, explica.

Na fase conceitual do desenvolvimento do algoritmo, os pesquisadores já conseguiam produzir mapas tão bons como os que são feitos a partir de uma grade amostral densa, com coletas a cada 25 metros – mas com um número de amostras dez vezes menor. "O algoritmo era alimentado pelos dados de variabilidade elétrica e nos dizia onde coletar as amostras para fazer um mapa muito qualificado. Com isso, era preciso coletar muito menos", afirma Franco.

No projeto PIPE fase 2, os pesquisadores decidiram escalonar a tecnologia e reunir tudo em uma única plataforma de gestão de dados. Dessa forma, surgiu o Smart Sampling, que possibilitou uma evolução das grades amostrais para o estabelecimento de zonas de manejo precisamente determinadas.

"Depois de passar o sensor e rodar o algoritmo, rapidamente tínhamos os pontos precisos onde fazer a coleta no dia seguinte. Essas amostras eram analisadas no laboratório. A partir da mineração dos dados obtidos, criamos polígonos com a característica de cada porção – que pode receber os insumos certos na quantidade necessária. Ninguém fazia isso e percebemos que tínhamos uma inovação nas mãos. Embutimos no PIPE essa ideia de criar as zonas de manejo e intensificamos o processo de automação", explica Franco.

Parceria multinacional

Em 2019, Franco visitou a Áustria para conhecer a Geoprospector, empresa que desenvolve um sensor de indução eletromagnética que seria utilizado pela empresa brasileira. Essa parceria acabou aproximando a Cropman da multinacional italiana CNH Industrial, que detém parte da empresa austríaca. Em 2020, ainda antes da pandemia de COVID-19, a Cropman fez uma aproximação com a CNH Industrial, que estava lançando no Brasil o Agxtend, uma plataforma inovadora de soluções para a agricultura digital.

Segundo Franco, os representantes da multinacional italiana ficaram impressionados com o pacote tecnológico desenvolvido pela Cropman – e em especial com o que o algoritmo da empresa brasileira era capaz de fazer com os dados.

"Eles viram o funcionamento do software da Cropman combinado ao hardware austríaco e perceberam que nosso processamento potencializava o sensor da Geoprospector. Eles ficaram impressionados e começamos a discutir uma parceria", diz Franco.

A pandemia atrasou um pouco a aproximação, mas na metade de 2021 as empresas assinaram um contrato de acordo comercial. "A parceria é assim: a CNH nos traz mercado, via concessionários – que chegam a uma centena no Brasil e na América Latina –, nós operamos o hardware deles e nossos softwares com os clientes das concessionárias", detalha o pesquisador.

Segundo ele, a parceria rendeu o Programa Agxtend Brasil, lançado em outubro, que também envolve a Case IH e a New Holland Agriculture, duas fabricantes de maquinário agrícola do grupo CNH Industrial.

Com a parceria, o hardware, que é o principal insumo utilizado nos mapeamentos, é cedido para a Cropman sem custos – algo fundamental para que a empresa ganhe escala. A Cropman paga uma taxa por hectare mapeado aos parceiros, pelo uso do sensor, e se beneficia pelo acesso ao mercado via concessionários CNH. Sem essa parceria, a empresa levaria muito mais tempo para entrar no mercado.

"Pode se tornar um case de sucesso. É difícil ganhar escala, mas nós temos conseguido focar no aprimoramento dos nossos processos e eles nos ajudam com o acesso ao mercado", avalia Franco.
 

  Republicar
 

Republicar

A Agência FAPESP licencia notícias via Creative Commons (CC-BY-NC-ND) para que possam ser republicadas gratuitamente e de forma simples por outros veículos digitais ou impressos. A Agência FAPESP deve ser creditada como a fonte do conteúdo que está sendo republicado e o nome do repórter (quando houver) deve ser atribuído. O uso do botão HMTL abaixo permite o atendimento a essas normas, detalhadas na Política de Republicação Digital FAPESP.


Assuntos mais procurados